FARMAKOLOGI BALIK DAN JEJARING UNTUK PENCARIAN SENYAWA AKTIF DARI JAMU ANTIDIABETES NURULITA SARI

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 3,4dihydroxybenzoic 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

FARMAKOLOGI BALIK DAN JEJARING UNTUK PENCARIAN SENYAWA AKTIF DARI JAMU ANTIDIABETES

NURULITA SARI

Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains pada Departemen Kimia

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 karuniaNya 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 2 Evaluasi drug-likeness untuk 10 CID senyawa hasil pengamatan jejaring 3 Hasil penambatan ligan dengan protein target diabetes 4 Ikatan hidrogen dan residu asam amino protein target dengan ligan

7 9 13 14

DAFTAR GAMBAR 1 Contoh hasil pengamatan jejaring merged 2 2 Struktur 3 dimensi protein DPP-4 (a) dan alogliptin (b) 3 Contoh protein target PPAR-gamma sebelum optimasi (a) dan sesudah optimasi (b) 4 Contoh penambatan pada protein PPAR-gamma dengan pioglitazone (a) dan (-)-secoisolariciresinol (b) 5 Interaksi PPAR-gamma dengan pioglitazone (a) dan (-)secoisolariciresinol (b)

8 10 11 12 15

DAFTAR LAMPIRAN Bagan alir penelitian Data mining File berisi tanaman dan CID senyawa dalam tanaman File berisi tanaman, CID senyawa dalam tanaman, dan efeknya File berisi CID senyawa lead dan CID kemiripannya Jejaring antara tanaman dan CID senyawa tanaman Jejaring antara CID senyawa tanaman dan efeknya Jejaring merged 1 (tanaman-CID senyawa tanaman-efek) Jejaring antara CID senyawa lead dan CID kemiripannya Jejaring merged 2 (tanaman, CID senyawa tanaman, efek, CID senyawa lead, dan CID kemiripan senyawa lead) 11 Hasil optimasi dan minimisasi protein target dan ligan berupa standar inhibitor dan senyawa potensial 12 Hasil penambatan protein target dengan ligan standar inhibitor dan 8 senyawa potensial dugaan 13 Hasil penambatan protein target dengan ligan standar inhibitor dan 3 ligan senyawa potensial terbaik 1 2 3 4 5 6 7 8 9 10

19 20 21 22 23 24 25 26 27 28 29 30 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 obatobatan 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, senyawasenyawa 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 nonhidrogen 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 LeadSimilarity

Nama senyawa

Tanaman formula jamu

Terhubung dengan senyawa dari jejaring Merged 1

Nama senyawa

Tanaman pangkalan data

72

Asam 3,4dihidroksibenzoat

Blumea balsamifera

72

Asam 3,4dihidroksibenzoat

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

65373

(-)Secoisolariciresinol

Tinospora crispa

6336781

(+)Secoisolariciresinol

Solanum lycopersicum Linum usitatissimum

66282

Metil alil sulfida

Zingiber officinale

66282

Metil alil sulfida

Allium sativum

64685

Borneol

638011

(E)-Sitral

Zingiber officinale Allium sativum

222284

(-)-β-Sitosterol

Glycine max

439569

(-)-Borneol

638011

(E)-Sitral

6432744

(-)-β-Sitosterol

Blumea balsamifera Zingiber officinale Momordica charantia

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.

Tanaman dari Pubmed efek

CID senyawa dalam tanaman CID senyawa lead dan kemiripannya

Gambar 1 Contoh hasil pengamatan jejaring merged 2

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

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)

72

3

4

1,1

154,12014

2

Asam 3,4dihidroksibenzoat 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

1

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 masingmasing 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).

(a)

(b)

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

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.

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.

(a) Gambar 3

(b)

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

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

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 3,4dihidroksibenzoat, 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 3,4dihidroksibenzoat, 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 αglucosidase 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 PKC beta type

TNF alpha

Ligan

ΔG (kJ/mol)

Afinitas (pKi)

Ki (μM)

