Electronic Theses and Dissertation

Skizofrenia merupakan gangguan mental kronis yang memerlukan pengembangan kandidat obat baru karena keterbatasan efektivitas terapi yang tersedia serta tingginya biaya dan waktu dalam proses penemuan obat secara konvensional. Pendekatan in silico menjadi alternatif yang menjanjikan, akan tetapi keberhasilannya sangat bergantung pada representasi struktur molekul dalam bentuk parameter numerik yang mampu menggambarkan karakteristik kimia secara informatif. Penelitian ini bertujuan untuk menentukan parameter molekular berbasis Simplified Molecular Input Line Entry System (SMILES) yang relevan sebagai representasi struktur kimia dalam mendukung pengembangan metode in silico untuk kandidat obat skizofrenia. Penelitian menggunakan 1.111 senyawa kandidat obat skizofrenia yang diperoleh dari basis data ChEMBL. Struktur molekul direpresentasikan dalam format SMILES dan dihitung menggunakan perangkat lunak Mordred sehingga menghasilkan 1.613 parameter molekular dua dimensi. Selanjutnya dilakukan tahap validasi dan pembersihan data, diikuti seleksi parameter menggunakan metode Variance Threshold dan Korelasi Pearson untuk menghilangkan parameter dengan variasi rendah dan informasi yang redundan. Hasil penelitian menunjukkan bahwa proses seleksi menghasilkan 190 parameter molekular yang bersifat representatif, independen, dan saling melengkapi dalam merepresentasikan karakteristik struktur kimia senyawa. Parameter terpilih tersebut mampu mempertahankan informasi molekular yang relevan sekaligus mengurangi kompleksitas data, sehingga berpotensi digunakan sebagai dasar pengembangan model kecerdasan buatan untuk klasifikasi dan prediksi kandidat obat skizofrenia secara lebih efisien. Kata kunci: skizofrenia, SMILES, parameter molekular, Mordred, chemoinformatics, in silico.

Schizophrenia is a chronic mental disorder that requires the discovery of new drug candidates due to the limited effectiveness of existing therapies and the high cost and lengthy duration of conventional drug development. In silico approaches have emerged as promising alternatives; however, their effectiveness largely depends on the ability to represent molecular structures as informative numerical parameters that accurately reflect their chemical characteristics. This study aimed to determine relevant molecular descriptors based on the Simplified Molecular Input Line Entry System (SMILES) as structural representations to support in silico drug discovery for schizophrenia. A total of 1,111 schizophrenia-related compounds were collected from the ChEMBL database. Their molecular structures were represented using SMILES notation and processed with the Mordred descriptor calculator, generating 1,613 two-dimensional molecular descriptors. The descriptor dataset was subsequently subjected to data validation and preprocessing, followed by feature selection using the Variance Threshold and Pearson Correlation methods to remove low-variance and redundant descriptors. The results demonstrated that the feature selection process identified 190 representative molecular descriptors that were independent, complementary, and capable of effectively characterizing the chemical structures of the studied compounds. These selected descriptors preserved essential molecular information while reducing data complexity, thereby providing a robust numerical representation for developing artificial intelligence models for the classification and prediction of schizophrenia drug candidates. The proposed approach contributes to the advancement of chemoinformatics by providing an efficient molecular descriptor framework for in silico drug discovery. Keywords: schizophrenia, SMILES, molecular descriptors, Mordred, chemoinformatics, in silico drug discovery.