farmakologi balik dan jejaring untuk ... dengan menggunakan jamu. penjelasan mekanisme molekular...
TRANSCRIPT
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
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
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
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-
dihidroksibenzoat -9.3059 6.915 1.22x10
-07 0.629
Berberina -7.8042 5.317 4.82x10-06
0.309
(-)-Secoisolariciresinol -9.5787 7.000 1.00x10-07
0.692
Fructose 1,6
biphospatase
CS 917* -9.6261 6.645 2.26x10-07
0.208
(-)-Secoisolariciresinol -10.8483 7.099 7.96x10-08
0.273
Aldose
reductase
Alrestatin* -10.7992 2.684 2.07x10-03
0.141
Asam 3,4-
dihidroksibenzoat -11.0185 7.300 5.01x10
-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
(-)-Secoisolariciresinol -6.7803 8.349 4.48x10-09
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
(-)-Secoisolariciresinol -11.3034 16.872 1.34x10-17
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].
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.
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
Urtica dioica L. 72744980 menurunkan kadar glukosa darah puasa
Urtica dioica L. 72744980 menurunkan HbA1c
Urtica dioica L. 72744980 menurunkan kadar glukosa postprandial
Urtica dioica L. 14524462 menurunkan kadar glukosa darah puasa
Urtica dioica L. 14524462 menurunkan HbA1c
Urtica dioica L. 14524462 menurunkan kadar glukosa postprandial
Urtica dioica L. 8487 menurunkan kadar glukosa darah puasa
Urtica dioica L. 8487 menurunkan HbA1c
Urtica dioica L. 8487 menurunkan kadar glukosa postprandial
Urtica dioica L. 5312830 menurunkan kadar glukosa darah puasa
Urtica dioica L. 5312830 menurunkan HbA1c
Urtica dioica L. 5312830 menurunkan kadar glukosa postprandial
Urtica dioica L. 9976812 menurunkan kadar glukosa darah puasa
Urtica dioica L. 9976812 menurunkan HbA1c
Urtica dioica L. 9976812 menurunkan kadar glukosa postprandial
Urtica dioica L. 5320252 menurunkan kadar glukosa darah puasa
Urtica dioica L. 5320252 menurunkan HbA1c
Urtica dioica L. 5320252 menurunkan kadar glukosa postprandial
Urtica dioica L. 13523787 menurunkan kadar glukosa darah puasa
Urtica dioica L. 13523787 menurunkan HbA1c
Urtica dioica L. 13523787 menurunkan kadar glukosa postprandial
Urtica dioica L. 71307332 menurunkan kadar glukosa darah puasa
Urtica dioica L. 71307332 menurunkan HbA1c
Urtica dioica L. 71307332 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 70702327 (Acarbose) 17756777
Diabetes 70702327 (Acarbose) 24761797
Diabetes 70702327 (Acarbose) 59701766
Diabetes 70702327 (Acarbose) 41774
Diabetes 16088021 (Alogliptin) 66697752
Diabetes 16088021 (Alogliptin) 66563638
Diabetes 4091 (Metformin) 14219
Diabetes 4091 (Metformin) 45039708
Diabetes 4091 (Metformin) 45039707
Diabetes 4091 (Metformin) 23615830
Diabetes 4091 (Metformin) 60003225
Penanda Diabetes 77999 (Rosiglitazone) 9848209
Penanda Diabetes 77999 (Rosiglitazone) 23692351
Penanda Diabetes 77999 (Rosiglitazone) 25225107
Penanda Diabetes 77999 (Rosiglitazone) 25225106
Penanda Diabetes 77999 (Rosiglitazone) 25225105
Penanda Diabetes 77999 (Rosiglitazone) 9824420
Penanda Diabetes 77999 (Rosiglitazone) 9821273
Penanda Diabetes 77999 (Rosiglitazone) 9801750
Penanda Diabetes 77999 (Rosiglitazone) 23663533
Blumea balsamifera 72 72
Blumea balsamifera 72 10678455
Blumea balsamifera 72 10534893
Blumea balsamifera 72 434929
Blumea balsamifera 72 24211997
Blumea balsamifera 66654 66654
Blumea balsamifera 66654 46702131
Blumea balsamifera 5320945 5320945
Blumea balsamifera 5320945 57520536
Blumea balsamifera 5320945 57520535
Tinospora crispa 65373 11646293
Tinospora crispa 65373 586372
Tinospora crispa 8340 2353
Tinospora crispa 8340 160800
Tinospora crispa 8340 155375
... 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-
dihidroksibenzoat -13.8364 10.808 1.56x10
-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
(-)-Secoisolariciresinol -7.9999 6.924 1.19x10-07
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-
dihidroksibenzoat -9.3059 6.915 1.22x10
-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
(-)-Secoisolariciresinol -9.5787 7.000 1.00x10-07
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
(-)-Secoisolariciresinol -10.8483 7.099 7.96x10-08
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-
dihidroksibenzoat -11.0185 7.300 5.01x10
-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
(-)-Secoisolariciresinol -6.7803 8.349 4.48x10-09
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
(-)-Secoisolariciresinol -11.3034 16.872 1.34x10-17
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.