EVALUASI PERFORMA ALPHAFOLD3 UNTUK PREDIKSI STRUKTUR SEKUNDER PROTEIN

I Gusti Agung Premananda, Prof. Dr.-Ing. Mhd. Reza M. I. Pulungan, S.Si., M.Sc.

2025 | Skripsi | ILMU KOMPUTER

Prediksi Struktur Sekunder Protein (PSSP) adalah komponen krusial dalam biologi komputasional, namun akurasinya masih menjadi tantangan, terutama untuk struktur non-kanonik. Penelitian ini secara eksploratif mengevaluasi AlphaFold3—sebuah model state-of-the-art untuk prediksi struktur tersier—sebagai alat PSSP dengan mengonversi output 3D-nya menggunakan algoritma DSSP. Evaluasi dilakukan pada dataset benchmark CB513, TS115, dan CASP10 menggunakan metrik precision, recall, F1-score, serta akurasi Q3 dan Q8. Hasil menunjukkan bahwa AlphaFold3 menetapkan baseline performa baru yang sangat tinggi, secara konsisten unggul dalam akurasi Q3 dan mencapai F1-score superior untuk kelas-kelas struktur mayor seperti ?-helix (H) dan ?-strand (E). Secara signifikan, model ini menunjukkan kemampuan generalisasi yang unik dengan menjadi satu-satunya yang mampu mendeteksi kelas ?-helix (I) yang sangat langka dengan recall yang berarti. Namun, analisis juga mengidentifikasi keterbatasan utama, yaitu kecenderungan over-prediction pada kelas minor yang menghasilkan presisi rendah, serta kesulitan dalam membedakan struktur fleksibel seperti turn (T) dan bend (S). Temuan ini mengukuhkan bahwa AlphaFold3 dapat berfungsi sebagai alat PSSP yang sangat kuat, terutama untuk struktur umum. 

Protein Secondary Structure Prediction (PSSP) is a crucial component of computational biology, yet its accuracy remains a challenge, especially for non-canonical structures. This study exploratively evaluates AlphaFold3—a state-of-the-art model for tertiary structure prediction—as a PSSP tool by converting its 3D outputs using the DSSP algorithm. The evaluation was performed on the CB513, TS115, and CASP10 benchmark datasets using precision, recall, F1-score, and Q3/Q8 accuracy metrics. The results show that AlphaFold3 establishes a new, very high-performance baseline, consistently excelling in Q3 accuracy and achieving superior F1-scores for major structure classes such as the ?-helix (H) and ?-strand (E). Significantly, the model demonstrates a unique generalization capability by being the only one able to detect the highly rare ?-helix (I) class with a meaningful recall. However, the analysis also identifies key limitations, namely a tendency for over-prediction in minor classes, which results in low precision, and difficulty in distinguishing flexible structures like turns (T) and bends (S). These findings confirm that AlphaFold3 can serve as a very powerful PSSP tool, particularly for common structures.

Kata Kunci : AlphaFold3, Protein Secondary Structure Prediction (PSSP), Deep Learning, Q8 Accuracy, DSSP, Bioinformatics