farmakologi balik dan jejaring untuk ... dengan menggunakan jamu. penjelasan mekanisme molekular...

FARMAKOLOGI BALIK DAN JEJARING UNTUK

PENCARIAN SENYAWA AKTIF DARI JAMU

ANTIDIABETES

NURULITA SARI

DEPARTEMEN KIMIA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2014

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*

Dengan ini saya menyatakan bahwa skripsi berjudul Farmakologi Balik dan

Jejaring untuk Pencarian Senyawa Aktif dari Jamu Antidiabetes adalah benar

karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam

bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang

berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari

penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di

bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.

Bogor, September 2014

Nurulita Sari

NIM G44100040

ABSTRAK

NURULITA SARI. Farmakologi Balik dan Jejaring untuk Pencarian Senyawa

Aktif dari Jamu Antidiabetes. Dibimbing oleh RUDI HERYANTO dan FARIT

MOCHAMAD AFENDI.

Salah satu upaya untuk mengobati diabetes adalah dengan menggunakan

jamu. Penjelasan mekanisme molekular dari senyawa tanaman obat (jamu) berupa

interaksinya dengan protein target masih perlu dikembangkan. Penelitian ini

bertujuan menemukan senyawa aktif potensial tanaman obat antidiabetes dan

mekanisme penghambatan molekular senyawa tersebut serta mengecek potensi

tanaman formula jamu sembung, jahe, bratawali, dan pare sebagai antidiabetes

melalui kajian farmakologi balik dan jejaring. Senyawa potensial antidiabetes dan

mekanisme molekular ditemukan dengan menganalisis jejaring yang terbentuk

antara senyawa tanaman uji klinis, senyawa penuntun standar antidiabetes, dan

senyawa tanaman formula jamu. Terdapat 10 senyawa potensial yang diperoleh

dari jejaring kemudian dievaluasi drug-likeness menggunakan aturan rule of five.

Hasil evaluasi adalah 8 senyawa memenuhi aturan tersebut, selanjutnya

dikonfirmasi aktivitasnya terhadap target melalui penambatan molekular. Hasil

penambatan menunjukkan senyawa asam 3,4-dihidroksibenzoat, berberina, dan (-

)-sekoisolarikiresinol memiliki afinitas lebih baik dibandingkan dengan standar

inhibitor protein target, sehingga ketiga senyawa tersebut memiliki potensi untuk

berperan dalam pengobatan diabetes.

Kata kunci: antidiabetes, farmakologi balik, farmakologi jejaring, jamu

ABSTRACT

NURULITA SARI. Reversed and Network Pharmacology for Searching Active

Compounds of Antidiabetic Herbal Medicines. Supervised by RUDI

HERYANTO and FARIT MOCHAMAD AFENDI.

One of the attempts to treat diabetes is by using herbal medicines. The

explanation of molecular mechanism from medicinal plant (herb) compounds such

as their interaction with target proteins still to be developed. The aims of the

research are to find potential active compounds from antidiabetic medicinal plants,

to find their molecular mechanism of inhibition, and to check potentiality of

herbal formula plants as antidiabetic through study of reversed and network

pharmacology. Antidiabetic potential compounds and molecular mechanism were

discovered by analyzing networks formed between compounds of clinical trial

plants, lead compounds such as antidiabetic standards, and compounds of herbal

formula plants. There are 10 potential compounds obtained from networks and

further evaluated for their drug-likeness using the rule of five. The evaluation

revealed 8 compounds that meet the rule and further confirmed their activity on

the target through molecular docking. The result of docking showed that 3,4-

dihydroxybenzoic acid, berberine, and (-)-secoisolariciresinol gave better affinity

than that of the target protein‟s inhibitor standard, thus these compounds are

potential to play a role in the treatment of diabetes.

Keywords: antidiabetic, herbs, network pharmacology, reversed pharmacology

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Sains

pada

Departemen Kimia

FARMAKOLOGI BALIK DAN JEJARING UNTUK

PENCARIAN SENYAWA AKTIF DARI JAMU

ANTIDIABETES

NURULITA SARI

DEPARTEMEN KIMIA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2014

Judul Skripsi : Farmakologi Balik dan Jejaring untuk Pencarian Senyawa Aktif

dari Jamu Antidiabetes

Nama : Nurulita Sari

NIM : G44100040

Disetujui oleh

Rudi Heryanto, SSi, MSi

Pembimbing I

Dr Farit Mochamad Afendi, MSi

Pembimbing II

Diketahui oleh

Prof Dr Dra Purwantiningsih Sugita, MS

Ketua Departemen

Tanggal Lulus:

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah SWT atas segala karunia-

Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam

penelitian yang dilaksanakan sejak bulan maret 2014 sampai agustus 2014 ini

ialah bioinformatika jamu, dengan judul Farmakologi Balik dan Jejaring untuk

Pencarian Senyawa Aktif dari Jamu Antidiabetes.

Terima kasih penulis ucapkan kepada Bapak Rudi Heryanto, SSi, MSi dan

Bapak Dr Farit Mochamad Afendi, MSi selaku pembimbing. Di samping itu,

penghargaan penulis sampaikan kepada Bapak Aryo Tedjo, SSi, MSi dari

Departemen Kimia Fakultas Kedokteran UI yang telah banyak memberikan

arahan, bimbingan, dan waktu selama penelitian ini, serta Adani yang telah

banyak membantu selama pengumpulan data serta diskusi penelitian. Ungkapan

terima kasih juga disampaikan kepada Ibu, Kakak, serta seluruh keluarga, atas doa

dan dukungannya.

Semoga karya ilmiah ini bermanfaat.

Bogor, September 2014

Nurulita Sari

DAFTAR ISI

DAFTAR TABEL vi

DAFTAR GAMBAR vi

DAFTAR LAMPIRAN vi

PENDAHULUAN 1

METODE 2

Alat 2

Metode Penelitian 2

HASIL DAN PEMBAHASAN 5

Pengumpulan Data dan Pembuatan Jejaring 5

Pengamatan Hubungan Jejaring 7

Evaluasi Drug-likeness 8

Preparasi Protein Target dan Ligan 9

Optimasi Geometri dan Minimisasi Energi pada Protein dan Ligan 10

Penambatan Protein Target Terhadap Ligan 11

SIMPULAN DAN SARAN 16

Simpulan 16

Saran 16

DAFTAR PUSTAKA 16

LAMPIRAN 19

RIWAYAT HIDUP 33

DAFTAR TABEL

1 CID senyawa yang diperoleh dari hasil pengamatan jejaring yang

diduga mempunyai efek sebagai antidiabetes 7

2 Evaluasi drug-likeness untuk 10 CID senyawa hasil pengamatan

jejaring 9

3 Hasil penambatan ligan dengan protein target diabetes 13

4 Ikatan hidrogen dan residu asam amino protein target dengan ligan 14

DAFTAR GAMBAR

1 Contoh hasil pengamatan jejaring merged 2 8

2 Struktur 3 dimensi protein DPP-4 (a) dan alogliptin (b) 10

3 Contoh protein target PPAR-gamma sebelum optimasi (a) dan sesudah

optimasi (b) 11

4 Contoh penambatan pada protein PPAR-gamma dengan pioglitazone

(a) dan (-)-secoisolariciresinol (b) 12

5 Interaksi PPAR-gamma dengan pioglitazone (a) dan (-)-

secoisolariciresinol (b) 15

DAFTAR LAMPIRAN

1 Bagan alir penelitian 19 2 Data mining 20 3 File berisi tanaman dan CID senyawa dalam tanaman 21 4 File berisi tanaman, CID senyawa dalam tanaman, dan efeknya 22 5 File berisi CID senyawa lead dan CID kemiripannya 23 6 Jejaring antara tanaman dan CID senyawa tanaman 24 7 Jejaring antara CID senyawa tanaman dan efeknya 25 8 Jejaring merged 1 (tanaman-CID senyawa tanaman-efek) 26 9 Jejaring antara CID senyawa lead dan CID kemiripannya 27

10 Jejaring merged 2 (tanaman, CID senyawa tanaman, efek, CID senyawa

lead, dan CID kemiripan senyawa lead) 28 11 Hasil optimasi dan minimisasi protein target dan ligan berupa standar

inhibitor dan senyawa potensial 29 12 Hasil penambatan protein target dengan ligan standar inhibitor dan 8

senyawa potensial dugaan 30 13 Hasil penambatan protein target dengan ligan standar inhibitor dan 3

ligan senyawa potensial terbaik 31

PENDAHULUAN

Peningkatan aktivitas dan perkembangan pola hidup yang mengarah pada

kebiasaan serba praktis akan menyebabkan tubuh lebih mudah terserang penyakit.

Penyakit tersebut digolongkan sebagai penyakit akibat terganggunya metabolisme

tubuh seseorang, salah satunya adalah Diabetes Melitus. Diabetes Melitus (DM)

merupakan penyakit metabolik yang dicirikan oleh tingginya kadar glukosa dalam

darah. Penyakit ini adalah salah satu penyakit kondisi kronis yang dapat diderita

seumur hidup dan memiliki komplikasi (menyebabkan terjadinya penyakit lain).

Hal ini berkaitan dengan kadar gula darah yang tinggi secara terus menerus,

sehingga berakibat pada rusaknya pembuluh darah, saraf, dan struktur internal

lainnya (Sari 2010). Badan Kesehatan Dunia, WHO (World Health Organization)

menyebutkan bahwa pada tahun 2003 tercatat jumlah penderita diabetes berusia

20-79 tahun dari 3.8 milyar penduduk dunia adalah sebesar 194 juta jiwa dan

diperkirakan jumlahnya akan meningkat menjadi 333 juta jiwa pada tahun 2025.

Sementara itu, di Indonesia jumlah penderita diabetes menempati urutan keempat

di dunia setelah Amerika Serikat, India, dan Cina dengan jumlah penderita

mencapai lebih dari 13 juta jiwa (Depkes 2005).

