UJI PERMUTASI EFEK SINERGIS BAHAN AKTIF TANAMAN OBAT BERBASISKAN JEJARING DENGAN PROTEIN TARGET
NUR HILAL A. SYAHRIR
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2015
PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa tesis berjudul Uji Permutasi Efek Sinergis Bahan Aktif Tanaman Obat Berbasiskan Jejaring dengan Protein Target 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 tesis ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, November 2015 Nur Hilal A. Syahrir NIM G152130251
RINGKASAN NUR HILAL A. SYAHRIR. Uji Permutasi Efek Sinergis Bahan Aktif Tanaman Obat Berbasiskan Jejaring dengan Protein Target. Dibimbing oleh FARIT MOCHAMAD AFENDI dan BUDI SUSETYO. Tanaman obat merupakan tanaman yang mengandung berbagai bahan aktif yang bermanfaat untuk mencegah dan menyembuhkan penyakit serta melakukan fungsi biologis tertentu. Berbeda dengan obat-obatan sintesis yang melibatkan satu senyawa kimia tunggal (one drug-one target), tanaman obat mengerahkan efek yang menguntungkan dengan tindakan aditif atau sinergis dari beberapa senyawa kimia yang bekerja pada satu atau beberapa target (multicomponentnetwork target) yang terkait dengan proses fisiologis. Suatu kombinasi bahan aktif menunjukkan efek sinergis ketika efek bahan aktif secara bersama-sama lebih besar daripada efek masing-masing bahan aktif secara terpisah. Efek sinergis bahan aktif tanaman obat dapat diidentifikasi dengan pendekatan jejaring dengan protein target. Metode NIMS (Network target-based Identification of Multicomponent Synergy) adalah metode yang dapat digunakan untuk melihat potensi efek sinergis dan menilai kekuatan sinergis antar kombinasi bahan aktif pada tingkatan molekular dengan mengkuantifikasi kekuatan sinergis bahan aktif yang disebut dengan skor sinergi. Kajian efek sinergis diterapkan pada ramuan jamu yang sedang dikembangkan di Pusat Studi Biofarmaka untuk pengobatan diabetes mellitus tipe 2 yang terdiri atas 55 bahan aktif pada empat tanaman (Bratawali, Pare, Jahe, dan Sembung). Skor sinergi yang relatif tinggi ditunjukkan oleh pasangan bahan aktif antar tanaman Jahe. Efek sinergi antar tanaman yang berbeda namun mempunyai skor sinergi yang juga relatif tinggi adalah pasangan beberapa bahan aktif tanaman Jahe dan Pare, serta pasangan beberapa bahan aktif tanaman Bratawali dan Jahe. Berdasarkan hasil uji permutasi, skor sinergi tersebut signifikan. Kata kunci: drugCIPHER-CS, jamu, NIMS, network target
SUMMARY NUR HILAL A. SYAHRIR. Permutation Test Synergistic Effect of Active Ingredients of Medicinal Plants Based on Network of Protein Target. Dibimbing oleh FARIT MOCHAMAD AFENDI dan BUDI SUSETYO. Medicinal plants contain inherently active ingredients. Such ingredients are beneficial to prevent and cure diseases, as well as to perform specific biological functions. In contrast to synthetic drugs, which is based on one single chemicals (one drug- one targrt), medicinal plants exert their beneficial effects through the additive or synergistic action of several chemical compounds. Those chemical compound act on single or multiple targets (multicomponent-network target) associated with a physiological process. Active ingredients combinations show a synergistic effect. This means that the combinational effect of several active ingredients is greater than that of individual one acting separately. A network target can be used to identify synergistic effects of plants active ingredients. The method of NIMS (Network target-based Identification of Multicomponent Synergy) is a computational approach to identify the potential synergistics effect of active ingredients. It also assessess synergistic strength of any active ingradients at the molecular level by synergy scores. We investigate these synergistic on a Jamu formula for diabetes mellitus type 2. The Jamu formula is composed of four medicinal plants, namely Tinospora crispa , Zingiber officinale, Momordica Charantia, and Blumea balsamivera. Our work succesfully demonstrates that the highest synergy scores on medicinal plants synergy can be seen in pairs of several active ingredients in Zingiber officinale. On the other hand, the synergy of pairs of active ingredients in Momordica Charantia and Zingiber officinale posseses a relatively high score. The same occurs in Tinospora crispa and Zingiber officinale. Permutation test sucsesfully shows significance scores. Keywords: drugCIPHER-CS, jamu, NIMS, network target.
ยฉ Hak Cipta Milik IPB, Tahun 2011 Hak Cipta Dilindungi Undang-Undang Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini dalam bentuk apa pun tanpa izin IPB
UJI PERMUTASI EFEK SINERGIS BAHAN AKTIF TANAMAN OBAT BERBASISKAN JEJARING DENGAN PROTEIN TARGET
NUR HILAL A. SYAHRIR
Tesis sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Program Studi Statistika Terapan
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2015
Penguji Luar Komisi pada Ujian Tesis: Dr. Eng. Wisnu Ananta Kusuma, ST, MT
Judul Tesis : Uji Permutasi Efek Sinergis Bahan Aktif Tanaman Obat Berbasiskan Jejaring dengan Protein Target Nama : Nur Hilal A. Syahrir NIM : G152130251 Disetujui oleh Komisi Pembimbing
Dr Farit Mochamad Afendi, M.Si Ketua
Dr Ir Budi Susetyo, MS Anggota
Diketahui oleh
Ketua Program Studi Statistika Terapan
Dekan Sekolah Pascasarjana
Dr Ir Indahwati, M.Si.
Dr Ir Dahrul Syah, MScAgr
Tanggal Ujian: 07 Oktober 2015
Tanggal Lulus:
PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa taโala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Desember 2014 ini ialah jamu informatika, dengan judul Uji Permutasi Efek Sinergis Bahan Aktif Tanaman Obat Berbasiskan Jejaring dengan Protein Target. Terima kasih penulis ucapkan kepada Bapak Dr Farit Mochamad Afendi M.Si dan Bapak Dr Ir Budi Susetyo MS selaku pembimbing serta Bapak Dr.Eng Wisnu Ananta Kusuma selaku penguji luar komisi. Penghargaan juga penulis sampaikan kepada Bapak Rudi Heryanto M.Si dari Departemen Kimia dan Pusat Studi Biofarmaka, yang telah membantu selama pengumpulan data dan berdiskusi banyak dengan penulis. Teman-teman sejawat di Departemen Statistika terkhusus Rizal Bakri dan Nurul Qomariasih atas kerjasama tim yang baik dalam membuat tesis ini. Ungkapan terima kasih juga disampaikan kepada ayah, ibu, serta seluruh keluarga, atas segala doa dan kasih sayangnya. Semoga karya ilmiah ini bermanfaat.