Efisiensi

Ruboxistaurin*

-11.1709

8.408

3.91x10-09

0.240

-13.8364

10.808

1.56x10-11

0.983

-05

0.230

Asam 3,4dihidroksibenzoat Thalidomide* Berberina (-)-Secoisolariciresinol

PPAR gamma

Fructose 1,6 biphospatase Aldose reductase α-Glucosidase DPP-4

Pioglitazone* Asam 3,4dihidroksibenzoat Berberina

4.32x10

6.407

3.92x10-07

0.256

6.924

1.19x10

-07

0.266

-07

0.249

-7.9999 -7.3952

6.233

5.85x10

-9.3059

6.915

1.22x10-07

0.629

-7.8042

5.317

4.82x10-06

0.309

-07

0.692

-9.5787

7.000

1.00x10

CS 917*

-9.6261

6.645

2.26x10-07

0.208

7.099

7.96x10

-08

0.273

2.07x10

-03

0.141

-08

0.664

(-)-Secoisolariciresinol

-10.8483

Alrestatin* Asam 3,4dihidroksibenzoat Acarbose* Berberina Alogliptin*

-10.7992

(-)-Secoisolariciresinol Berberina (-)-Secoisolariciresinol

PPAR-δ

4.365

-7.1579

(-)-Secoisolariciresinol

CP 316819* Glycogen Phosporilase

-6.3511

GW501516* Berberina

Keterangan : * Standar inhibitor

2.684

-11.0185

7.300

5.01x10

-10.689 -9.033 -8.5215

9.683 8.606 10.138

2.07x10-10 2.48x10-09 7.28x10-11

0.220 0.344 0.406

-6.7803

8.349

4.48x10-09

0.321

1.04x10

-12

0.292

2.65x10

-14

0.367

1.34x10

-17

0.444

3.42x10

-08

0.249

8.91x10

-10

0.362

-7.8317 -10.0357 -11.3034 -10.6641 -10.6675

11.984 13.576 16.872 7.466 9.050

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 PKC beta type

TNF alpha

PPAR-gamma

Fructose 1,6 biphospatase

Aldose reductase

Ligan

Σ Ikatan H

Residu asam amino

Ruboxistaurin*

2

Glu 243, Gln 280

1

Asp 254

1

Gly 223

Berberina

1

Arg 107

(-)-Secoisolariciresinol

3

Arg 106, Arg 106, Trp 103

Pioglitazone*

1

Lys 347

3

Lys 347, Thr 344, Thr 344

2

Ser 370, His 294

(-)-Secoisolariciresinol

5

Thr 344, Thr 344, Lys 347, Lys 347, Glu 499

CS 917*

3

(-)-Secoisolariciresinol

4

Alrestatin* Asam 3,4dihidroksibenzoat

3

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

Alogliptin*

2

Lys B71, Tyr B70

(-)-Secoisolariciresinol

1

Gln B761

CP 316819*

2

Lys 793, Lys 793

Berberina

1

Arg 593

(-)-Secoisolariciresinol

5

Glu 128, Tyr 186, Arg 50, Arg 50, Tyr 554

GW501516*

2

Arg 150, Arg 160

Berberina

2

Asn 93, Asn 209

Asam 3,4dihidroksibenzoat Thalidomide*

Asam 3,4dihidroksibenzoat Berberina

3

α-Glucosidase

Lys 51, Lys 51, Lys 73 Arg 50, Arg 50, Lys 51, Asp 128 Lys 263, Lys 263, Lys 22 Thr A244, Glu A272, Arg A269

DPP-4

Glycogen Phosporilase

PPAR-δ

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 3,4dihidroksibenzoat. 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 BioScience. 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) Pencarian dan pengumpulan data uji klinis dari PubMed

Tanaman

Senyawa aktif

Pencarian senyawa aktif dari Kanaya Jamu IPB dan Chemnetbase

Efek

Lead : CID (Diabetes, penanda diabetes, tanaman dalam formula jamu)

CID Pencarian kemiripan (chemmine)

Networking

Tan-CID

CID-Efek

Similarity : CID Networking

Merge networks Merged 1 (Tan-CID-Efek)

CID Lead-CID Similarity

Merge networks Merged 2 (Tan-CID-Efek-CID Lead-CID Similarity Pengamatan keterhubungan jejaring Senyawa aktif potensial dugaan Pengujian Drug-likeness Senyawa aktif potensial yang memiliki sifat farmakokinetik Penambatan molekular (MOE 2008.10) Senyawa aktif potensial antidiabetes

20 Lampiran 2 Data mining No.

PMID

Tanaman

1.

24383328

Ficus racemosa

24273930

Urtica dioica L.

24273930

Urtica dioica L.

24273930

Urtica dioica L.

23557933

Vitis vinifera

23557933

Vitis vinifera

2.