Banyak upaya yang dilakukan untuk mengatasi diabetes, mulai dari

pengaturan pola makan dan olah raga yang teratur, hingga penggunaan obat-

obatan antidiabetes sintetik atau bahkan melakukan suntikan insulin. Obat herbal

berupa jamu muncul sebagai alternatif obat sintetik. Jamu dipilih karena dianggap

alami dan tidak memiliki efek samping yang berbahaya karena dibuat dari

tanaman-tanaman dengan komposisi tertentu untuk menghasilkan khasiat tertentu.

Indonesia memiliki kekayaan tanaman obat dan ramuan jamu dari berbagai suku

yang tersebar di berbagai wilayah Indonesia. Riset kesehatan dasar (Riskesdas)

tahun 2010, menunjukkan bahwa 49.53% penduduk Indonesia menggunakan jamu

baik untuk menjaga kesehatan maupun untuk pengobatan karena sakit (Siswanto

2012).

Beberapa tanaman obat yang dipercaya dan telah diuji aktivitas senyawa

aktifnya sebagai antidiabetes, antara lain sambiloto (Andrographis paniculata),

mahkota dewa (Phaleria macrocarpa), pare (Momordica charantia), dan

mengkudu (Morinda citrifolia) (Harmanto 2009). Soetarno et al. (1999) melalui

penelitiannya pada tikus diabetes menyatakan bahwa andrographolide dalam

ekstrak herba sambiloto pada dosis 0.5 g/kgBB ekstrak etanol dan air

menunjukkan aktivitas menurunkan kadar gula dalam darah (hipoglikemik).

Adapun melalui penelitian yang dilakukan Nurishmaya (2014) diperoleh

formulasi jamu baru yang terdiri dari tanaman pare, sembung, jahe, dan bratawali

yang memiliki khasiat hipoglikemik setelah diuji menggunakan ikan zebra sebagai

hewan model.

Penelitian mengenai bioaktivitas atau analisis komponen senyawa aktif yang

terdapat dalam tanaman obat (jamu) telah banyak dilakukan bahkan telah

terdokumentasi dengan baik dalam suatu pangkalan data bioinformatika. Namun,

penjelasan detail mengenai mekanisme kerja secara molekular dan aktivitas

farmakologi dari masing-masing senyawa yang terkandung dalam tanaman obat

tersebut serta interaksi antarsenyawa atau interaksi dengan target dalam tubuh

masih perlu dikembangkan. Selain itu, tanaman obat mempunyai banyak

2

komponen senyawa kimia atau disebut dengan multikomponen. Pengujian

masing-masing senyawa membutuhkan biaya yang besar dan waktu yang lama

sehingga tidak efektif dan efisien. Oleh karena itu dilakukan pencarian senyawa

potensial dari berbagai tanaman obat antidiabetes. Pencarian tersebut dapat

dilakukan secara in silico melalui studi bioinformatika menggunakan pendekatan

farmakologi balik dan farmakologi jejaring.

Farmakologi balik merupakan suatu strategi penemuan obat yang

berlandaskan prinsip „clinics to laboratory‟. Evaluasi klinis melalui data mining

dari pangkalan data diprioritaskan di awal, kemudian dilakukan studi eksplorasi

mengenai interaksi obat dan studi praklinis, selanjutnya studi eksperimental untuk

validasi hubungan antara keamanan dan efikasi (Khrisna et al. 2013). Tahap studi

eksplorasi, yaitu hubungan antarsenyawa, baik dengan senyawa lead diabetes

maupun dengan kemiripannya yang dapat dilakukan dengan cara membuat

jejaring farmakologi menggunakan perangkat lunak Cytoscape. Farmakologi

jejaring melibatkan penerapan analisis jejaring untuk menentukan protein yang

berperan dalam suatu penyakit kemudian mengidentifikasi molekul yang mampu

menargetkan protein tersebut (Zhang et al. 2013). Kemiripan juga dicari pada

senyawa-senyawa yang terdapat dalam tanaman formula jamu antidiabetes, yaitu

pare, sembung, jahe, dan bratawali, untuk melihat potensi tanaman formula jamu

tersebut. Hasil yang akan diperoleh berupa identifikasi senyawa dalam tanaman

pangkalan data PubMed yang terhubung dengan senyawa lead atau dengan

kemiripannya. Pembuktian senyawa yang berpotensi sebagai antidiabetes dapat

dilakukan dengan pengujian drug-likeness dan penambatan molekular

menggunakan perangkat lunak MOE. Sehingga dalam penelitian ini, kajian

farmakologi balik dan farmakologi jejaring digunakan sebagai langkah awal

penemuan senyawa aktif dari tanaman obat yang paling potensial sebagai

antidiabetes.

METODE

Alat

Alat-alat yang digunakan ialah seperangkat laptop Acer Aspire 4741G dengan

spesifikasi Intel® Core i3-350M processor (2.26 GHz, 3MB L3 cache), RAM 1 GB

DDR3 Memory, modem AHAmytv, sistem operasi Microsoft Windows 8 dengan

peramban Google Chrome 7, program daring National Center for Biotechnological

Information (NCBI), Take Out “Jamu” of Knapsack, Dictionary of Natural

Products CHEMnetBASE, ChemMine Tools, Potential Drug Target Database

(PDTD), perangkat lunak Cytoscape, dan MOE 2008.10.

Metode Penelitian

Penelitian diawali dengan melakukan pendekatan farmakologi balik.

Pertama, dilakukan pencarian data uji klinis tanaman, senyawa aktif, dan efeknya

dari pangkalan data yang tersedia di Pubmed sebagai data mining. Senyawa aktif

yang terdapat dalam tanaman juga diperoleh dari pangkalan data Take Out “Jamu”

3

of Knapsack dan Dictionary of Natural Products CHEMnetBASE. Selain itu,

dilakukan pula pencarian senyawa penuntun (lead) yang berkaitan dengan

penyakit diabetes, penanda diabetes, dan senyawa aktif yang terdapat pada

tanaman formula jamu antidiabetes hasil penelitian Nurishmaya 2014, yaitu pare,

sembung, bratawali, dan jahe. Senyawa-senyawa lead tersebut dicari kemiripan

senyawanya (similarity) melalui situs ChemMine Tools. Dari data yang terkumpul

dibuat jejaring (networking) menggunakan perangkat lunak Cytoscape.

Selanjutnya, jejaring yang telah dibuat diamati keterhubungan antarsenyawa

sebagai langkah untuk menemukan senyawa aktif potensial antidiabetes.

Senyawa-senyawa yang berpotensi tersebut dilakukan pengujian drug-likeness

melalui ADME. Tahap terakhir yaitu dilakukan konfirmasi kebenaran senyawa

potensial sebagai antidiabetes dengan penambatan molekular melalui perangkat

lunak MOE 2008.10. Tahapan-tahapan ini dapat dilihat dalam Lampiran 1.

Data Mining

Proses data mining dilakukan dengan mencari dan mengumpulkan data

tanaman yang berpotensi sebagai antidiabetes yang telah diuji secara klinis

melalui pemanfaatan pangkalan data dari situs PubMed

(http://www.ncbi.nlm.nih.gov/pubmed/). Selain jenis tanaman, data yang

dikumpulkan adalah senyawa aktif dan efeknya. Senyawa aktif yang terdapat

dalam tanaman juga diperoleh dari pangkalan data Take Out “Jamu” of Knapsack

(http://kanaya.naist.jp/jamu/sdatalist_gk.jsp) dan http://dnp.chemnetbase.com/

dengan kata kunci nama latin tanaman. Setiap senyawa tersebut dicari nomor CID

(Compound Identifier) melalui https://pubchem.ncbi.nlm.nih.gov/ dengan kata

kunci nama senyawa aktif. Data seperti dosis, bentuk sediaan, toleransi, dan efek

samping dari obat biasanya sudah tersedia dalam jurnal yang dirujuk. Selain itu

dicatat pula PMID (nomor identitas) dari jurnal tersebut (Lampiran 2).

Senyawa lead dicari menggunakan kata kunci diabetes, penanda diabetes

(glukosa darah dan insulin), serta senyawa aktif yang terdapat pada tanaman

formula jamu antidiabetes hasil penelitian Nurishmaya (2014), yaitu pare

(Momordica charantia), sembung (Blumea balsamifera), bratawali (Tinospora

crispa), dan jahe (Zingiber officinale) pada situs NCBI dan KnapSack Jamu.

Selain nama senyawa, informasi yang dikumpulkan terkait senyawa adalah CID

senyawa tersebut. Senyawa-senyawa lead tersebut dicari kemiripan senyawanya

(similarity) melalui situs http://chemmine.ucr.edu/eisearch/query/.

Pencarian Kemiripan (Similarity) Senyawa Lead

SMILES dari setiap senyawa lead yang diperoleh dimasukkan ke dalam

kotak pencarian yang tersedia di situs ChemMine Tools. SMILES ini diperoleh

dari informasi yang tersedia dari masing-masing senyawa pada

https://PubChem.ncbi.nlm.nih.gov/ dengan melihat Compound Information.

Similarity cutoff yang dipilih adalah 0.9, max compounds return 100, dan

algorithm and database adalah EI algorithm. Hasil yang muncul dari pencarian

adalah CID senyawa-senyawa yang mempunyai kemiripan struktur dengan

senyawa lead.

Data-data yang diperoleh dikumpulkan dalam Excel sebagai persiapan untuk

membuat jejaring menggunakan perangkat lunak Cytoscape. Terdapat 3 file excel

yang digunakan untuk membuat jejaring, yaitu file berisi tanaman dan CID

http://www.ncbi.nlm.nih.gov/pubmed/

http://kanaya.naist.jp/jamu/sdatalist_gk.jsp

http://dnp.chemnetbase.com/

https://pubchem.ncbi.nlm.nih.gov/

http://chemmine.ucr.edu/eisearch/query/

https://pubchem.ncbi.nlm.nih.gov/

4

senyawa dalam tanaman (Lampiran 3), CID senyawa dalam tanaman dan efeknya

(Lampiran 4), serta CID senyawa lead dan CID kemiripannya (Lampiran 5).