Bogor, September 2015 Nur Hilal A. Syahrir
DAFTAR ISI DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
1 PENDAHULUAN Latar Belakang Perumusan Masalah Tujuan Penelitian Manfaat Penelitian Ruang Lingkup Penelitian
1 1 1 2 2 2
2 TINJAUAN PUSTAKA 5 Efek Sinergis 5 Network target-based Identification of Multicomponent Synergy (NIMS) 5 DrugCIPHER-CS 5 Topology Score (TS) 5 Agent Score (AS) 8 Phenotype Similarity (Kesamaan Fenotipe) 8 Uji Permutasi 10 3 METODE Data Metode Analisis Diagram Alir Penelitian
11 11 11 13
4 HASIL DAN PEMBAHASAN Pengumpulan Data Eksplorasi Data Awal Prediksi Protein Target Pendugaan Skor Sinergis Pengujian signifikansi skor sinergis
15 15 16 19 22 28
5 SIMPULAN DAN SARAN Simpulan Saran
31 31 31
DAFTAR PUSTAKA
33
LAMPIRAN
35
RIWAYAT HIDUP
39
DAFTAR TABEL 1 2 3 4
Pangkalan data, informasi yang diperoleh, dan hasi penelusuran data Daftar bahan aktif pada tanaman, protein target, dan interaksinya Tiga ukuran sentralitas jejaring dan skor kepentingan protein target Peringkat skor sinergis Pare dan Bratawali
15 16 24 27
DAFTAR GAMBAR 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Metode NIMS Prinsipis dasar drugCIPHER Contoh struktur Human Phenotype Ontology (HPO) Ilustrasi metode resampling dengan teknik uji permutasi Ilustrasi struktur data penelitian Diagram alir penelitian Jejaring bahan aktif protein target awal Degree distribution Jejaring Protein-Protein Interaction (PPI) Prediksi jejaring bahan aktif dengan protein target Degree dari protein target (drugCIPHER) Plot betweenness, closeness, dan degree Matriks Topology Score, Agent Score,dan Synergy Score Skor sinergis bahan aktif pada tanaman Pare dan Bratawali Ilustrasi sebaran hipotesis nol yang diperoleh melalui uji permutasi P-value skor sinergis pasangan bahan aktif tanaman obat
5 6 9 10 11 13 17 18 20 21 22 23 26 27 28 29
DAFTAR LAMPIRAN 1 Daftar 55 bahan aktif yang terdapat pada empat tanaman 2 Interaksi bahan aktif dengan protein target 3 Daftar interaksi antar protein (Protein-Protein interaction)
35 37 38
1
1 PENDAHULUAN Latar Belakang Pola penyakit di Indonesia bahkan di dunia telah mengalami pergeseran dari penyakit infeksi ke penyakit-penyakit metabolik degeneratif (Katno & Pramono 2008). Hal tersebut terjadi seiring dengan laju perkembangan tingkat ekonomi dan peradaban manusia serta perkembangan pola hidup yang serba praktis. Penyakit metabolik degeneratif merupakan penyakit yang disebabkan oleh gangguan metabolisme tubuh akibat konsumsi berbagai jenis makanan yang tidak terkendali serta gangguan faal tubuh sejalan dengan proses degenerasi. Beberapa contoh penyakit metabolik degeneratif antara lain: diabetes, kolesterol, hepatitis, dan rematik. Salah satu bentuk pengobatan yang diupayakan mengatasi penyakit metabolik degenaratif adalah dengan penggunaan atau konsumsi obat konvensional. Penggunaan obat konvensional dalam waktu yang lama dapat memberikan efek samping secara akumulatif dan menimbulkan dampak negatif terhadap kesehatan pasien. Berbeda dengan pengobatan berbasis tanaman obat (jamu), efek samping yang ditimbulkan relatif kecil meskipun dikonsumsi dalam waktu yang cukup lama. Selain itu, salah satu keuntungan lain dari pengobatan berbasis tanaman obat adalah kemampuannya yang memiliki lebih dari satu efek farmakologi sehingga penyakit-penyakit metabolik degenaratif yang dipicu oleh mutasi pada banyak gen lebih tepat ditangani dengan tanaman obat (Katno & Pramono 2008). Fenomena ini menjadi daya tarik beberapa peneliti untuk mengembangkan tanaman obat. Kemampuan tanaman obat yang memiliki lebih dari satu efek farmakologi disebabkan mengandung lebih dari satu komponen bahan aktif atau senyawa aktif. Tanaman obat melibatkan banyak komponen senyawa kimia yang bekerja pada satu atau beberapa target (multicomponent-network target) berbeda dari obat konvensional yang hanya melibatkan satu senyawa kimia tunggal dengan satu target (one drug-one target) (Li & Zhang 2013). Karena terdiri dari banyak komponen senyawa kimia, maka interaksi antar komponen sangat mungkin terjadi. Interaksi antar bahan aktif pada tanaman obat dapat berupa sinergis atau antagonis. Evaluasi mengenai sinergisme bahan aktif pada tanaman obat biasanya dilakukan secara eksperimental dalam pendekatan kasus per kasus. Meskipun beberapa metode eksperimental telah dapat dilakukan untuk menyaring kombinasi bahan aktif yang menguntungkan, evaluasi sinergis secara eksperimental membutuhkan biaya dan tenaga yang besar serta waktu yang relatif lama. Identifikasi efek sinergis kombinasi bahan aktif yang banyak pada ramuan jamu tetap menjadi masalah yang belum terselesaikan. Pendekatan komputasi muncul sebagai alternatif yang mampu mengakomodasi data yang besar dengan lebih cepat serta dapat memberikan metode yang lebih menjanjikan dan diinginkan untuk studi obat multikomponen. Li et al. (2011) mengusulkan pendekatan komputasi untuk melihat potensi efek sinergis antar kombinasi bahan aktif pada tingkatan molekular dengan menggunakan metode NIMS (Network target-based Identification of Multicomponent Synergy). NIMS merupakan bagian dari rangkaian jejaring farmakologi yang melihat intervensi bahan aktif pada sistem biologi yang kompleks sehingga metode NIMS
2
merupakan metode yang tepat digunakan untuk melihat sinergi pasangan bahan aktif pada studi obat multikomponen. NIMS mengkuantifikasi kekuatan sinergis pasangan bahan aktif dengan mempertimbangkan keterkaitan mekanisme kerja obat yang melibatkan peran protein target serta peran penyakit. Li et al. (2011) menginisiasikan metode NIMS dan menunjukkan bahwa metode NIMS memiliki performa yang baik dalam mengkuantifikasi dan menyaring sinergisme bahan aktif pada formula TCM (Traditional Chinese Medicine). Beberapa penelitian sebelumnya menggunakan metode NIMS untuk mengungkap mekanisme kerja formula TCM pada penyakit tertentu seperti diabetes mellitus tipe 2 (Li et al. 2014) dan penyakit rematik (Li et al. 2015). Penelitian ini merupakan langkah awal evaluasi sinergis bahan aktif dengan pendekatan komputasi menggunakan metode NIMS pada ramuan Jamu. Metode NIMS hanya menyediakan informasi mengenai kekuatan sinergi antar pasangan bahan aktif tanaman obat. Pasangan bahan aktif mana yang perlu ditelusuri lebih lanjut (signifikan) masih menjadi tantangan dalam pendekatan komputasi ini. Pendekatan statistika menjawab permasalahan tersebut dengan pengujian hipotesis. Pengujian hipotesis yang ada pada umumnya berangkat dari asumsi sebaran tertentu (pendekatan parametrik). Salah satu pendekatan non parametrik yang mampu menangani permasalahan pengujian signifikansi pada sebaran skor sinergi yang tidak diketahui memiliki sebaran tertentu ialah metode resampling. Metode resampling dengan teknik uji permutasi merupakan pendekatan yang tepat dalam menguji signifikansi hubungan yang melibatkan dua peubah. Ide dasar uji permutasi yang sederhana biasanya diterapkan pada pengujian signifikansi korelasi. Pada tulisan ini, ide dasar tersebut digunakan untuk melihat menguji signifikansi hubungan sinergis pasangan bahan aktif dengan melibatkan peubah yang diasumsikan menjadi faktor yang mempengaruhi sinergisme pasangan bahan aktif. Perumusan Masalah Penelitian mengenai bioaktivitas obat atau analisis komponen bahan aktif yang terdapat dalam tanaman obat telah banyak dilakukan bahkan telah terdokumentasi dengan baik dalam satu pangkalan data bioinformatika. Namun penjelasan detail mengenai mekanisme kerja pada tingkat molekular dan aktifitas farmakologi dari masing-masing senyawa yang terkandung dalam tanaman obat tersebut serta interaksi senyawa yang terkandung dalam tanaman obat khususnya pada ramuan jamu masih perlu dikembangkan (Sari 2014). Berbeda dengan TCM (Traditional Chinese Medicine), perkembangan mekanisme kerja pada ramuan jamu pada tingkatan molekuler belum banyak dikaji. Salah satu upaya mengungkap mekanisme kerja jamu pada tingkatan molekuler dapat dilakukan dengan pendekatan komputasi. Pendekatan komputasi pada penilitian ini mengkaji sinergisme antar pasangan bahan aktif.