Efek

Target

Fungsi

menurunkan tingkat glukosa darah

-

Terapi

menurunkan kadar glukosa darah puasa

αglukosidase

Terapi

menurunkan HbA1c

-

Terapi

menurunkan 2 jam glukosa postprandial

-

Terapi

menurunkan ALP

-

Terapi pendukung

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

3.

Simplisia ekstrak kulit kayu (100 mg; 15 hari) ekstrak daun (500 mg setiap 8 jam selama 3 bulan) ekstrak daun (500 mg setiap 8 jam selama 3 bulan) ekstrak daun (500 mg setiap 8 jam selama 3 bulan) ekstrak anggur 8 mg selama 1 tahun

... 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-3methoxyphenyl)-1,2propanediol

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 Lupinus mutabilis

trans-13Cinnamoyloxylupanine cis-13Cinnamoyloxylupanine

6427219 6427217

Lupinus mutabilis

13-Tigloyloxylupanine

6427214

Lupinus mutabilis

Nuttalline acetate

161417

Lupinus mutabilis

11-Isolupanine

119201

Lupinus mutabilis

4-Oxo-2,3didehydrosparteine

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. Urtica dioica L. Urtica dioica L. Urtica dioica L.

14653935 14653935 14653935 72744980

menurunkan kadar glukosa darah puasa menurunkan HbA1c menurunkan kadar glukosa postprandial menurunkan kadar glukosa darah puasa

Urtica dioica L. Urtica dioica L. Urtica dioica L. Urtica dioica L. Urtica dioica L. Urtica dioica L. Urtica dioica L. Urtica dioica L. Urtica dioica L. Urtica dioica L. Urtica dioica L. Urtica dioica L. Urtica dioica L. Urtica dioica L. Urtica dioica L. Urtica dioica L. Urtica dioica L. Urtica dioica L. Urtica dioica L. Urtica dioica L. Urtica dioica L. Urtica dioica L. Urtica dioica L. Vitis vinifera

72744980 72744980 14524462 14524462 14524462 8487 8487 8487 5312830 5312830 5312830 9976812 9976812 9976812 5320252 5320252 5320252 13523787 13523787 13523787 71307332 71307332 71307332 445154

menurunkan HbA1c menurunkan kadar glukosa postprandial menurunkan kadar glukosa darah puasa menurunkan HbA1c menurunkan kadar glukosa postprandial menurunkan kadar glukosa darah puasa menurunkan HbA1c menurunkan kadar glukosa postprandial menurunkan kadar glukosa darah puasa menurunkan HbA1c menurunkan kadar glukosa postprandial menurunkan kadar glukosa darah puasa menurunkan HbA1c menurunkan kadar glukosa postprandial menurunkan kadar glukosa darah puasa menurunkan HbA1c menurunkan kadar glukosa postprandial menurunkan kadar glukosa darah puasa menurunkan HbA1c menurunkan kadar glukosa postprandial menurunkan kadar glukosa darah puasa menurunkan HbA1c menurunkan kadar glukosa postprandial 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

Vitis vinifera

445154

Vitis vinifera

445154

menurunkan ekspresi sitokin TNF-α meningkatkan transkripsi LRRFIP-1 dalam PBMCs 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 efek

CID senyawa dalam tanaman CID senyawa lead dan kemiripannya

29 Lampiran 11 Hasil optimasi dan minimisasi protein target dan ligan berupa standar inhibitor dan senyawa potensial

Kelompok

Protein target

Standar inhibitor

Senyawa potensial

Nama protein atau senyawa PKC beta type TNF alpha PPAR gamma Fructose 1,6 biphospatase Tyrosine phospatase 1b Insulin Receptor Aldose reductase α-Glucosidase DPP-4 Glycogen Phosporilase PPAR-δ Ruboxistaurin Thalidomide Pioglitazone CS 917 TCS 401 Demethylasterriquinone B1 Alrestatin Acarbose Alogliptin CP 316819 GW501516 asam 3,4-dihidroksibenzoat α-pinen berberina β-pinen (-)-secoisolariciresinol metil alil sulfida (-)-borneol (E)-sitral