Pembuatan jejaring (networking) menggunakan Cytoscape

Proses pembuatan jejaring dilakukan menggunakan Cyoscape dengan cara

memasukkan data yang terkumpul dalam Microsoft Excel melalui menu File

kemudian Import, Network, dan File database dipilih. Jejaring pertama yang

dibuat adalah jejaring tanaman-CID senyawa tanaman (Lampiran 6). Sehingga

source interaction dipilih berdasarkan tanaman, interaction type yaitu default

interaction, dan target interaction dipilih berdasarkan CID senyawa tanaman.

Jejaring kedua (Lampiran 7) adalah jejaring yang menghubungkan CID senyawa

tanaman (source) dengan efeknya (target). Kedua jejaring tersebut digabungkan

melalui menu Tools kemudian Merge Networks dan operasi yang dipilih adalah

union. Penggabungan jejaring tersebut akan menghasilkan jejaring baru (merged

1) yaitu jejaring tanaman-CID senyawa tanaman-efek (Lampiran 8). Jejaring

terakhir (Lampiran 9) yang dibuat adalah jejaring CID senyawa lead-CID

kemiripannya (similarity). Jejaring ini digabungkan dengan merged 1 melalui

langkah yang sama seperti penggabungan sebelumnya sehingga menghasilkan

jejaring baru (merged 2) yaitu jejaring yang menghubungkan tanaman, CID

senyawa tanaman, efek, CID senyawa lead, dan CID kemiripan senyawa lead

(Lampiran 10). Semua jejaring yang dibuat jenis visualisasinya dipilih

berdasarkan Current Visual Style yaitu default. Tahapan selanjutnya adalah

jejaring merged 2 diamati keterhubungan antarsenyawa sebagai langkah untuk

menemukan senyawa aktif potensial antidiabetes. Senyawa yang dipilih adalah

senyawa dalam tanaman pangkalan data PubMed yang terhubung, baik dengan

senyawa lead maupun dengan kemiripan senyawa lead.

Evaluasi Drug-likeness

Drug-likeness senyawa aktif potensial dievaluasi berdasarkan ADME

(absorpsi, distribusi, metabolisme, ekskresi). Adapun parameter yang digunakan

dalam ADME yaitu parameter Rule of Five dari Lipinski. Parameter tersebut

terdiri dari hidrogen donor < 5, hidrogen akseptor < 10, bobot molekul < 500

g/mol, dan koefisien partisi oktanol-air yaitu log P < 5. Setiap senyawa aktif

dalam tanaman obat mempunyai parameter tersebut yang dapat dilihat di dalam

pangkalan data PubChem (http://pubchem.ncbi.nlm.nih.gov/) dengan melihat

Chemical and Physical Properties senyawa tersebut.

Penambatan Molekular Menggunakan MOE 2008.10

Senyawa-senyawa yang memenuhi kriteria parameter ADME yang

diperoleh (senyawa aktif potensial) selanjutnya dikonfirmasi lanjut menggunakan

penambatan molekular (molecular docking). Penambatan molekular dilakukan

dengan menentukan protein penyebab penyakit diabetes terlebih dahulu. . Protein

tersebut dicari melalui situs Potential Drug Target Database (PDTD) yaitu

http://www.dddc.ac.cn/pdtd/search.php dengan memasukkan kata kunci nama

penyakit dalam kotak pencarian. Sekuens setiap protein dicari melaui situs NCBI.

Sekuens kemudian disejajarkan dengan menggunakan program Clustal W2 yang

diakses melalui situs http://www.ebi.ac.uk/inc/head.html. Hasil penyejajaran

ditafsirkan dengan nilai kesamaan asam amino yang paling tinggi dan protein

http://pubchem.ncbi.nlm.nih.gov/

http://www.dddc.ac.cn/pdtd/search.php

http://www.ebi.ac.uk/inc/head.html

5

tersebut digunakan sebagai protein target yang akan ditentukan struktur 3

dimensinya. Struktur 3 dimensi dicari secara pemodelan homologi dengan

menggunakan Swissmodel dengan format pdb yang dapat diakses melaui situs

http://swissmodel.expasy.org/. Selanjutnya optimisasi geometri dan minimisasi

energi struktur 3 dimensi protein penyebab diabetes dilakukan dengan format pdb

menggunakan perangkat lunak MOE. Atom hidrogen ditambahkan kemudian

dilakukan protonasi dengan program protonate 3D. Muatan parsial diatur dengan

menggunakan partial charge dan geometri dioptimisasi dengan medan gaya

MMFF94x. Saat optimisasi, protein disolvasi dalam fase gas dan dengan muatan

tetap. Optimisasi dilakukan dengan gradien akar rerata kuadrat (RMS) 0.05

kkal/Åmol dan parameter lain menggunakan patokan yang telah ada pada

perangkat lunak MOE.

Ligan yang digunakan untuk penambatan yaitu senyawa aktif yang

memenuhi kriteria parameter ADME (senyawa aktif potensial). Struktur 3 dimensi

ligan dirancang dengan menggunakan program MOE builder yang ada pada

perangkat lunak MOE atau dapat diunduh melalui situs Chemspider yang dapat

diakses gratis melalui www.chemspider.com. Optimisasi geometri dan minimisasi

energi struktur 3 dimensi ligan menggunakan perangkat lunak MOE. Ligan

disimpan dalam format .mol dan dibuka dalam bentuk database viewer.

Selanjutnya ligan di-wash dengan program compute, disesuaikan muatan

parsialnya, dan dioptimisasi menggunakan medan gaya MMFF94x. Ligan lalu

diminimisasi energinya dengan gradien RMS 0.001 kkal/Åmol. Parameter lainnya

sesuai dengan patokan yang ada. File hasil disimpan dalam format .mdb.

Proses penambatan diawali dengan preparasi dock file dengan menggunakan

program Compute-Simulation-Dock yang terdapat dalam perangkat lunak MOE

dengan sistem operasi Microsoft Windows 8. Metode penambatan menggunakan

triangle matcher dengan pengulangan pembacaan energi tiap posisi 10 kali.

Selanjutnya scoring function menggunakan London dG, refinement forcefield

dengan 1 kali pengulangan konfigurasi. Hasil penambatan molekular dapat dilihat

pada output dalam format viewer.mdb. Selanjutnya dilakukan analisis interaksi

ligan-protein meliputi energi bebas gibbs (ΔG), afinitas (pKi), tetapan inhibisi (Ki),

efisiensi, dan ikatan hidrogen. Senyawa aktif potensial terbaik dibandingkan

dengan senyawa standar inhibitor masing-masing protein target penyebab diabetes.

HASIL DAN PEMBAHASAN

Pengumpulan Data dan Pembuatan Jejaring

Pengumpulan data (data mining) uji klinis terhadap tanaman-tanaman obat

antidiabetes beserta senyawa aktif dan efeknya dilakukan melalui situs NCBI,

KnapSack Jamu, dan CHEMnetBASE. Tujuannya adalah untuk menemukan pola

atau hubungan yang berarti dengan memeriksa sekumpulan data yang besar

(Kusrini dan Luthfi 2009). Sebanyak 55 tanaman obat dari 90 PMID jurnal yang

sudah diuji secara klinis sebagai antidiabetes diperoleh melalui kata kunci

diabetes plant clinical trial yang diakses pada awal bulan Maret 2014 melalui

situs PubMed NCBI. Sementara itu, total senyawa aktif yang ditemukan dari

http://swissmodel.expasy.org/

http://www.chemspider.com/

6

tanaman-tanaman obat tersebut adalah 636 senyawa. Pemilihan data uji klinis

berdasarkan pada konsep farmakologi balik, yaitu mempelajari terlebih dahulu

pangkalan data eksperimental dari tanaman obat sehingga dapat memberi arahan

fungsional baru untuk mengurangi biaya, waktu, dan toksisitas dalam

pengembangan suatu obat (Patwardhan et al. 2008). Informasi efek tanaman obat

yang dikumpulkan dari PubMed sebagai antidiabetes secara umum adalah melalui

penurunan kadar glukosa darah, peningkatan sekresi serta sensitivitas insulin,

penurunan resistensi insulin, dan penurunan HbA1c.

Senyawa penuntun (lead) yang berkaitan dengan diabetes dicari melalui

PubChem NCBI dengan kata kunci diabetes dan penanda diabetes (glukosa darah

dan insulin). Senyawa lead ini digunakan sebagai senyawa standar yang

berhubungan dengan penyakit diabetes, seperti acarbose, rosiglitazone, dan

alogliptin. Ketiganya merupakan standar obat antidiabetes. Senyawa lead dicari

kemiripannya melalui situs ChemMine Tools. Semua senyawa yang terkumpul

ditampilkan dalam bentuk CID (Compound Identifier). Selain itu, senyawa-

senyawa aktif yang terdapat pada tanaman formula jamu hasil penelitian

Nurishmaya (2014), yaitu pare, sembung, bratawali, dan jahe, beserta

kemiripannya, dimasukkan pula ke dalam kategori senyawa lead. Dalam

penapisan molekul kecil, seperti senyawa aktif pada tanaman, pencarian

kemiripan senyawa perlu dilakukan untuk membandingkan dan memprioritaskan

senyawa lead yang tersedia terkait strukturnya (Backman et al. 2011). Pencarian

kemiripan struktur senyawa dengan ChemMine Tools dilakukan melalui metode

EI (embedding/indexing) algorithm. EI algorithm dikembangkan sebagai metode

yang efisien untuk mempercepat pencarian kemiripan struktur senyawa dan

pengelompokkan sejumlah data yang besar dengan menerapkan teknik embedding

dan indexing melalui penapisan yang sangat cepat. Pengelompokkan kemiripan

struktur senyawa berdasarkan pada deskriptor pasangan atom senyawa yang

kemudian digunakan untuk menghitung matriks kemiripan menurut fitur-fitur

umum dan unik pada setiap senyawa menggunakan koefisien Tanimoto. Koefisien

Tanimoto memiliki jangkauan dari 0 hingga 1 dengan nilai yang lebih tinggi

menunjukkan kemiripan yang lebih besar. Pasangan atom merupakan tipe

deskriptor struktural yang didefinisikan oleh jalur terpendek antara atom non-

hidrogen dalam senyawa. Setiap jalur dijelaskan oleh jenis atom dalam pasangan,

panjang jalur ikatan terpendek, jumlah elektron π, dan atom non-hidrogen yang

terikat pada senyawa (Cao et al. 2010).