3 Tujuan Penelitian Tujuan utama penelitian ini adalah: 1. Menduga kekuatan sinergis antar kombinasi bahan aktif melalui pendekatan komputasi berbasis jejaring dengan protein target dengan metode NIMS 2. Menguji signifikansi kekuatan sinergis antar kombinasi bahan aktif menggunakan metode resampling dengan teknik uji permutasi Manfaat Penelitian Penelusuran pasangan bahan aktif mana yang yang berinteraksi secara bersinergi dapat dimanfaatkan dari kajian ini. Penelitian ini merupakan inisiasi awal dalam upaya mengungkap mekanisme kerja jamu pada tingkatan molekular melalui pendekatan komputasi. Pendekatan komputasi yang digunakan pada penelitian ini mampu mengurangi biaya dan waktu penelitian dibandingkan dengan melakukan pendekatan eksperimental. Selain manfaat praktis, kajian teoritis statistika pada penelitian ini juga bermanfaat bagi kepentingan pengembangan ilmu pengetahuan dan teknologi. Ruang Lingkup Penelitian Kajian sinergis antar bahan aktif pada tulisan ini berfokus pada ramuan jamu yang terdiri atas empat tanaman yaitu: tanaman Bratawali (Tinospora crispa), Jahe (Zingiber officinale), Pare (Momordica charantia), dan Sembung (Blumea balsamivera). Formula jamu tersebut merupakan hasil penelitian sebelumnya oleh Nurishmaya (2014) yang memprediksi formula jamu baru yang berkhasiat sebagai antidiabetes. Khasiat ramuan jamu dibuktikan melalui uji di laboratorium menggunakan ikan zebra sebagai hewan uji. Hasil penelitian tersebut cukup menjanjikan sehingga mekanisme kerja formula Jamu tersebut layak untuk ditelusuri lebih lanjut. Penelitian ini mengkaji efek sinergis antara bahan aktif pada tanaman obat dan tidak mengkaji efek antagonis dan toksisitas yang ditimbulkan oleh kombinasi bahan aktif pada tanaman obat.
4
5
2 TINJAUAN PUSTAKA Efek Sinergis Efek sinergis pada bahan aktif merupakan kondisi ketika efek yang dihasilkan oleh bahan aktif secara bersama lebih besar daripada jumlah dari efek tunggal dari masing-masing bahan aktif (Spinella 2002). Evaluasi efek sinergi pada bahan aktif dapat diduga melalui pendekatan komputasi. NIMS (Network target-based Identification of Multicomponent Synergy) NIMS merupakan pendekatan komputasi untuk mengidentifikasi pasangan agen sinergis pada tingkat molekuler. Disini โagenโ dapat mengacu pada substansi kimia seperti senyawa atau bahan aktif dengan aktifitas farmakologis atau bologis. Konsep dasar NIMS yaitu mentransfer hubungan antar bahan aktif ke dalam konteks topologi jejaring dengan memanfaatkan jejaring protein target dari bahan aktif dan jejaring PPI (Gambar 1). NIMS mengintegrasikan dua aspek yaitu berdasarkan fitur topologi jejaring protein target bahan aktif dan kesamaan fenotipe (penyakit) dari protein target bahan aktif. Skor sinergis antar dua pasang bahan aktif diperoleh dari perkalian Topology Score (๐๐) dan Agent Score (๐ด๐) S 1,2 = TS 1,2 รAS 1,2.
Gambar 1. Metode NIMS (Li et al. 2011) DrugCIPHER-CS Identifikasi profil protein target dari bahan aktif merupakan salah satu langkah penting sebelum dilakukan pendekatan komputasi untuk mengevaluasi pasangan agen sinergis. Profil protein target merupakan protein target yang diduga mempunyai kemungkinan yang besar menjadi protein target dari bahan aktif. Jejaring protein target akan terbentuk dari hasil identifikasi profil protein target yang kemudian akan dimanfaatkan dalam evaluasi sinergis. Zhao S dan Li (2010) mengusulkan metode drugCIPHER-CS untuk memprediksi profil protein target dari bahan aktif dengan menghubungkan ruang farmakologi dan ruang genomik (Gambar 2).