ΔHf (kkal/mol) Sebelum Sesudah optimasi optimasi 3041.6391 -12150.8411 3239.3830 -9442.3520 6324.4725 -16616.7392 7087.1115 -21073.7167 4905.1948 -16184.8735 6385.1510 -21146.0907 7020.2231 -22797.6823 24135.4226 -58254.0123 32831.2426 -150166.1148 18959.2556 -72950.1912 6065.7492 -17069.8735 64169.1412 71.3908 1831.6695 14.5704 2130.4380 54.3361 178.5536 22.7103 67.2944 66.2364 244.6879 172.7196 91.4049 51.7453 6886.9038 163.4137 132.5910 24.6581 151.9418 72.8345 114.3527 88.3433 193.6241 27.6422 35244.0675 33.1024 973.9895 97.1683 35086.8161 35.8929 4395.8898 86.8739 94.3751 5.3670 16717.8219 55.6437 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)

PKC beta type

Ruboxistaurin

TNF alpha PPAR gamma

ΔG senyawa (kJ/mol) Asam 3,4dihidroksi benzoat

α-pinen

Berberina

β-pinen

(-)Secoisolari ciresinol

Metil alil sulfida

(-)Borneol

(E)Sitral

-11.1709

-13.8364

-6.3708

-9.1503

-5.3967

-9.2959

-4.5588

-7.2679

-6.3240

Thalidomide

-6.3511

-6.0991

-5.2767

-7.1579

-5.1879

-7.9999

-5.0266

-5.2067

-6.5086

Pioglitazone

-7.3952

-9.3059

-4.7600

-7.8042

-5.3573

-9.5787

-4.3621

-5.4484

-4.9040

CS 917

-9.6261

-9.4968

-5.1121

-8.4894

-4.5787

-10.8483

-3.9661

-5.6122

-6.5863

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

Fructose 1,6 biphospatase Tyrosine phospatase 1b

Keterangan :

30

lebih kecil dari standar

lebih besar dari standar tetapi mendekati nilai standar dibandingkan nilai senyawa lain

31 31 Lampiran 13 Hasil penambatan protein target dengan ligan standar inhibitor dan 3 ligan senyawa potensial terbaik Protein Target

PKC beta type

TNF alpha

PPAR gamma

Fructose 1,6 biphospatase

Aldose reductase

Senyawa

ΔG (kJ/mol)

Afinitas (pKi)

Ki (μM)

Efisiensi

Σ Ikatan H

Residu asam amino

Ruboxistaurin

-11.1709

8.408

3.91x10-09

0.240

2

Glu 243, Gln 280

asam 3,4dihidroksibenzoat

-13.8364

10.808

1.56x10-11

0.983

1

Asp 254

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

-07

0.249

1

Lys 347 Lys 347, Thr 344, Thr 344

Pioglitazone

-7.3952

6.233

5.85x10

asam 3,4dihidroksibenzoat

-9.3059

6.915

1.22x10-07

0.629

3

Berberina

-7.8042

5.317

4.82x10-06

0.309

2

Ser 370, His 294 Thr 344, Thr 344, Lys 347, Lys 347, Glu 499

(-)-Secoisolariciresinol

-9.5787

7.000

1.00x10-07

0.692

5

CS 917

-9.6261

6.645

2.26x10-07

0.208

3

(-)-Secoisolariciresinol

-10.8483

7.099

7.96x10-08

0.273

4

Alrestatin

-10.7992

2.684

2.07x10-03

0.141

3

asam 3,4dihidroksibenzoat

-11.0185

7.300

5.01x10-08

0.664

3

Thr A244, Glu A272, Arg A269

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

α-Glucosidase

Lys 51, Lys 51, Lys 73 Arg 50, Arg 50, Lys 51, Asp 128 Lys 263, Lys 263, Lys 22

32

Lanjutan Lampiran 13 Protein Target DPP-4

Senyawa Alogliptin (-)-Secoisolariciresinol CP 316819

Glycogen Phosporilase

PPAR-δ

32

ΔG (kJ/mol) -8.5215 -6.7803 -7.8317

Afinitas (pKi) 10.138 8.349 11.984

7.28x10

-11

0.406

Σ Ikatan H 2

4.48x10

-09

0.321

1

Gln B761

1.04x10

-12

0.292

2

Lys 793, Lys 793

-14

0.367

1

Arg 593

Ki (μM)

Efisiensi

Residu asam amino Lys B71, Tyr B70

Berberina

-10.0357

13.576

2.65x10

(-)-Secoisolariciresinol

-11.3034

16.872

1.34x10-17

0.444

5

Glu 128, Tyr 186, Arg 50, Arg 50, Tyr 554

GW501516

-10.6641

7.466

3.42x10-08

0.249

2

Arg 150, Arg 160

9.050

-10

0.362

2

Asn 93, Asn 209

Berberina

-10.6675

8.91x10

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.