Terdapat 3 file dalam excel yang digunakan untuk membuat jejaring, yaitu

file berisi tanaman uji klinis (PubMed) dan CID senyawa dalam tanaman, CID

senyawa dalam tanaman dan efeknya, serta CID senyawa lead dan CID

kemiripannya. Sehingga jejaring yang dihasilkan melalui perangkat lunak

Cytoscape adalah jejaring tanaman-CID senyawa tanaman, CID senyawa

tanaman-efek, merged 1 (tanaman-CID senyawa tanaman-efek), CID senyawa

lead-CID kemiripannya, dan merged 2 (tanaman-CID senyawa tanaman-efek-CID

senyawa lead-CID kemiripannya). Jejaring merged 1 merupakan data utama hasil

pengumpulan dari pangkalan data PubMed yang mengandung tanaman-tanaman

obat uji klinis beserta senyawa dan efeknya, sedangkan jejaring merged 2

merupakan keseluruhan data tanpa terkecuali. Jejaring merged 2 (Lampiran 10)

diamati keterhubungan antarsenyawa sebagai langkah untuk menemukan senyawa

aktif potensial antidiabetes. Senyawa yang dipilih adalah senyawa dalam tanaman

7

pangkalan data PubMed dan senyawa (beserta kemiripan) dari tanaman formula

jamu yang secara langsung terhubung dengan senyawa lead maupun secara tidak

langsung dengan kemiripan senyawa lead.

Pengamatan Hubungan Jejaring

Keterhubungan yang muncul pada jejaring merged 2 (Lampiran 10) adalah

beberapa senyawa pada jejaring CID senyawa lead-kemiripan (biru) dengan

senyawa aktif pada jejaring merged 1 (hijau). Senyawa-senyawa yang saling

terhubung diduga memiliki efek antidiabetes yang sama. Sebanyak 10 CID

senyawa diperoleh dari hasil pengamatan jejaring yang diduga mempunyai efek

sebagai antidiabetes. Sepuluh CID senyawa tersebut dapat dilihat pada Tabel 1.

Setelah diamati, 10 senyawa tersebut merupakan senyawa lead dan kemiripannya

yang berasal dari tanaman formula jamu. Tidak ada satupun CID senyawa pada

jejaring merged 1 dan senyawa-senyawa aktif pada tanaman formula jamu serta

kemiripannya yang terhubung dengan CID senyawa lead maupun dengan

kemiripan CID senyawa lead dengan kata kunci diabetes dan penanda diabetes.

Hal tersebut terlihat pada jejaring yang terpisah satu sama lain (Lampiran 10). Hal

ini mungkin saja terjadi karena cakupan data yang dikumpulkan kurang luas. Oleh

karena itu, dapat dikatakan bahwa penentuan senyawa potensial untuk pengobatan

diabetes melalui senyawa lead diabetes dan penanda diabetes serta kemiripan

struktur senyawa tidak bisa ditemukan.

Tabel 1 CID senyawa yang diperoleh dari hasil pengamatan jejaring yang diduga

mempunyai efek sebagai antidiabetes

Senyawa dari

jejaring Lead-

Similarity

Nama senyawa Tanaman formula

jamu

Terhubung

dengan senyawa dari jejaring

Merged 1

Nama senyawa Tanaman

pangkalan data

72 Asam 3,4-

dihidroksibenzoat

Blumea

balsamifera 72

Asam 3,4-

dihidroksibenzoat

Theobroma

cacao

6654 α-pinen Zingiber officinale 440968 1S,5S-(-)-α-pinen Prunus dulcis

8340 Berberina Tinospora crispa 2353 Berberina Coptis chinensis

14896 β-pinen Zingiber officinale 440967 (-)-β-pinen Prunus dulcis

44692 Likopena Momordica

charantia 44692 Likopena

Solanum

lycopersicum

65373 (-)-

Secoisolariciresinol Tinospora crispa 6336781

(+)-Secoisolariciresinol

Linum usitatissimum

66282 Metil alil sulfida Zingiber officinale 66282 Metil alil sulfida Allium sativum

439569 (-)-Borneol Blumea

balsamifera 64685 Borneol

Zingiber

officinale

638011 (E)-Sitral Zingiber officinale 638011 (E)-Sitral Allium sativum

6432744 (-)-β-Sitosterol Momordica

charantia 222284 (-)-β-Sitosterol Glycine max

Contoh hasil pengamatan jejaring dapat dilihat pada Gambar 1. CID

senyawa lead 8340 (biru) terhubung dengan CID senyawa 2353 pada merged 1.

Satu-satunya kemungkinan hubungan yang terjadi adalah melalui kemiripan

struktur. Dengan kata lain, salah satu kemiripan senyawa dari CID 8340 adalah

CID 2353. Jika ditelusur lebih lanjut, CID 2353 terhubung pada tanaman Coptis

8

chinensis (merah), efek meningkatkan sekresi insulin, menurunkan kadar glukosa

darah puasa, dan menurunkan kadar glukosa postprandial (ungu). Melalui

kumpulan data pada file excel diketahui bahwa CID 8340 merupakan salah satu

senyawa aktif pada tanaman formula jamu sembung. Hal yang diperoleh dari satu

contoh ini adalah senyawa aktif dengan CID 8340 pada tanaman sembung

mempunyai kemiripan struktur dengan CID senyawa 2353 pada Coptis chinensis,

sehingga secara tidak langsung CID 8340 diduga mempunyai efek antidiabetes

yang sama seperti CID 2353. Oleh karena itu, CID 8340 merupakan salah satu

senyawa yang diambil sebagai kandidat senyawa aktif potensial antidiabetes.

Evaluasi Drug-likeness

Langkah pertama dalam penemuan obat adalah menerapkan beberapa

metode penyaringan terhadap drug-like (kemiripan obat) untuk menghilangkan

senyawa non-drug dari pangkalan data tersedia yang kemudian fokus pada

senyawa drug-like saja (Shen et al. 2012). Drug-likeness dapat disimpulkan

sebagai keseimbangan antara sifat molekul (senyawa) yang mempengaruhi

farmakodinamik dan farmakokinetiknya, yaitu berupa absorspsi, distribusi,

metabolisme, dan ekskresi (ADME) di dalam tubuh manusia seperti obat. Sifat

molekul tersebut meliputi berat molekul, distribusi elektronik, hidrofobisitas,

ikatan hidrogen donor/akseptor, kelarutan, viskositas, dan sifat terkait lainnya

(Mishra et al. 2009). Metode yang digunakan untuk mengevaluasi drug-likeness

adalah aturan Rule of Five yang dikembangkan oleh Lipinski pada tahun 1996

Tanaman dari Pubmed CID senyawa dalam tanaman

efek CID senyawa lead dan kemiripannya

Gambar 1 Contoh hasil pengamatan jejaring merged 2

9

berdasarkan pengamatannya pada sebagian besar molekul obat yang ukurannya

relatif kecil dan bersifat lipofilik. Aturan ini menyatakan bahwa molekul yang

memiliki berat molekul > 500, log P > 5, hidrogen donor > 5, dan hidrogen

akseptor > 10 diprediksikan memiliki penyerapan yang buruk (Lipinski et al.

1996). Rule of Five menjelaskan sifat molekul yang terkait dengan farmakokinetik

molekul yang mengacu pada penyerapan, distribusi, metabolisme, dan ekskresi

(ADME) senyawa bioaktif dalam tubuh organisme tingkat tinggi (Mishra et al

2009).

Sepuluh CID senyawa yang diperoleh dari hasil pengamatan jejaring yang

diduga mempunyai efek sebagai antidiabetes dievaluasi drug-likeness dengan

melihat properti kimia dan fisika dari masing-masing senyawa. Tabel 2

menunjukkan hasil dari evaluasi drug-likeness. Terdapat 8 senyawa, dari 10

senyawa yang dievaluasi, yang memenuhi parameter dari aturan Rule of Five,

yaitu asam 3,4-dihidroksibenzoat, α-pinen, berberina, β-pinen, (-)-

secoisolariciresinol, metil alil sulfida, (-)-borneol, dan (E)-sitral. Maka, 8 senyawa

tersebut diduga memiliki sifat farmakokinetik yang cukup baik sebagai molekul

obat dalam tubuh manusia. Langkah selanjutnya adalah penambatan 8 senyawa

tersebut dengan protein target penyebab penyakit diabetes sebagai konfirmasi

kemampuan senyawa dalam berinteraksi dengan protein target.

Tabel 2 Evaluasi drug-likeness untuk 10 CID senyawa hasil pengamatan jejaring

Senyawa

Ke- Nama Senyawa CID

Σ Hidrogen

donor

Σ

Hidrogen

Akseptor

Log P BM

(g/mol)

1 Asam 3,4-

dihidroksibenzoat 72 3 4 1,1 154,12014

2 α-pinen 6654 0 0 2,8 136,23404

3 Berberina 8340 0 4 3,6 336,36122

4 β-pinen 14896 0 0 3,1 136,23404

5 Likopena 44692 0 0 15,6 536,87264

6 (-)-Secoisolariciresinol 65373 4 6 2,5 362,41684

7 Metil alil sulfida 66282 0 1 1,5 88,17132

8 (-)-Borneol 439569 1 1 2,7 154,24932

9 (E)-Sitral 638011 0 1 3,0 152,23344

10 (-)-β-Sitosterol 6432744 1 1 9,3 414,70670

Aturan Rule of Five : Σ Hidrogen donor < 5, Σ Hidrogen akseptor < 10, log P < 5, BM < 500 g/mol

Merah : tidak memenuhi aturan Rule of Five

Preparasi Protein Target dan Ligan

Penambatan molekular dilakukan dengan menentukan protein target yang

berperan dalam terjadinya penyakit diabetes terlebih dahulu. Protein tersebut

dicari melalui situs Potential Drug Target Database (PDTD) dengan kata kunci

diabetes. Sebanyak 37 protein target ditemukan, namun ada beberapa protein yang

disebut berulang. Dari protein target yang ada, dipilih 11 protein target yang

sudah mempunyai standar inhibitornya masing-masing. Sekuens protein target

10

tersebut diunduh dari NCBI kemudian setiap protein dilakukan penyejajaran

sekuens melalui program ClustalW2 untuk melihat perbedaan antarsekuens

protein dan untuk menentukan salah satu protein hasil penyejajaran yang akan

dijadikan target. Nilai paling tinggi dari penyejajaran sekuens digunakan sebagai

protein target yang akan ditentukan struktur 3 dimensinya dalam proses

penambatan molekular menggunakan situs Swissmodel. Protein diunduh dalam

format pdb, sementara ligan yang digunakan, yaitu standar inhibitor masing-

masing protein target dan 8 senyawa hasil evaluasi Rule of Five, diunduh dalam

format mol melalui situs Chemspider. Gambar 2 menunjukkan struktur 3 dimensi

dari salah satu protein target diabetes, yaitu DPP-4 dan standar inhibitornya

(alogliptin).