6
Gambar 2. Prinsip dasar drugCIPHER (Zhao & Li 2010) Pada prinsipnya, drugCHIPER-CS melihat kedekatan bahan aktif terhadap protein target dalam skala genomik yang besar dengan mengkorelasikan informasi kemiripan struktur kimia bahan aktif pada ruang farmakologi dan interaksi antar protein pada tubuh manusia (PPI) pada ruang genomik. Metode ini didasarkan pada asumsi bahwa (i) obat dengan kemiripan struktur yang sama cenderung mengikat protein yang terkait (ii) hubungan fungsional antara protein dapat diukur dengan jarak pada jejaring interaksi protein. Profil protein target dari tiap bahan aktif dihitung dari skor concordance : cov CSb ,ฯp ฯbp = ฯ CSb ฯ ฯp dimana ๐ช๐บ๐ merupakan matriks kemiripan struktur kimiawi antar bahan aktif dan ๐๐ merupakan matriks kedekatan antara protein ๐ dan bahan aktif ๐ dengan basis jejaring PPI. Profil protein target untuk masing-masing bahan aktif merupakan 100 protein target dengan skor concordance tertinggi pada masingmasing bahan aktif. 100 Protein target dengan skor concordance tertinggi pada masing-masing bahan aktif diasumsikan sebagai likelihood (kemungkinan) dari bahan aktif ๐ menargetkan protein target ๐. Profil target ini menjadi penyusun jejaring yang disebut jejaring protein target. Kemiripan struktur kimiawi antar bahan aktif pada ruang farmakologi dihitung dengan mengubah struktur data dua dimensi bahan aktif menjadi data biner dengan bantuan 4860 fitur sidik jari molekuler unik yang merupakan substruktur berbagai senyawa melalui berbagai jenis teknik fragmentasi disebut sebagai sidik jari Kr. Data biner merupakan data yang berisikan dua nilai yaitu 0 dan 1. Nilai 0 menunjukkan ketidakhadiran substruktur pada bahan aktif dan nilai 1 menunjukkan kehadiran substruktur pada bahan aktif. Data biner antar dua bahan aktif kemudian dihitung kemiripannya berdasarkan koefisien kemiripan Tanimoto. Kemiripan dua bahan aktif berdasarkan koefisien Tanimoto: a CS1,2 = a+b + a+c -a
7 dengan ๐ adalah frekuensi substruktur kedua bahan aktif bernilai 1, ๐ dan ๐ adalah frekuensi substruktur salah satu bahan aktif bernilai 1 dan lainnya bernilai 0. ๐ substruktur adalah frekuensi kedua bahan aktif bernilai 0. Matriks kedekatan antara protein ๐ dan bahan aktif ๐ dengan basis jejaring PPI mengasosiakan ruang farmakologi dengan ruang genomik juga didefinisikan pada persamaan berikut ini: ฯbp =
2
e-Lppk pk ฯตT(b)
dengan ๐๐ merupakan protein target yang dituju oleh bahan aktif b. ๐ฟ๐๐๐ 2
merupakan jarak terpendek antara ๐ dan ๐๐ pada jejaring PPI. ๐ โ๐ฟ๐๐๐ digunakan untuk mengkonversi jarak antar protein menjadi kedekatan protein. Persamaan ini menunjukkan bahwa kedekatan antara bahan aktif ๐ dan protein ๐ sama dengan penjumlahan dari kedekatan antara protein ๐ dan semua protein target dari bahan aktif ๐. Jika dua protein tidak berhubungan, didefiniskan ๐ฟ๐๐๐ = โ. Topology Score (TS) ๐๐ berasal dari fitur topologi jejaring yang dibangun berdasarkan protein target bahan aktif dan interaksi antar protein. Ide dasar dari topology score adalah dengan melihat kedekatan bahan aktif berdasarkan kedekatan protein penting dari masing-masing bahan aktif dalam jejaring protein target. Berdasarkan perspektif jejaring target, diasumsikan bahwa semakin penting protein target sebagai node pada jejaring, maka semakin besar efek pengaruh bahan aktif terhadap protein target tersebut. Skor ๐ผ๐ ๐ dapat digunakan untuk menentukan seberapa penting protein target sebagai node dalam jejaring, dengan mengintegrasikan derajat (degree), keantaraan (betweenness), dan kedekatan (closeness). Tiga indeks sentralitas jejaring tersebut digunakan untuk mendefinisikan sifat jejaring protein target secara terpisah atau bersama. Jika pasangan bahan aktif menghasilkan sinergi, seharusnya protein target dari bahan aktif tersebut berdekatan dalam jejaring. Dengan demikian untuk mengevaluasi skor kepentingan sebuah node ๐ผ๐ (๐ฃ) dari protein target dari bahan aktif-1 , protein target dari bahan aktif -2, dan jarak jejaring antara dua set protein target tersebut, ๐๐ dapat diperoleh dengan persamaan TS 1,2 =
1 2
i IP1
i รexpโก -min di,j i IP1
i
+
j IP 2
j รexpโก -min dj,i j IP2
j
di mana ๐ผ๐1 ๐ merupakan dari protein target dari bahan aktif-1 dan ๐ผ๐2 ๐ merupakan dari protein target dari bahan aktif-2 yang dihitung dengan mengintegrasikan degree, betweenness, dan closeness melalui analisis komponen utama (AKU). Fungsi eksponensial negatif digunakan untuk memboboti interaksi dua protein target berdasarkan panjang lintasan terpendek. min ๐๐,๐ merupakan lintasan terpendek dari protein target-i dari bahan aktif-1 terhadap semua protein target-2, sementara min ๐๐ ,๐ merupakan lintasan terpendek dari protein target-j dari bahan aktif-2 terhadap semua protein target-1. Skor topologi juga berada pada kisaran 0-1. Semakin tinggi nilai skor topologi maka semakin tinggi kekuatan sinergi pasangan bahan aktif berdasarkan kedekatan protein target bahan akatif tersebut.
8
Sentralitas Perantara Betweenness Centrality (๐ต๐ ) adalah ukuran sentralitas node dalam sebuah jejaring. Ukuran ini tidak hanya berisi informasi lokal namun mencerminkan peran sebuah node dalam struktur jejaring global. ๐ต๐ dihitung sebagai pembagian lintasan terpendek antara pasangan node yang melewati node yang diberikan. Untuk graf ๐บ: = (๐, ๐ธ) dengan n node, ๐ต๐ dapat dituliskan sebagai berikut: 1 sst i Bi = (n-1)(n-2) sst sโ iโ tโV
di mana ๐ ๐ ๐ก adalah jumlah lintasan terpendek dari ๐ ke ๐ก, dan ๐ ๐ ๐ก ๐ jumlah lintasan terpendek dari ๐ ke ๐ก yang melewati node i. Langkah ini dinormalisasi dengan jumlah pasang node tanpa node i, yaitu (๐ โ 1) (๐ โ 2). Sentralitas Kedekatan (Closeness Centrality) ( ๐ถ๐ ) mengukur seberapa dekat node i terhadap semua node lain yang terdapat dalam jejaring yang didefinisikan sebagai rataan lintasan terpendek antara node i dan semua node lain yang dapat dicapai oleh node i: n Ci = jโV d (i, j) di mana ๐(๐, ๐) adalah lintasan terpendek antara node i dan j, dan n adalah jumlah node dalam jejaring. Rataan lintasan terpendek didefinisikan sebagai ratarata banyaknya langkah sepanjang lintasan terpendek untuk semua kemungkinan pasangan node pada jejaring. Ukuran ini menunjukkan efisiensi arus informasi dalam jejaring (Nacher & Schwartz 2008). Agent Score (AS) AS digunakan untuk mengukur nilai kesamaan antar pasangan bahan aktif berdasarkan fenotipe (penyakit) yang dihasilkan dari produk gen (protein target). Pasangan bahan aktif dengan mekanisme kerja yang independen namun mengobati penyakit yang sama akan lebih cenderung untuk menghasilkan efek sinergis. Jika protein target terdokumentasi memiliki eksperesi genetik berupa fenotipe dalam pangkalan data OMIM, fenotipe ini akan diidentifikasi sebagai agen fenotipe untuk agen yang diberikan. AS untuk pasangan bahan aktif-1dan bahan aktif-2 i,j PSi,j AS 1,2 = N Dimana ๐๐๐,๐ adalah nilai kesamaan antara fenotipe-i dari bahan aktif-1 dan fenotipe-j dari bahan aktif-2, dan N adalah jumlah total pasangan fenotipe (Li et al. 2011). Phenotype Similarity (Kesamaan Fenotipe) Fitur fenotipe terkait dengan gen dan penyakit berperan peran penting dalam studi terkait penyakit. Informasi fenotipe dari protein target tertentu tersedia pada pangkalan data OMIM berupa teks. Namun informasi dengan kosakata standar dan terkontrol yang meliputi kelainan fenotipe (penyakit) belum dapat ditemukan pada pangkalan data OMIM. Sehingga diperlukan kosakata standar dan terkontrol yang meliputi kelainan fenotipe pada penyakit manusia, dan menjadi sumber daya yang komprehensif untuk analisis komputasi fenotipe penyakit manusia termasuk dalam melihat kesamaan fenotipe. Human Phenotype
9 Ontology (HPO) menyediakan kosakata standar dan terkontrol yang disusun pada sebuah struktur HPO berbentuk directed acylic graph (DAG) atau biasa disebut multitree yang merupakan graf berarah tanpa siklus. Setiap individu dinamakan term. Struktur HPO terdiri atas lebih 10.000 terms dimana sekitar 99% dari HPO terms berada pada sub-ontologi Phenotypic Abnormality (PA). Struktur HPO memungkinkan terms untuk memiliki beberapa parent terms. Gambar contoh struktur HPO dapat dilihat pada Gambar 3.
