Pendekatan Multidisipliner dalam Kimia Medisinal: Dari Mekanisme Hingga Desain Obat
DOI:
https://doi.org/10.31004/joecy.v6i2.10570Keywords:
Kimia medisinal, Mekanisme obat, Desain obat, Multidisipliner, Molecular dockingAbstract
Kimia medisinal merupakan bidang ilmu yang berkembang pesat dengan mengintegrasikan berbagai disiplin ilmu seperti kimia, biologi, farmasi, dan ilmu komputer dalam proses penemuan dan pengembangan obat. Kajian ini didasari oleh meningkatnya kompleksitas sistem biologis serta kebutuhan mendesak akan strategi penemuan obat yang lebih efisien, akurat, dan berbasis data ilmiah. Penelitian ini bertujuan untuk mengkaji peran pendekatan multidisipliner dalam memahami mekanisme kerja obat serta dalam proses desain obat modern melalui studi literatur ilmiah. Metode yang digunakan adalah literature review dengan pendekatan deskriptif-kualitatif terhadap 15 jurnal ilmiah. Hasil kajian menunjukkan bahwa pemahaman mekanisme kerja obat sangat bergantung pada interaksi molekuler antara ligan dan target biologis, seperti enzim dan reseptor. Pendekatan multidisipliner yang menggabungkan metode eksperimental dan komputasi, seperti molecular docking, quantitative structure–activity relationship (QSAR), serta artificial intelligence (AI), terbukti mampu meningkatkan efisiensi dan akurasi dalam proses penemuan obat. Selain itu, integrasi ilmu kimia dan biologi molekuler memungkinkan identifikasi target yang lebih spesifik, sehingga menghasilkan senyawa obat yang lebih selektif dan aman. Dengan demikian, pendekatan multidisipliner menjadi strategi utama dalam pengembangan obat modern yang efektif, efisien, dan berbasis data.
References
Amin, S., & Mustafidah, S. (2024). Review artikel: Pendekatan in silico dalam kimia medisinal tentang resistensi antibiotik. Jurnal Ilmu Medis Indonesia, 4(1), 83–91. https://doi.org/10.35912/jimi.v4i1.45651
Amin, S., & Wulandari, R. (2025). Tinjauan kimia medisinal dalam pengembangan obat berbasis flavonoid: Studi literatur. Jurnal Ilmiah Kedokteran dan Kesehatan, 5(1), 110–118. https://doi.org/10.55606/klinik.v5i1.5538
Amin, S., Aini, A. N., Putri Utami, N. M., & Aryani, D. (2025). Kimia medisinal dalam terapi kanker: Analisis jalur sinyal dan interaksi ligand-target. Jurnal Riset Rumpun Ilmu Kesehatan, 4(1), 52–62. https://doi.org/10.55606/jurrikes.v4i1.4385
Cherkasov, A., Muratov, E. N., Fourches, D., Varnek, A., Baskin, I. I., Cronin, M. T. D., Dearden, J., Gramatica, P., Martin, Y. C., Todeschini, R., Consonni, V., Kuz’min, V. E., Cramer, R. D., & Tropsha, A. (2014). QSAR modeling: Where have you been? Where are you going to? Journal of Medicinal Chemistry, 57(12), 4977–5010. https://doi.org/10.1021/jm4004285
Hay, M., Thomas, D. W., Craighead, J. L., Economides, C., & Rosenthal, J. (2014). Clinical development success rates for investigational drugs. Nature Biotechnology, 32(1), 40–51. https://doi.org/10.1038/nbt.2786
Hollingsworth, S. A., & Dror, R. O. (2018). Molecular dynamics simulation for all. Neuron, 99(6), 1129–1143. https://doi.org/10.1016/j.neuron.2018.08.011
Hughes, J. P., Rees, S., Kalindjian, S. B., & Philpott, K. L. (2011). Principles of early drug discovery. British Journal of Pharmacology, 162(6), 1239–1249. https://doi.org/10.1111/j.1476-5381.2010.01127.x
Kenakin, T. (2019). A pharmacology primer: Techniques for more effective and strategic drug discovery (5th ed.). Academic Press. https://doi.org/10.1016/C2018-0-04389-0
Moussaoui, M., et al. (2024). Structure-based drug design and molecular interaction analysis. Scientific Reports, 14, 66877. https://doi.org/10.1038/s41598-024-66877-2
Schenone, M., Dančík, V., Wagner, B. K., & Clemons, P. A. (2013). Target identification and mechanism of action in chemical biology and drug discovery. Nature Chemical Biology, 9(4), 232–240. https://doi.org/10.1038/nchembio.1199
Song, F., Li, X., Wang, Q., Liao, L., & Zhang, J. (2023). Molecular docking and structure-based drug design strategies. Frontiers in Pharmacology, 14, 1185004.
https://doi.org/10.3389/fphar.2023.1185004
Stokes, J. M., Yang, K., Swanson, K., Jin, W., Cubillos-Ruiz, A., Donghia, N. M., ... & Collins, J. J. (2020). A deep learning approach to antibiotic discovery. Cell, 180(4), 688–702. https://doi.org/10.1016/j.cell.2020.01.021
Tajiani, F., et al. (2023). Molecular docking analysis of bioactive compounds. BMC Chemistry, 17(1),
https://doi.org/10.1186/s13065-023-00999-y
Tropsha, A., Isayev, O., Varnek, A., Schneider, G., & Cherkasov, A. (2024). Integrating QSAR modelling and deep learning in drug discovery: The emergence of deep QSAR. Nature Reviews Drug Discovery, 23(2), 141–155. https://doi.org/10.1038/s41573-023-00832-0
Vamathevan, J., Clark, D., Czodrowski, P., Dunham, I., Ferran, E., Lee, G., Li, B., Madabhushi, A., Shah, P., Spitzer, M., & Zhao, S. (2019). Applications of machine learning in drug discovery and development. Nature Reviews Drug Discovery, 18(6), 463–477. https://doi.org/10.1038/s41573-019-0024-5
Wang, K., Huang, Y., Wang, Y., You, Q., & Wang, L. (2024). Recent advances from computer-aided drug design to artificial intelligence drug design. RSC Medicinal Chemistry, 15(17), 3978–4000. https://doi.org/10.1039/D4MD00522H
Zhang, L., Chen, H., Zheng, H., Hu, Y., & Liu, H. (2024). Advances in computational drug design and artificial intelligence applications. Drug Discovery Today, 29(3), 103521. https://doi.org/10.1016/j.drudis.2024.103521
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Saeful Amin, Rexsy Adya Guntara, Muhammad Zamzam Imanulhaq, Sopi Syipaul Mardiana

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.