Optimasi Geometri dan Minimisasi Energi pada Protein dan Ligan

Protein target dan ligan yang sudah disiapkan dioptimasi geometri dan

diminimisasi energinya agar diperoleh struktur dan konformasi model yang lebih

stabil. Kestabilan struktur dapat dilihat melalui perubahan kalor pembentukan

(ΔHf) yang semakin kecil (Fitriasari et al. 2008). Proses optimasi diawali dengan melakukan wash setiap ligan pada database viewer MOE 2008.10 untuk

memperbaiki struktur ligan dan mengoreksi posisi atom hidrogen yang kurang

tepat. Optimasi ligan menggunakan MMFF94x (Merck Molecular Force Field

94x) yang sesuai untuk peptida, protein, DNA, dan drug-like molecules.

MMFF94x merupakan medan gaya yang banyak digunakan dalam biologi

komputasi karena penggunaannya yang lebih luas dibandingkan medan gaya lain

serta kepekaan yang cukup tinggi terhadap optimasi geometri protein dengan ligan

(Panigrahu et al. 2007). Selanjutnya ligan diminimisasi menggunakan energy

minimize dengan RMS gradien 0.001 kkal/Åmol. Nilai gradien yang digunakan

dipengaruhi oleh ukuran molekul. Semakin besar molekul, semakin besar pula

nilai gradien RMS-nya. Ligan memiliki bobot molekul yang lebih kecil dari

protein, sehingga gradien RMS yang digunakan lebih kecil.

(a) (b)

Gambar 2 Struktur 2 dimensi protein DPP-4 (a) dan alogliptin (b)

11

Optimasi geometri dan minimisasi energi pada protein diawali dengan

menambahkan atom hidrogen polar sehingga memunculkan kembali atom

hidrogen yang mungkin hilang pada saat kristalisasi dan dapat memengaruhi

interaksi penambatan seperti ikatan hidrogen. Protonasi dilakukan melalui

protonate 3D pada compute. Protonasi ini bertujuan mengubah protein ke dalam

bentuk ionisasinya sekaligus menentukan koordinat tiga dimensi untuk atom-atom

hidrogen dalam makromolekul. Selanjutnya, protein ditambahkan muatan

parsialnya dengan metode yang digunakan sama seperti ligan, yaitu MMFF94x,

dengan memilih current forcefield pada menu compute dan partial charges.

Penambahan muatan parsial dilakukan dengan tujuan untuk memastikan bahwa

muatan protein telah terprotonasi dengan tepat sesuai dengan kondisi alaminya

sehingga proses penambatan akan berjalan sesuai dengan keadaan nyata (Salim

2011). Minimisasi energi dilakukan dengan nilai gradien 0.05 kkal/Åmol yang

sesuai untuk protein dan medan gaya MMFF94x. Solvasi yang digunakan adalah

fase gas karena dalam penambatan molecular keadaan protein dibuat kaku

sehingga energi solvasi perlu dihilangkan (Fadilah 2010). Hasil optimasi protein

dan ligan pada Lampiran 11 menunjukkan ΔHf keduanya yang lebih kecil

daripada sebelum dioptimasi. Oleh karena itu, protein dan ligan telah siap untuk

ditambatkan. Contoh optimasi protein dapat dilihat pada Gambar 3.

Penambatan Protein Target Terhadap Ligan

Istilah ligan yang digunakan adalah standar inhibitor masing-masing protein

target dan 8 senyawa hasil evaluasi Rule of Five (9 ligan). Penambatan dilakukan

untuk memprediksi interaksi dan orientasi ikatan ligan terhadap protein target.

Proses penambatan juga dimanfaatkan untuk menyaring sejumlah kandidat

senyawa inhibitor sehingga diperoleh inhibitor terbaik (Teodore et al. 2001).

Setiap protein target ditambatkan dengan standar inhibitornya masing-masing dan

8 senyawa hasil evaluasi Rule of Five. Metode penempatan penambatan

menggunakan triangle matcher dengan jumlah maksimum evaluasi pose

(a) (b)

Gambar 3 Contoh protein target PPAR-gamma sebelum optimasi (a) dan

sesudah optimasi (b)

12

konformasi ligan dengan tapak aktif protein sebesar 10. Fungsi penilaian London

dG dipilih dengan berbasis pada medan gaya yang biasanya digunakan untuk

menghitung dua energi, yaitu energi interaksi ligan reseptor dan energi internal

ligan (Nylander 2007) sehingga dapat digunakan untuk mengestimasi nilai energi

bebas gibbs. Dalam proses penilaian, dilakukan retain tanpa duplikasi sebanyak 1

kali untuk mengatur banyaknya konformasi terbaik ligan yang akan

divisualisasikan.

Hasil proses penambatan berupa energi bebas gibbs (ΔG) menggambarkan

kekuatan ikatan antara protein dengan ligannya. Secara termodinamik, interaksi

ligan dan protein dapat terjadi apabila kompleks yang dihasilkan memiliki nilai

ΔG < 0. Semakin kecil nilai ΔG, semakin stabil ikatan ligan dengan reseptor

protein. Interaksi 9 ligan dengan 11 protein target yang berperan dalam terjadinya

diabetes menghasilkan nilai ΔG yang lebih kecil dari 0. Hasil ΔG dari 8 kandidat

senyawa potensial dibandingkan dengan ΔG dari standar inhibitor masing-masing

protein. Perbandingan nilai ΔG dapat dilihat pada Lampiran 12. Terdapat 3 ligan

(senyawa) yang secara umum memiliki ΔG lebih rendah atau hampir mendekati

nilai ΔG standar inhibitor. Ketiga senyawa tersebut adalah asam 3,4-

dihidroksibenzoat, berberina, dan (-)-secoisolariciresinol. Tabel 3 menunjukkan

kestabilan dan kekuatan interaksi pada kompleks protein-ligan dilihat dari nilai

ΔG. Sebagai contoh, pada protein target PPAR-gamma, nilai ΔG untuk asam 3,4-

dihidroksibenzoat, berberina, dan (-)-secoisolariciresinol lebih kecil dibandingkan

dengan standar inhibitor PPAR-gamma, yaitu pioglitazone yang telah terbukti

memiliki aktivitas antidiabetes. Hal ini menunjukkan bahwa ketiga senyawa

tersebut diduga memiliki potensi aktivitas yang lebih baik daripada standar

inhibitor dalam pengobatan diabetes melalui jalur protein PPAR-gamma. Gambar

4 menunjukkan hasil penambatan antara protein PPAR-gamma dengan ligan

standar inhibitor (pioglitazone) dan ligan senyawa (-)-secoisolariciresinol.

Sementara untuk protein α-glucosidase dan DPP-4, hanya senyawa berberina dan

(-)-secoisolariciresinol saja (dan sitral untuk α-glucosidase namun nilainya besar)

yang menghasilkan nilai ΔG. Meskipun nilainya lebih besar dari standar, namun

setidaknya kedua senyawa tersebut masih dapat berinteraksi dengan protein α-

glucosidase dan DPP-4 dibandingkan dengan senyawa lainnya (Lampiran 12).

(a) (b)

Gambar 4 Contoh penambatan pada protein PPAR-gamma dengan pioglitazone

(a) dan (-)-secoisolariciresinol (b)

13

Nilai afinitas (pKi) menggambarkan kemampuan ligan dalam mengikat

reseptor. Afinitas yang tinggi dihasilkan dari gaya intermolekul yang besar antara

ligan dan protein, begitupula sebaliknya dengan nilai afinitas yang kecil

(Harganingtyas 2011). Nilai Ki (konstanta inhibisi) menunjukkan konsentrasi dari

ligan. Hasil yang baik adalah dengan semakin kecilnya nilai Ki karena semakin

kecil konsentrasi ligan yang dibutuhkan untuk berinteraksi dengan protein target.

Secara eksperimental ΔG berhubungan langsung dengan konstanta inhibisi (Ki),

sesuai persamaan: ΔG= -RT ln Ki. Dengan demikian nilai ΔG ikatan dapat

digunakan untuk memprediksi kemampuan suatu senyawa untuk berinteraksi

dengan protein (Kartasasmita et al. 2009). Parameter efisiensi juga

memperlihatkan bahwa ketiga ligan senyawa potensial lebih efisien daripada

standar inhibitor dalam interaksinya dengan protein target diabetes. Nilai dari

parameter-parameter tersebut dapat dilihat pada Tabel 3.