Gambar 3. Contoh Struktur HPO (Phenomizer) Kesamaan antara dua fenotipe dapat dihitung berdasarkan kesamaan berpasangan dari dua set HPO term yang menjelaskan kedua fenotipe tersebut. Lord dalam Deng Y et al. 2015 mengusulkan metode untuk menggabungkan beberapa kesamaan antara dua terms menjadi satu kesamaan antara dua fenotipe dengan konsep maksimum. Misalkan fenotipe ๐1 dijelaskan oleh set HPO term HPO1 = {t11 , t12 , . . . , t1๐ } dan fenotipe ๐2 dijelaskan oleh set HPO term HPO2 = {t 21 , t 22 , . . . , t 2๐ }. Maka matriks kesamaan terms T= tij berisi semua skor mรn kesamaan berpasangan dari terms pada HPO1 dan HPO2 . Kesamaan fenotipe dihitung dengan skor maksimum dari semua pasangan HPO terms pada dua set terms, didefinisikan sebagai berikut: PSi,j = max tij 1โคiโคm, 1โคjโคn
Cara yang lazim digunakan untuk mengukur kesamaan pada sebuah taxonomi ialah dengan cara mengevaluasi jarak antar node yang ingin dibandingkan. Semakin pendek lintasan dari satu node ke node yang lainnya, maka semakin besar kesamaan antar node tersebut. Resnik 2010 mengusulkan kesamaan antara dua node dengan konsep peluang serta mempertimbangkan sejauh mana kedua node tersebut memiliki informasi yang sama. Sehingga ukuran untuk mendefinisikan kesamaan antara dua terms ialah IC dari ancestors yang paling informatif untuk kedua terms. HPO terms sim ti , tj =IC(tcommon )
10
dimana ๐ก๐๐๐๐๐๐ adalah ancestors yang paling informatif untuk term ๐ก1 dan term ๐ก2 . IC dari terms t dalam HPO dapat didefinisikan sebagai berikut: IC t =-logโก p t dimana p ๐ก adalah probabilitas pada terms ๐ก yang diamati dan keturunannya di semua gen / penyakit yang terhubung dengan sub-ontologi tertentu pada HPO. Uji Permutasi Pengujian adalah langkah penting dari statistik inferensia yang memungkinkan seseorang dalam menarik kesimpulan bahwa apakah dugaan (statistik) yang diperoleh dari data yang diamati merupakan cerminan dari populasi atau tidak. Dalam konteks pengujian skor sinergi yang diperoleh dari pendekatan komputasi, uji signifikansi dilakukan untuk melihat pasangan bahan aktif yang nyata bersinergi. Pengujian hipotesis pada skor sinergi tidak bisa dilakukan dengan pendekatan parametrik karena informasi sebaran skor sinergi yang tidak diketahui. Uji permutasi merupakan salah satu teknik untuk melakukan pengujian hipotesis dengan metode resampling pada data yang tidak memenuhi asumsi normal atau sebaran tertentu kecuali pengamatan yang menyebar independen dan identik pada sebaran hipotesis nol (Smyth dan Phipson 2010). Uji permutasi dapat digunakan untuk menguji signifikansi hubungan yang melibatkan dua peubah (korelasi, regresi, dan hubungan lainnya yang terdifinisi dengan jelas). Ide dasar uji permutasi pada dua peubah ialah dengan mengubah urutan salah satu peubah dengan pengacakan secara konsisten pada data yang diamati. Sehingga jika diasumsikan bahwa kedua peubah mempunyai hubungan, maka diharapkan setelah dilakukan pengacakan maka hubungan antar dua peubah tersebut hilang. Hipotesis nol menyatakan tidak ada hubungan antar dua peubah. Ketika pengacakan dilakukan berulang-ulang maka diperoleh sebaran statistik uji yang merupakan kondisi sebaran hipotesis nol. Sebaran hipotesis nol sebaiknya dibangun dalam jumlah yang besar. ๐๐๐๐๐ โ ๐ merupakan proporsi data resampling permutasi dengan nilai statistik uji โฅ statistik amatan (Hesterberg et al. 2003).
Gambar 4. Ilustrasi metode resampling teknik uji permutasi
11
3 METODE Data
Penelitian ini berfokus pada ramuan jamu yang sedang dikembangkan di Pusat Studi Biofarmaka untuk pengobatan diabetes mellitus tipe 2. Struktur data yang digunakan secara komperehensif dapat diilustrasikan pada Gambar 5.
Gambar 5. Ilustrasi struktur data penelitian Ramuan jamu terdiri atas empat tanaman yaitu tanaman Bratawali (Tinospora crispa), Jahe (Zingiber officinale), Pare (Momordica charantia), dan Sembung (Blumea balsamivera). Ramuan jamu tersebut merupakan hasil prediksi formula jamu baru yang berkhasiat sebagai antidiabetes oleh Nurishmaya (2014). Prediksi tersebut menggunakan model PLSDA, metode support vector machine (SVM), dan koefisien PLSDA multiways. Ramuan jamu dipilih sebagai upaya untuk mengungkap mekanisme kerja ramuan jamu yang telah dibuktikan khasiatnya sebagai ramuan jamu antidiabetes melalui uji di laboratorium. Khasiat dibuktikan menggunakan ikan zebra sebagai hewan uji. Pengumpulan data dilakukan dengan mengumpulkan informasi dari berbagai sumber pangkalan data (Lihat 4.1 Tahapan Pengumpulan Data). Tahapan tersebut terdiri atas : 1) mengumpulkan daftar bahan aktif yang terkandung pada masing-masing tanaman formula jamu, 2) mengumpulkan daftar protein target yang terdokumentasi memiliki interaksi dengan bahan aktif, 3) mengumpulkan daftar fenotipe (penyakit) yang dihasilkan dengan terlibatnya protein target pada tahapan ke-dua, 4) mengumpulkan kosa kata terstandar mengenai fenotipe (penyakit) pada tahapan ke-tiga. Upaya ini merupakan pendekatan komputasi dalam mengukur seberapa mirip fenotipe (penyakit) satu dengan fenotipe (penyakit) lainnya (Lihat 2 Tinjauan Pustaka). Metode Analisis I. Prediksi protein target yang merupakan dugaan protein target dari bahan aktif menggunakan metode drugCIPHER-CS a. Menghitung matriks kesamaan struktur kimiawi antar dua bahan aktif ๐ช๐บ55ร55 Kemiripan struktur kimiawi antar bahan aktif dihitung dengan mengubah struktur dua dimensi menjadi data biner dengan bantuan 4860 fitur
12
b.
sidik jari Kr. Data biner antar dua bahan aktif kemudian dihitung kemiripannya berdasarkan koefisien kemiripan Tanimoto, yaitu : a+b CSi,j = a+2(b+c)+d ;i=1,2,โฆ,55 ;j=1,2,โฆ,55 Menghitung matriks kedekatan antara protein ๐ dan bahan aktif ๐ ๐55ร9650 ฯbp =
c.
