PENERAPAN LOGDQN DEEP REINFORCEMENT LEARNING DALAM MENYELESAIKAN PROTEIN FOLDING PROBLEM MODEL HYDROPHOBIC-POLAR

Protein folding problem adalah masalah optimasi kombinatorial. Solusi optimal pada setiap permasalahan optimasi kombinatorial begitu sulit ditemukan, sehingga segala upaya untuk meningkatkan solusinya akan sangat bermanfaat. Protein folding problem bertujuan untuk memprediksi struktur protein, dan merupakan salah satu tujuan terpenting bagi peneliti di bidang bioinformatika dan bioteknologi. Pada penelitian ini, kami berfokus pada model bidimensional Hydrophobic-Polar (HP), dimana merupakan sebuah pemodelan matematika dari pelipatan protein yang telah terbukti sebagai masalah NP-complete. Sejauh ini, pendekatan reinforcement learning yang telah menyelesaikan masalah ini menggunakan nilai discount factor tinggi, sementara ada potensi bahwa nilai discount factor rendah dapat menghasilkan performa lebih baik. Kami menerapkan salah satu pendekatan reinforcement learning terbaru yang memungkinkan nilai discount factor rendah yaitu, Logarithmic DQN (LogDQN) dan mengusulkan arsitektur deep neural network sebagai function approximation. Hasil dari penelitian ini menunjukkan adanya potensi lebih baik dari penggunaan nilai discount factor rendah dalam model bidimensional HP. Pendekatan ini mengungguli DQN dalam menemukan nilai free energy minimum dengan waktu prediksi yang kurang dari satu detik.