Tabel 3 Hasil penambatan ligan dengan protein target diabetes

Protein Target Ligan ΔG

(kJ/mol)

Afinitas

(pKi) Ki (μM) Efisiensi

PKC beta type

Ruboxistaurin* -11.1709 8.408 3.91x10-09

0.240

Asam 3,4-

dihidroksibenzoat -13.8364 10.808 1.56x10

-11 0.983

TNF alpha

Thalidomide* -6.3511 4.365 4.32x10-05

0.230

Berberina -7.1579 6.407 3.92x10-07

0.256

(-)-Secoisolariciresinol -7.9999 6.924 1.19x10-07

0.266

PPAR gamma

Pioglitazone* -7.3952 6.233 5.85x10-07

0.249

Asam 3,4-


-07 0.629

Berberina -7.8042 5.317 4.82x10-06

0.309


0.692

Fructose 1,6

biphospatase

CS 917* -9.6261 6.645 2.26x10-07

0.208


0.273

Aldose

reductase

Alrestatin* -10.7992 2.684 2.07x10-03

0.141

Asam 3,4-


-08 0.664

α-Glucosidase Acarbose* -10.689 9.683 2.07x10

-10 0.220

Berberina -9.033 8.606 2.48x10-09

0.344

DPP-4 Alogliptin* -8.5215 10.138 7.28x10

-11 0.406


0.321

Glycogen

Phosporilase

CP 316819* -7.8317 11.984 1.04x10-12

0.292

Berberina -10.0357 13.576 2.65x10-14

0.367


0.444

PPAR-δ GW501516* -10.6641 7.466 3.42x10

-08 0.249

Berberina -10.6675 9.050 8.91x10-10

0.362

Keterangan : * Standar inhibitor

14

Beberapa interaksi ikatan yang terjadi pada kompleks protein dan ligan

dalam sistem biologi adalah ikatan hidrogen, ikatan ionik, interaksi van der waals,

dan interaksi hidrofobik. Ikatan hidrogen merupakan ikatan yang banyak terdapat

dalam sistem biologis dalam bentuk interaksi lemah antara suatu atom

elektronegatif (akseptor) dengan atom hidrogen yang terikat secara kovalen pada

atom yang lain (donor) (Yuwono 2005). Ikatan hidrogen (Tabel 4) pada kompleks

protein-ligan diidentifikasi menggunakan program interaction pada MOE.

Tabel 4 Ikatan hidrogen dan residu asam amino protein target dengan ligan

Protein Target Ligan Σ Ikatan H Residu asam amino

PKC beta type

Ruboxistaurin* 2 Glu 243, Gln 280

Asam 3,4-

dihidroksibenzoat 1 Asp 254

TNF alpha

Thalidomide* 1 Gly 223

Berberina 1 Arg 107

(-)-Secoisolariciresinol 3 Arg 106, Arg 106, Trp 103

PPAR-gamma

Pioglitazone* 1 Lys 347

Asam 3,4-

dihidroksibenzoat 3 Lys 347, Thr 344, Thr 344

Berberina 2 Ser 370, His 294

(-)-Secoisolariciresinol 5 Thr 344, Thr 344, Lys 347,

Lys 347, Glu 499

Fructose 1,6

biphospatase

CS 917* 3 Lys 51, Lys 51, Lys 73

(-)-Secoisolariciresinol 4 Arg 50, Arg 50, Lys 51, Asp

128

Aldose reductase

Alrestatin* 3 Lys 263, Lys 263, Lys 22

Asam 3,4-

dihidroksibenzoat 3

Thr A244, Glu A272, Arg

A269

α-Glucosidase

Acarbose* 8

Thr 764, Asp 741, Met 268,

Ser 270, Ser 270, Ser 272, Thr

271, Gln 255

Berberina 5 Arg 189, Arg 189, Tyr 340,

Arg 199, Arg 199

DPP-4 Alogliptin* 2 Lys B71, Tyr B70

(-)-Secoisolariciresinol 1 Gln B761

Glycogen

Phosporilase

CP 316819* 2 Lys 793, Lys 793

Berberina 1 Arg 593

(-)-Secoisolariciresinol 5 Glu 128, Tyr 186, Arg 50, Arg

50, Tyr 554

PPAR-δ GW501516* 2 Arg 150, Arg 160

Berberina 2 Asn 93, Asn 209

Keterangan: * Standar inhibitor

15

Secara umum, jumlah ikatan hidrogen menunjukkan kekuatan interaksi

protein dengan ligan yang selanjutnya memengaruhi nilai ΔG. Semakin banyak

jumlah ikatan hidrogen yang terbentuk menyebabkan semakin rendahnya energi

bebas gibbs, sehingga interaksi yang terjadi semakin kuat dan stabil. Namun, tidak

hanya jumlah ikatan hidrogen, melainkan jarak ikatan ligan-protein dan jenis

ikatan atau interaksi lain seperti ikatan hidrofobik dan interaksi van der waals

yang dapat memengaruhi kekuatan dan kestabilan interaksi (Fitriasari et al. 2008).

Sebagai contoh, dalam Tabel 4 interaksi protein target PPAR-gamma

dengan standar pioglitazone (ΔG= -7,3952 kJ/mol) terjadi melalui 1 ikatan

hidrogen yaitu residu asam amino Lys 347 dengan atom =O pada pioglitazone.

Sementara itu, PPAR-gamma yang berinteraksi dengan senyawa ligan (-)-

secoisolariciresinol (ΔG= -9,5787 kJ/mol) memiliki 5 ikatan hidrogen melalui

interaksi antara asam amino Thr 344 dengan atom O pada gugus (-OH), Thr 344

dengan atom O pada gugus (-OCH3), Lys 347 dengan atom O pada (-OCH3), Lys

347 dengan atom O pada (-OH), dan Glu 499 dengan atom O pada gugus (-OH).

Sehingga dapat dikatakan (-)-secoisolariciresinol lebih efektif dalam berinteraksi

dengan protein target PPAR-gamma dibandingkan pioglitazone. Kedua interaksi

tersebut ditunjukkan pada Gambar 6. Secara umum, hal demikian terjadi pula

pada 2 senyawa lain, yaitu asam 3,4-dihidroksibenzoat dan berberina. Disisi lain,

penambatan PKC-beta dengan standar ruboxistaurin menghasilkan 2 ikatan

hidrogen, sedangkan dengan asam 3,4-dihidroksibenzoat menghasilkan 1 ikatan

hidrogen, padahal ΔG dengan standar lebih besar daripada dengan asam 3,4-

dihidroksibenzoat. Hal ini menunjukkan besar kecilnya ΔG tidak hanya

ditentukan oleh jumlah ikatan hidrogen saja, tetapi bisa melalui faktor lain seperti

jenis interaksi lain dan jarak ikatan. Nilai ΔG beserta jumlah ikatan hidrogen dan

residu asam amino dari ketiga senyawa potensial terbaik selengkapnya dapat

dilihat pada Lampiran 13.

(a) (b)

Gambar 5 Interaksi PPAR-gamma dengan pioglitazone (a) dan

(-)-secoisolariciresinol (b)

16

SIMPULAN DAN SARAN

Simpulan

Pengamatan jejaring farmakologi melalui jejaring yang menghubungkan

tanaman, CID senyawa tanaman, efek, CID senyawa lead, dan CID kemiripannya

(merged 2) menghasilkan 10 senyawa yang saling terhubung melalui CID

senyawa lead dan kemiripan struktur dari tanaman formula jamu (pare, sembung,

bratawali, dan jahe). Tidak ditemukan senyawa dari tanaman PubMed atau

formula jamu yang terhubung menuju senyawa lead maupun kemiripan struktur

senyawa lead dengan kata kunci diabetes dan penanda diabetes. Dari 10 senyawa

tersebut diperoleh 8 senyawa yang memenuhi parameter Rule of Five, selanjutnya

ditambatkan terhadap 11 protein target yang berperan dalam terjadinya penyakit

diabetes. Penambatan molekular 8 senyawa aktif tersebut menghasilkan 3

kandidat senyawa bioaktif unggulan, yaitu asam 3,4-dihidroksibenzoat, berberina,

dan (-)-secoisolariciresinol. Berdasarkan parameter nilai ΔG, afinitas (pKi),

konstanta inhibisi (Ki), efisiensi, dan ikatan hidrogen, ketiga senyawa tersebut

secara umum lebih baik dalam berinteraksi dengan protein target diabetes

dibandingkan dengan senyawa standar inhibitornya. Oleh karena itu, senyawa

asam 3,4-dihidroksibenzoat, berberina, dan (-)-secoisolariciresinol merupakan

senyawa aktif yang diduga paling potensial sebagai antidiabetes yang berasal dari

tanaman formula jamu.

Saran

Perlu dilakukan pengumpulan data bioinformatika dengan cakupan yang

lebih luas, seperti penambahan kata kunci pencarian. Diperlukan pula identifikasi

protein target yang lebih spesifik untuk setiap efek antidiabetes agar diperoleh

mekanisme molekular yang jelas. Hasil penambatan yang diperoleh merupakan

prediksi secara komputasi. Oleh karena itu, diperlukan uji eksperimental untuk

mengevaluasi aktivitas senyawa terhadap protein target, seperti uji in vitro

maupun in vivo.

DAFTAR PUSTAKA

Backman TW, Cao Y, Girke T. 2011. ChemMine tools: an online service for

analyzing and clustering small molecules. Nucleic Acids Research. 39:

W486-91.

Cao Y, Jiang T, Girke T. 2010. Accelerated similarity searching and clustering of

large compound sets by geometric embedding and locality sensitive hashing.

Bioinformatics. 26(7): 953-959.

[Depkes]. Departemen Kesehatan. 2005. Jumlah penderita diabetes Indonesia

ranking ke-4 di dunia. [terhubung berkala].

http://www.depkes.go.id/index.php.html. [01 Februari 2014].

http://www.depkes.go.id/index.php.html

17

Fadilah. 2010. Penapisan senyawa bioaktif dari suku Zingiberaceae sebagai

penghambat neuraminidase virus Influenza A (H1N1) melalui pendekatan

docking [tesis]. Depok (ID): Departemen Kimia, Fakultas Matematika dan

Ilmu Pengetahuan Alam, Universitas Indonesia.

Fitriasari A, Wijayanti NK, Ismiyati N, Dewi D, Kundarto W, Sudarmanto BA,

Meiyanto E. 2008. Studi potensi kurkumin dan anlognya sebagai selective

estrogen receptor modulators (SERMs): docking pada reseptor estrogen beta.