2
e-Lppk pk ฯตT(b)
Menghitung matriks skor concordance ๐55ร9650 cov CSb ,ฯbp ฯbp = ฯ CSb ฯ ฯbp d. 100 Protein target dengan skor concordance tertinggi pada masing-masing bahan aktif diasumsikan sebagai likelihood dari bahan aktif ๐ menargetkan protein target ๐. II. Pendugaan skor sinergi ๐บ55ร55 antar kombinasi bahan aktif menggunakan metode NIMS merupakan perkalian antara skor topologi (TS) dan skor agen (AS) a. Menghitung skor topologi yang merupakan skor kedekatan protein target penting pada bahan aktif berdasarkan topologi jejaring 1. Membuat jejaring topologi yang terdiri atas jejaring protein target yang telah diprediksi pada langkah I dan jejaring PPI. 2. Menghitung tiga indeks sentralitas, ๐ท1ร9650 derajat (degree), ๐ต1ร9650 keantaraan (betweenness), ๐ถ1ร9650 kedekatan (closeness). sst i 1 n Bi = dan Ci = dimana ๐ = 1,2, โฆ 9650 sโ iโ tโV sst
(n-1)(n-2)
jโV d
(i, j)
3. Mengukur tingkat kepentingan node ๐ผ๐1ร9650 dengan menggunakan metode analisis komponen utama pada jejaring topologi berdasarkan tiga skor indeks sentralitas di atas. IP1ร9650 =PCA ( B1ร9650 , C1ร9650 , D1ร9650 ) 4. Menghitung lintasan terpendek antar kombinasi bahan aktif min ๐๐,๐ dan min ๐๐ ,๐ 5. Menghitung matriks skor topologi ๐ป๐บ55ร55 TS 1,2 =
1 2
i IP1
i รexpโก -min di,j i IP1
i
+
j IP2
j รexpโก -min dj,i j IP2
j
b.
Mengukur skor agen yang merupakan kesamaan bahan aktif berdasarkan fenotipe (penyakit) berdasarkan struktur HPO 1. Menghitung Information Content (IC) untuk setiap terms pada struktur HPO IC t =-logโก p t dimana ๐ก = 1,2, โฆ ,1000 2. Mengukur kesamaan antar HPO terms ๐ ๐๐๐๐๐ ๐๐๐ ๐ก๐ , ๐ก๐ HPO terms sim ti , tj =IC(tcommon ) ๐ = ๐ = 1,2, โฆ ,1000 3. Mengukur kesamaan antar fenotipe ๐๐346ร346 PSi,j = max tij 1โคiโคm, 1โคjโคn
4. Mengukur kesamaan antar bahan aktif berdasarkan fenotipe penyakit ๐จ๐บ55ร55 i,j PSi,j AS 1,2 = N
13 III. 1. 2. 3.
4. 5.
Pengujian signifikansi skor sinergi menggunakan menggunakan metode resampling dengan teknik uji permutasi. Identifikasi hipotesis. Hipotesis nol H0 : Si,j =0 (bahan aktif-i dan bahan aktif-j tidak bersinergi) dan hipotesis alternatif H1 : Si,j >0 (bahan aktif-i dan bahan aktif-j bersinergi). Statistik uji pada dataset asli merupakan skor sinergi Saktual (55ร55) yang diperoleh melalui pendekatan komputasi apada langkah II. Menyusun ulang pengamatan a. Menyusun set protein baru secara acak sehingga setiap bahan aktif memiliki pasangan set protein baru setiap kali pengacakan b. Menghitung ulang skor sinergi c. Mengulang langkah 3a dan 3b sebanyak 1000 kali sehingga diperoleh dataset matriks Spermutasi (55ร55) sebanyak 1000 Menghitung proporsi setiap elemen Si,j (permutasi) โฅ Si,j (aktual) Menghitung p-value dengan membandingkan dataset asli dan 1000 dataset permutasi. 1000
p-value = 6. 7.
Tolak ๐ป0 jika p-value < ฮฑ Menarik kesimpulan
P Spermutasi โฅ Saktual /1000 i=1
Diagram Alir Penelitian Metode analisis di atas dapat dilihat secara ringkas pada diagram alir penelitian di bawah ini:
Gambar 6 Diagram alir penelitian
14
15
4 HASIL DAN PEMBAHASAN Pengumpulan Data Pengumpulan data dilakukan dengan menelusuri beberapa pangkalan data yang menghimpun informasi dari publikasi ilmiah mengenai objek yang terkait. Data dikumpulkan dari berbagai pangkalan data. Tabel 1 mendeskripsikan berbagai jenis data, pangkalan data yang digunakan dalam penelusuran data tersebut, sebagian informasi yang diperoleh dari pangkalan data (khususnya informasi yang diperlukan dalam metode), dan hasil penelusaran pada pangkalan data. Tabel 1. Pangkalan data, informasi yang diperoleh, dan hasil penelusuran data Jenis Pangkalan Informasi yang diperoleh Hasil penelusuran data data dari pangkalan data data Senyawa
Bahan aktif
KNApSAcK family dan The Dictionary of Natural Products (DNP) PubChem
Interaksi PubChem bahan aktif BioAssay dengan protein target Interaksi Human antar protein Protein target Reference Database (HPRD) Integrasi pangkalan data
biological DataBase network (bioDBnet)
Daftar senyawa alami yang terdapat pada tanaman tertentu. (Afendi et al. 2012; Running 1993) Informasi lebih rinci mengenai bahan aktif berupa struktur kimia, nama kanonik (Canonical SMILES), Nomor CID (PubChem CID), serta aktifitas farmakologisnya. (Wang et al. 2009) Daftar protein yang menjadi target dari bahan aktif dengan identitas protein sebagai โgi numbersโ (Wang et al. 2009) Daftar protein yang saling berinteraksi (Goel et al. 2012)
Kumpulan informasi mengenai ID protein target pada database yang berbeda (Mudunuri et al. 2009)
595 senyawa pada 4 tanaman yaitu 18 pada Bratawali, 291 pada Jahe, 245 pada Pare, dan 41 pada Sembung. 595 senyawa tersebut ditelusuri dan diperoleh 55 senyawa sebagai senyawa aktif (bahan aktif) yang mempunyai aktifitas farmakologis. Terdapat 1297 interaksi dari 55 bahan aktif yang menuju 205 protein yang menjadi target bahan aktif Interaksi antar protein (PPI) sebanyak 37.080 dari 9.650 protein yang terdapat pada HPRD Konversi ID protein target pada PubChem berupa โgi numbersโ menjadi HPRD ID.
16
Jenis data
Pangkalan data
Informasi yang diperoleh dari pangkalan data
Informasi rinci mengenai protein target termasuk keterlibatannya dalam penyakit (Apweiler et al. 2004) Online Kumpulan informasi Mendelian mengenai penyakit pada Inheritance in gen/protein lebih rinci. Man (OMIM) (Hamosh et al. 2005; dan Human Robinson dan Mundlos Phenotype 2010) Ontology
Hasil penelusuran data
Protein target Universal Protein Resource (UniProt)
Daftar gen dan fenotipe yang terkait dengan protein target
Fenotipe
Masing-masing protein target ditelusuri daftar fenotipe (penyakit) sebanyak 346 jenis fenotipe serta interaksi antar protein targetfenotipe sebanyak 358
Eksplorasi data awal Prediksi protein target diawali dengan tahapan pengumpulan data awal yaitu daftar senyawa yang dikandung pada ramuan jamu pada pangkalan data KNApSAcK family dan The Dictionary of Natural Products (DNP). Penyaringan senyawa menghasilkan 55 senyawa aktif dari 595 senyawa yang dikumpulkan dari kedua pangkalan data tersebut. 55 bahan aktif tersebut diidentifikasi sebagai senyawa yang mempunyai aktifitas farmakologis (Lampiran 1). Masing-masing bahan aktif kemudian ditelusuri interaksinya terhadap protein target yang telah terdokumentasi pada pangkalan data PubChem. Daftar bahan aktif pada ramuan jamu, jumlah protein target yang dituju oleh bahan aktif, dan interaksi pasangan bahan aktif -protein target (Lampiran 2) secara ringkas disajikan pada tabel berikut: Tabel 2. Daftar bahan aktif pada tanaman, protein target, dan interaksinya. Tanaman Bratawali (Tinospora crispa) Jahe (Zingiber officinale) Pare (Momordica charantia) Sembung (Blumea balsamivera) Jumlah
Bahan Jumlah protein Interaksi bahan aktif aktif target - protein target 3 46 3 3 55
63 146 28 95 332 (205)
64 1064 28 141 1297
Bahan aktif, protein target, dan interaksi bahan aktif dengan protein target dapat dideskripsikan dalam bentuk jejaring. Jejaring mampu merepresentasikan informasi โhubunganโ antar bahan aktif dan protein target. Jejaring terdiri atas dua komponen utama, yaitu node dan edge. Node merupakan individu yang terlibat di dalam sebuah jejaring yang dilambangkan dengan bentuk lingkaran. Edge
17 merupakan hubungan atau interaksi antar masing-masing individu yang dilambangkan dengan garis yang menghubungkan antar dua individu yang saling berhubungan. Dalam konteks farmakologi, sebuah node pada jejaring farmakologi biasanya menunjukkan: (i) gen, produk gen seperti : protein target atau entitas biologis pada jejaring biomolekuler (ii) tanaman, bahan aktif atau obat dalam jejaring ramuan; (iii) fenotipe klinis penyakit dalam jejaring fenotipe (Li & Zhang 2013). Edge pada jejaring farmakologi biasanya menunjukkan interaksi antara entitas gene, produk gen, bahan aktif, fenotipe, dsb. Gambar 7 merupakan jejaring yang terdiri atas 55 node sebagai bahan aktif dan 205 node sebagai protein target unik. Protein target unik berasal dari 332 protein target yang tereduksi menjadi 205 protein target disebabkan oleh adanya protein yang overlapping antara protein target yang berasal dari bahan aktif pada tanaman yang berbeda. Masing-masing bahan aktif menargetkan paling sedikit sebanyak satu dan paling banyak sebanyak 57 protein target. Hubungan interaksi bahan aktif dan protein target tersebut dapat direpresentasikan sebagai edge pada jejaring. Jumlah interaksi antar bahan aktif dan protein target yang diperoleh dari dokumentasi pangkalan data PubChem sebanyak 1297.
Gambar 7 Jejaring bahan aktif - protein target awal
18
Karakterisasi jejaring bahan aktif dengan protein target yang diperoleh dari bahan aktif pada empat tanaman dapat dilihat dengan degree distribution (Lihat Gambar 8). Degree distribution merupakan peluang dari sebuah node pada jumlah degree tertentu. Degree sendiri merupakan banyaknya node yang terhubung langsung dengan suatu node. Sebuah node pada jejaring dapat memiliki degree yang tinggi maupun degree yang rendah. Node yang memiliki degree yang tinggi pada umumnya jumlahnya sangat sedikit sementara node yang memiliki degree yang rendah pada umumnya jumlahnya banyak. Jejaring yang memiliki karakteristik tersebut ialah jejaring yang alamiah terjadi disebut juga scale-free network. Gambar 8 merupakan upaya dalam mengungkap karakter jejaring pada Gambar 7. Pola scale-free network pada degree distribution dicirikan dengan powerlaw distribution dimana pola yang dibentuk adalah trend linier kebawah. Gambar 8(b) menunjukkan bahwa degree dari protein target mengikuti power-law distribution. Artinya, banyak protein target tertentu dituju oleh bahan aktif dalam jumlah sedikit sementara sedikit protein target yang dituju oleh bahan aktif dalam jumlah banyak. Sebaliknya, degree dari bahan aktif tidak menunjukkan pola scale-free network. Hal tersebut disebabkan oleh terbatasnya ketersediaan informasi kandungan bahan aktif tertentu dalam tanaman yang terkait dengan popularitas tanaman. Ketersediaan bahan aktif pada tanaman seperti pada Tabel 2 terkait dengan popularitas tanaman. Jahe merupakan tanaman yang terdokumentasi mengandung banyak bahan aktif. Hal tersebut dikarenakan Jahe memiliki popularitas yang tinggi dibandingkan dengan tanaman lainnya. Penelitian ini merupakan inisiasi awal untuk menyaring pasangan bahan aktif yang bersinergi dengan pendekatan jejaring dengan protein target. Hasil yang diperoleh pada penelitian ini masih bersifat sementara seiring dengan berkembangnya penelitian lain yang memungkinkan bertambahnya jumlah daftar bahan aktif pada masing-masing tanaman tersebut.
Gambar 8 (a) Degree dari bahan aktif (b) Degree dari protein target
19 Prediksi protein target dari bahan aktif Prediksi protein target dari bahan aktif ramuan jamu diperoleh dengan menggunakan metode drugCIPHER-CS. Metode ini digagas oleh Zhao dan Li (2010) untuk memprediksi protein target dari bahan aktif dalam skala genomik yang besar dengan performa yang baik. Metode drugCHIPER-CS mengurutkan kemungkinan protein target tertentu yang menjadi target dari bahan aktif dengan mengkorelasikan kemiripan struktur kimiawi pada bahan aktif dan kedekatan antar protein target dalam jejaring PPI. Kemiripan struktur kimiawi antar 55 bahan aktif dihitung dengan koefisien Tanimoto berdasarkan struktur 2D berupa canonical smiles yang diperoleh dari pangkalan data PubChem. Koefisien Tanimoto merupakan koefisen yang paling sering digunakan dalam mengukur kemiripan struktur kimiawi. Namun, tidak menutup kemungkinan masih terdapat koefisien lain yang memiliki performa yang lebih baik digunakan selain koefisien Tanimoto. Sidik jari molekular yang digunakan adalah sidik jari Klekota-Roth yang terdiri atas 4860 fitur. Selain sidik jari Klekota-Roth terdapat pula sidik jari PubChem yang terdiri atas 881 fitur, sidik jari estate 166 fitur, dan lainnya. Jumlah fitur sidik jari Klekota-Roth yang lebih banyak diharapkan mampu memberikan prediksi yang lebih akurat dalam mengukur indeks kemiripan struktur kimiawi. Matriks kedekatan antara protein dan bahan aktif berbasis jarak antar protein dihitung dengan melihat jarak terpendek berdasarkan jejaring PPI (Lampiran 3). Jejaring PPI berbasis pangkalan data HPRD dapat dilihat pada Gambar 9. Jejaring PPI dibangun berdasarkan interaksi antar protein (PPI) sebanyak 37.080 dari 9.650 protein yang terdokumentasi pada Human Protein Reference Database (HPRD). Beberapa protein target hanya berinteraksi dengan sedikit protein target tertentu dan berinteraksi dengan protein yang juga tidak memiliki interaksi yang berinteraksi dengan protein target yang lain sehingga terpisahkan dari jejaring utama. Kemiripan struktur kimiawi dan kedekatan matriks dikorelasikan sehingga menghasilkan skor concordance untuk setiap kemungkinan pasangan masingmasing bahan aktif dan 9650 protein target yang ada. 100 protein target dengan skor concordance tertinggi dari masing-masing bahan aktif dianggap telah mampu mewakili profil dari protein target yang ditargetkan oleh bahan aktif. Hasil prediksi protein target dari bahan aktif tidak hanya berasal dari 205 protein target awal yang telah terdokumentasi. Prediksi protein target bahan aktif target yang diperoleh menggunakan metode drugCIPHER-CS terdiri atas 1055 protein. Protein target tersebut dapat dihimpun dalam sebuah jejaring. Jejaring bahan aktif dengan protein target yang merupakan hasil prediksi metode drugCIPHER-CS terdiri atas 1055 node yang menjadi protein target dan 5500 edge yang merupakan interaksi dari protein target dan bahan aktif (Gambar 10). Banyaknya edge sebanyak 5500 pada protein target yang berjumlah 1055 mengindikasikan adanya protein target yang menjadi target oleh bahan aktif yang berbeda (overlapping). Dengan kata lain bahwa terdapat protein target tertentu yang selalu menjadi target dari bahan aktif yang berbeda. Kondisi tersebut dapat lebih rinci ditelusuri dengan melihat degree dari protein target.