Pharmacon. 9(1): 27-32.

Harganingtyas R. 2011. Modifikasi (1R, 2R, 3R, 5S)-(-)-Isopinocampheylamine

sebagai inhibitor M2 proton channel pada virus influenza A sub tipe H1N1

secara in silico [skripsi]. Depok (ID): Departemen Kimia, Fakultas

Matematika dan Ilmu Pengetahuan Alam, Universitas Indonesia.

Harmanto N. 2009. Menumpas Diabetes Mellitus Bersama Mahkota Dewa.

Jakarta: Agromedia Pustaka.

Kartasasmita RE, Herowati R, Harmastuti N, Gusdinar T. 2009. Docking turunan

kuersetin berdasarkan studi interaksi flavonoid terhadap enzim

siklooksigenase-2. Indo.J.Chem. 9(2): 297-302.

Khrisna P, Margarer TM, Revathi B, Brahmaiah B, Nama S, Desu PK. 2013.

Reverse pharmacology and systems approaches for drug discovery and

development. International Journal of Pharmaceutical Research and Bio-

Science. 2(3): 173-184.

Kusrini, Luthfi ET. 2009. Algoritma Data Mining. Yogyakarta: Andi Offse.

Lipinski CA, Lombardo F, Dominy BW, Feeney PJ. 1996. Experimental and

computational approaches to estimate solubility and permeability in drug

discovery and development settings. Advanced Drug Delivery Reviews. 46:

3-26.

Mishra H, Singh N, Lahiri T, Misra K. 2009. A comparative study on the

molecular descriptors for predicting drug-likeness of small molecules.

Biomedical Informatics Publishing Group.

Nurishmaya MR. 2014. Pendekatan bioinformatika formulasi jamu baru

berkhasiat antidiabetes dengan ikan zebra (Danio rerio) sebagai hewan

model [skripsi]. Bogor (ID): Departemen Kimia, Fakultas Matematika dan

Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Nylander E. 2007. Dock control: a new integrated software for design of

experiments and molecular docking: application to HIV-Protease inhibitors.

[terhubung berkala] http://www.cs.umu.se/education/examina/Report.pdf.

[22 Agustus 2014].

Panigrahi SK, Desiraju GR. 2007. Strong and weak hydrogen bonds in the

protein-ligand interface. Wiley Interscience. 67: 128-141.

Patwardhan B, Vaidya ADB, Chorghade M, Joshi SP. 2008. Reverse

pharmacology and systems approaches for drug discovery and development.

Current Bioactive Compounds. 4: 201-212.

Salim J. 2011. Modifikasi laninamivir sebagai inhibitor neuraminidase virus

influenza A sub tipe H1N1 [skripsi]. Depok (ID): Departemen Kimia,

Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Indonesia.

Sari N. 2010. Potensi buah makasar (Brucea javanica (L.) Merr) sebagai inhibitor

enzim α-glukosidase [skripsi]. Bogor (ID): Departemen Biokimia, Fakultas

Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

http://www.cs.umu.se/education/examina/Report.pdf

18

Shen M, Tian S, Li Y, Li Q, Xu X, Wang J, Hou T. 2012. Drug-likeness analysis

of traditional chinese medicines: property distribution of drug-like

compounds, non-drug-like compounds, and natural compounds from

traditional chinese medicines. Journal of Cheminformatics. 4: 31.

Siswanto. 2012. Saintifikasi jamu sebagai upaya terobosan untuk mendapatkan

bukti ilmiah tentang manfaat dan keamanan jamu. Buletin Penelitian Sistem

Kesehatan. 15(2): 203-211.

Soetarno S, Sukandar EY, Sukrasno, Yuwono A. 1999. Aktivitas hipoglisemik

ekstrak herba sambiloto (Andrographis paniculata). Jurnal Matematika dan

Sains. 4 (2): 62-69.

Teodore ML, Phillips GN, Kavraki LE. 2001. Molecular docking: a problem with

thousands of gedrees of freedom. International Conference on Robotics and

Automation; 2001 Mei 21-26; Seoul, Korea.

Yuwono T. 2005. Biologi Molekular. Jakarta: Erlangga.

Zhang G, Li Q, Chen Q, Su S. 2013. Network pharmacology: a new approach for

chinese herbal medicine research. Hindawi Publishing Corporation. ID 621423.

19

Lampiran 1 Bagan alir penelitian

Penyakit (Diabetes Melitus)

Tanaman Senyawa aktif Efek

CID

Networking

Pencarian

senyawa aktif

dari Kanaya

Jamu IPB dan

Chemnetbase

Tan-CID CID-Efek

Merge networks

Merged 1

(Tan-CID-Efek)

Lead : CID

(Diabetes, penanda diabetes,

tanaman dalam formula jamu)

Similarity : CID

Networking

CID Lead-CID Similarity

Merged 2 (Tan-CID-Efek-CID Lead-CID Similarity

Senyawa aktif potensial dugaan

Pengamatan keterhubungan jejaring

Pengujian Drug-likeness

Senyawa aktif potensial yang memiliki sifat farmakokinetik

Penambatan molekular

(MOE 2008.10)

Senyawa aktif potensial antidiabetes

Pencarian dan pengumpulan data

uji klinis dari PubMed

Merge networks

Pencarian

kemiripan

(chemmine)

20

Lampiran 2 Data mining

No. PMID Tanaman Simplisia Efek Target Fungsi

1. 24383328 Ficus

racemosa

ekstrak

kulit kayu

(100 mg;

15 hari)

menurunkan

tingkat glukosa

darah

- Terapi

2.

24273930 Urtica

dioica L.

ekstrak

daun (500

mg setiap

8 jam

selama 3

bulan)

menurunkan kadar

glukosa darah

puasa

α-

glukosidase Terapi

24273930 Urtica

dioica L.

ekstrak

daun (500

mg setiap

8 jam

selama 3

bulan)

menurunkan

HbA1c - Terapi

24273930 Urtica

dioica L.

ekstrak

daun (500

mg setiap

8 jam

selama 3

bulan)

menurunkan 2 jam

glukosa

postprandial

- Terapi

3.

23557933 Vitis

vinifera

ekstrak

anggur 8

mg selama

1 tahun

menurunkan ALP - Terapi

pendukung

23557933 Vitis

vinifera

ekstrak

anggur 8

mg selama

1 tahun

menurunkan IL-6 - Terapi

pendukung

23557933 Vitis

vinifera

ekstrak

anggur 8

mg selama

1 tahun

menurunkan

ekspresi sitokin

CCL3

CCL3 Terapi

pendukung

23557933 Vitis

vinifera

ekstrak

anggur 8

mg selama

1 tahun

menurunkan

ekspresi sitokin

IL-1β

IL-1β Terapi

pendukung

23557933 Vitis

vinifera

ekstrak

anggur 8

mg selama

1 tahun

menurunkan

ekspresi sitokin

TNF-α

TNF-α Terapi

pendukung

23557933 Vitis

vinifera

ekstrak

anggur 8

mg selama

1 tahun

meningkatkan

transkripsi LRRFI

P-1 dalam PBMCs

LRRFIP-1 Terapi

pendukung

... dan seterusnya

21

Lampiran 3 File berisi tanaman dan CID senyawa dalam tanaman

Tanaman Senyawa Aktif CID

Urtica dioica L. N-Tetracosanoyl 14653935

Urtica dioica L. Isotachioside 72744980

Urtica dioica L.

1-(4-Hydroxy-3-

methoxyphenyl)-1,2-

propanediol

14524462

Urtica dioica L. 3′-Hydroxyacetophenone 8487

Urtica dioica L. α-Dimorphecolic acid 5312830

Urtica dioica L. Neoolivil 9976812

Urtica dioica L. 14-Octacosanol 5320252

Urtica dioica L. 2,10-Pinanediol 13523787

Urtica dioica L. Stigmastane-3,6-diol 71307332

Vitis vinifera Resveratrol 445154

Lupinus mutabilis Ammodendrine 108191

Lupinus mutabilis 13-Angeloyloxylupanine 14109013

Lupinus mutabilis 13-Benzoyloxylupanine 6427212

Lupinus mutabilis trans-13-

Cinnamoyloxylupanine 6427219

Lupinus mutabilis cis-13-

Cinnamoyloxylupanine 6427217

Lupinus mutabilis 13-Tigloyloxylupanine 6427214

Lupinus mutabilis Nuttalline acetate 161417

Lupinus mutabilis 11-Isolupanine 119201

Lupinus mutabilis 4-Oxo-2,3-

didehydrosparteine 119038

Lupinus mutabilis Tetrahydrorhombifoline 73196906

Lupinus mutabilis 5,7-Dihydroxy-3′-

methoxyisoflavone 9882262

Lupinus mutabilis (+)-Sparteine 7014

Lupinus mutabilis (-)-Sparteine 644020

... dan seterusnya

22

Lampiran 4 File berisi tanaman, CID senyawa dalam tanaman, dan efeknya

Tanaman CID Efek

Urtica dioica L. 14653935 menurunkan kadar glukosa darah puasa

Urtica dioica L. 14653935 menurunkan HbA1c

Urtica dioica L. 14653935 menurunkan kadar glukosa postprandial

























Vitis vinifera 445154 menurunkan ALP

Vitis vinifera 445154 menurunkan IL-6

Vitis vinifera 445154 menurunkan ekspresi sitokin CCL3

Vitis vinifera 445154 menurunkan ekspresi sitokin IL-1β

Vitis vinifera 445154 menurunkan ekspresi sitokin TNF-α

Vitis vinifera 445154 meningkatkan transkripsi LRRFIP-1 dalam

PBMCs

Vitis vinifera 445154 downregulates microRNAs (miRs)

Vitis vinifera 445154 mencegah stres oksidatif

Vitis vinifera 445154 menurunkan resistensi insulin

Lupinus mutabilis 108191 menurunkan kadar glukosa darah

Lupinus mutabilis 108191 meningkatkan sensitivitas insulin

Lupinus mutabilis 108191 menurunkan resistensi insulin

... dan seterusnya

23

Lampiran 5 File berisi CID senyawa lead dan CID kemiripannya

Kata kunci Lead Lead Similarity

Diabetes 71307000 (Sitagliptin) 45040403

Diabetes 71307000 (Sitagliptin) 46782923

Diabetes 70702327 (Acarbose) 66563683





Diabetes 16088021 (Alogliptin) 66697752

Diabetes 16088021 (Alogliptin) 66563638

Diabetes 4091 (Metformin) 14219





Penanda Diabetes 77999 (Rosiglitazone) 9848209









Blumea balsamifera 72 72










Tinospora crispa 65373 11646293





... dan seterusnya

24

Lampiran 6 Jejaring antara tanaman dan CID senyawa tanaman

Keterangan : Tanaman dari PubMed CID senyawa dalam tanaman

25

Lampiran 7 Jejaring antara CID senyawa tanaman dan efeknya

Keterangan : efek CID senyawa dalam tanaman

26

Lampiran 8 Jejaring merged 1 (tanaman-CID senyawa tanaman-efek)

27

Lampiran 9 Jejaring antara CID senyawa lead dan CID kemiripannya

Keterangan : CID senyawa lead dan kemiripannya

28

Lampiran 10 Jejaring merged 2 (tanaman, CID senyawa tanaman, efek, CID

senyawa lead, dan CID kemiripan senyawa lead)

Tanaman dari Pubmed CID senyawa dalam tanaman

efek CID senyawa lead dan kemiripannya

29

Lampiran 11 Hasil optimasi dan minimisasi protein target dan ligan berupa

standar inhibitor dan senyawa potensial

Kelompok Nama protein atau senyawa

ΔHf (kkal/mol)

Sebelum

optimasi

Sesudah

optimasi

Protein target

PKC beta type 3041.6391 -12150.8411

TNF alpha 3239.3830 -9442.3520

PPAR gamma 6324.4725 -16616.7392

Fructose 1,6 biphospatase 7087.1115 -21073.7167

Tyrosine phospatase 1b 4905.1948 -16184.8735

Insulin Receptor 6385.1510 -21146.0907

Aldose reductase 7020.2231 -22797.6823

α-Glucosidase 24135.4226 -58254.0123

DPP-4 32831.2426 -150166.1148

Glycogen Phosporilase 18959.2556 -72950.1912

PPAR-δ 6065.7492 -17069.8735

Standar inhibitor

Ruboxistaurin 64169.1412 71.3908

Thalidomide 1831.6695 14.5704

Pioglitazone 2130.4380 54.3361

CS 917 178.5536 22.7103

TCS 401 67.2944 66.2364

Demethylasterriquinone B1 244.6879 172.7196

Alrestatin 91.4049 51.7453

Acarbose 6886.9038 163.4137

Alogliptin 132.5910 24.6581

CP 316819 151.9418 72.8345

GW501516 114.3527 88.3433

Senyawa potensial

asam 3,4-dihidroksibenzoat 193.6241 27.6422

α-pinen 35244.0675 33.1024

berberina 973.9895 97.1683

β-pinen 35086.8161 35.8929

(-)-secoisolariciresinol 4395.8898 86.8739

metil alil sulfida 94.3751 5.3670

(-)-borneol 16717.8219 55.6437

(E)-sitral 1396.5077 16.0029

Lampiran 12 Hasil penambatan protein target dengan ligan standar inhibitor dan 8 senyawa potensial dugaan

Protein Target Standar inhibitor

ΔG

standar

(kJ/mol)

ΔG senyawa (kJ/mol)

Asam 3,4-

dihidroksi

benzoat

α-pinen Berberina β-pinen

(-)-

Secoisolari

ciresinol

Metil alil

sulfida

(-)-

Borneol

(E)-

Sitral

PKC beta type Ruboxistaurin -11.1709 -13.8364 -6.3708 -9.1503 -5.3967 -9.2959 -4.5588 -7.2679 -6.3240

TNF alpha Thalidomide -6.3511 -6.0991 -5.2767 -7.1579 -5.1879 -7.9999 -5.0266 -5.2067 -6.5086

PPAR gamma Pioglitazone -7.3952 -9.3059 -4.7600 -7.8042 -5.3573 -9.5787 -4.3621 -5.4484 -4.9040

Fructose 1,6

biphospatase CS 917 -9.6261 -9.4968 -5.1121 -8.4894 -4.5787 -10.8483 -3.9661 -5.6122 -6.5863

Tyrosine phospatase

1b TCS 401 -13.4057 -9.9084 -4.5029 -7.5016 -4.7538 -9.3715 -5.4239 -5.4101 -5.5398

Insulin Receptor Demethylasterriquinone

B1 -15.7168 -10.8731 -6.3359 -11.6223 -6.7432 -10.8628 -5.2806 -7.4159 -7.5610

Aldose reductase Alrestatin -10.7992 -11.0185 -5.5403 -9.8345 -6.5452 -8.4315 -4.9242 -6.8353 -6.2894

α-Glucosidase Acarbose -10.689 - - -9.0330 - -8.5916 - - -4.0567

DPP-4 Alogliptin -8.5215 - - 32.3818 - -6.7803 - - -

Glycogen

Phosporilase CP 316819 -7.8317 - - -10.0357 - -11.3034 - - -4.6450

PPAR-δ GW501516 -10.6641 -8.6232 -6.1171 -10.6675 -5.5192 -9.2366 -5.1054 -5.9799 -6.5158

Keterangan : lebih kecil dari standar lebih besar dari standar tetapi mendekati nilai standar dibandingkan nilai senyawa lain

30

31

Lampiran 13 Hasil penambatan protein target dengan ligan standar inhibitor dan 3 ligan senyawa potensial terbaik

Protein Target Senyawa ΔG (kJ/mol) Afinitas (pKi) Ki (μM) Efisiensi Σ Ikatan

H Residu asam amino

PKC beta type

Ruboxistaurin -11.1709 8.408 3.91x10-09

0.240 2 Glu 243, Gln 280

asam 3,4-


-11 0.983 1 Asp 254

TNF alpha

Thalidomide -6.3511 4.365 4.32x10-05

0.230 1 Gly 223

Berberina -7.1579 6.407 3.92x10-07

0.256 1 Arg 107


0.266 3 Arg 106, Arg 106, Trp 103

PPAR gamma

Pioglitazone -7.3952 6.233 5.85x10-07

0.249 1 Lys 347

asam 3,4-


-07 0.629 3 Lys 347, Thr 344, Thr 344

Berberina -7.8042 5.317 4.82x10-06

0.309 2 Ser 370, His 294


0.692 5 Thr 344, Thr 344, Lys 347,

Lys 347, Glu 499

Fructose 1,6

biphospatase

CS 917 -9.6261 6.645 2.26x10-07

0.208 3 Lys 51, Lys 51, Lys 73


0.273 4 Arg 50, Arg 50, Lys 51, Asp

128

Aldose reductase

Alrestatin -10.7992 2.684 2.07x10-03

0.141 3 Lys 263, Lys 263, Lys 22

asam 3,4-


-08 0.664 3

Thr A244, Glu A272, Arg

A269

α-Glucosidase

Acarbose -10.6890 9.683 2.07x10-10

0.220 8

Thr 764, Asp 741, Met 268,

Ser 270, Ser 270, Ser 272, Thr

271, Gln 255

Berberina -9.0330 8.606 2.48x10-09

0.344 5 Arg 189, Arg 189, Tyr 340,

Arg 199, Arg 199

31

32

Lanjutan Lampiran 13

Protein Target Senyawa ΔG (kJ/mol) Afinitas (pKi) Ki (μM) Efisiensi Σ Ikatan

H Residu asam amino

DPP-4 Alogliptin -8.5215 10.138 7.28x10

-11 0.406 2 Lys B71, Tyr B70


0.321 1 Gln B761

Glycogen

Phosporilase

CP 316819 -7.8317 11.984 1.04x10-12

0.292 2 Lys 793, Lys 793

Berberina -10.0357 13.576 2.65x10-14

0.367 1 Arg 593


0.444 5 Glu 128, Tyr 186, Arg 50, Arg

50, Tyr 554

PPAR-δ GW501516 -10.6641 7.466 3.42x10

-08 0.249 2 Arg 150, Arg 160

Berberina -10.6675 9.050 8.91x10-10

0.362 2 Asn 93, Asn 209

32

RIWAYAT HIDUP

Penulis dilahirkan di Bogor pada tanggal 21 Agustus 1992 dan merupakan

anak ke-8 dari 8 bersaudara dari Bapak Memed (Alm) dan Ibu Masruroh. Tahun

2010 penulis lulus dari SMAN 1 Ciawi, Bogor dan pada tahun yang sama penulis

lulus seleksi masuk Institut Pertanian Bogor (IPB) melalui jalur undangan Seleksi

Masuk IPB (USMI) dan diterima di Departemen Kimia, Fakultas Matematika dan

Ilmu Pengetahuan Alam.

Selama kuliah di Institut Pertanian Bogor, penulis memperoleh beasiswa

Bidikmisi. Penulis aktif mengikuti organisasi SERUM-G (Serambi Ruhiyah

Mahasiswa FMIPA) IPB yaitu sebagai anggota divisi Social and Enviromental

dan berbagai kepanitiaan. Penulis juga memiliki pengalaman menjadi asisten

praktikum Kimia Analitik TA 2013/2014, asisten Kimia Analitik Layanan Biologi

TA 2013/2014, dan asisten Analisis Instrumental TA 2013/2014. Tanggal 1 Juli

sampai 31 Agustus 2013 penulis melaksanakan kegiatan Praktik Lapang di

Instalasi Kimia Fisika Zat Padat, B3, dan Instrumen Balai Besar Teknik

Kesehatan Lingkungan dan Pengendalian Penyakit Jakarta, dengan judul laporan

Verifikasi Metode Penentuan Kadar Kadmium dalam Air Limbah BBTKLPP

Menggunakan Spektrofotometer Serapan Atom.

farmakologi balik dan jejaring untuk ... dengan menggunakan jamu. penjelasan mekanisme molekular...

Documents