20
Gambar 9 Jejaring PPI (Protein-Protein Interaction)
21
Gambar 10 Prediksi jejaring bahan aktif dengan protein target
22
Log (banyaknya protein target)
Degree dari bahan aktif (Lihat Gambar 11) menunjukkan pola scale free network. Artinya, banyak protein target yang dituju oleh bahan aktif yang sedikit dan sedikit protein target yang dituju oleh bahan aktif yang banyak berdasarkan hasil prediksi. Pola yang ditunjukkan oleh degree dari protein target yang telah diprediksi lebih mulus dibandingkan dengan pola degree dari protein target yang berasal dari hasil dokumentasi pada Gambar 9 (b). 3 Bratawali
2.5
Jahe Pare
2
Sembung
1.5 1 0.5 0 0
0.5
1
1.5
Log ( banyaknya bahan aktif)
2
Gambar 11 Degree dari protein target (drugCIPHER) Pendugaan Skor Sinergis Untuk melihat potensi efek sinergis dari kombinasi pasangan bahan aktif pada tingkatan molekuler digunakan metode NIMS. NIMS merupakan pendekatan baru yang digunakan untuk mengukur kekuatan sinergis dari pasangan bahan aktif tertentu dari tanaman dengan menentukan interaksi protein target dari bahan aktif tersebut pada jejaring PPI. Kajian NIMS diterapkan pada 55 bahan aktif yang dikumpulkan secara manual pada empat tanaman yang telah diprediksi menuju atau menargetkan protein target tertentu (Lihat Tabel 1) yang yang terbentuk pada NIMS adalah jejaring prediksi protein target berbasis jejaring PPI. Topologi jejaring pada NIMS digunakan untuk menghitung skor topologi yang merupakan ukuran kedekatan protein target dari masing-masing bahan aktif berdasarkan tingkat kepentingan protein tersebut dalam jejaring. Semakin penting protein target dalam jejaring maka semakin kuat pula efek yang dihasilkan oleh bahan aktif yang menargetkan protein tersebut. Jejaring topologi NIMS dibangun dari prediksi jejaring protein target dari bahan aktif berbasis jejaring PPI namun node yang menjadi pusat perhatian adalah 1055 node yang diperoleh dari prediksi drugCIPHER-CS. Jejaring PPI dimanfaatkan untuk melihat node tersebut secara komprehensif melihat skor kepentingan suatu node. Tiga ukuran sentralitas yang digunakan untuk melihat skor tingkat pentingnya protein target sebagai sebuah node di dalam jejaring yaitu, betweenness, closeness, dan degree. Gambar 12 menunjukkan plot antara ketiga ukuran sentralitas pada 9.673 protein target pada jejaring PPI. Ukuran degree menunjukkan fitur jejaring yang umum digunakan dan hanya mampu menangkap informasi lokal dari sebuah node dengan melihat tetangga terdekat sementara ukuran sentralitas betweenness tidak hanya berisi informasi lokal namun
23 mengidentifikasi sebuah node dalam sebuah struktur jejaring global (Nacher dan Schwartz 2008). Gambar 12 menunjukkan bahwa protein target dengan ukuran sentralitas betweenness yang tinggi juga mempunyai jumlah degree yang tinggi. Hal tersebut mengindikasikan adanya korelasi linear positif antara ukuran betweenness dan ukuran degree pada jejaring ini. Semakin banyak jumlah edge atau jumlah protein target tetangga yang terhubung dengan protein target tertentu semakin besar kecenderungan protein tersebut mempunyai pengaruh pada struktur jejaring secara global. Ukuran yang lain yaitu ukuran kedekatan (closeness) merupakan ukuran seberapa dekat sebuah node tertentu terhadap node yang lainnya. Pada beberapa konteks, ukuran ini dapat dipahami sebagai ukuran seberapa cepat arus informasi yang dapat tersebar dari sebuah node tertentu ke semua node yang jauh pada jejaring.
Gambar 12 Plot betweenness, closeness, dan degree Tiga ukuran sentralitas pada jejaring tersebut tidak dapat digantikan antara satu dengan yang lain. Ketiga ukuran tersebut mengukur tingkat kepentingan sebuah node dari aspek yang berbeda (Li et al. 2011). Oleh karena itu, ketiga ukuran tersebut diintegrasikan dengan menggunakan analisis komponen utama (AKU). AKU digunakan untuk mengintegrasi ketiga ukuran tersebut menjadi satu skor yang mencerminkan tingkat kepentingan protein target. Skor dengan satu komponen utama diperoleh dengan mengakomodir 63.6 % keragaman dari tiga ukuran tersebut. Tabel 3 menunjukkan tiga ukuran sentralitas jejaring protein target dan skor IP.
24
Tabel 3. Tiga ukuran sentralitas jejaring dan skor kepentingan protein target HPRD Keantaraan Kedekatan Derajat Skor IP ID (Betweenness) (Closeness) (Degree) 01859 2076572.0149 4.93915E-09 270 37.3263 05639 1627436.5529 4.93912E-09 247 31.1040 01819 1044518.2163 4.93913E-09 208 22.5823 01498 1097085.1307 4.93912E-09 172 21.4240 04078 879726.5869 4.93911E-09 209 20.7595 04380 964110.2090 4.93912E-09 182 20.4014 03333 1059068.0446 4.93908E-09 159 20.3584 00589 924379.8618 4.93913E-09 188 20.2427 00277 996849.1576 4.93912E-09 168 20.0906 02534 860588.8373 4.93911E-09 198 20.0058 00579 989001.2363 4.93912E-09 161 19.6602 05670 1013615.5288 4.93908E-09 148 19.3059 03221 895070.1069 4.93912E-09 166 18.8372 00150 743737.2228 4.93910E-09 193 18.4349 02995 780247.6140 4.93911E-09 152 16.8505 01822 765853.1845 4.93908E-09 154 16.7846 02437 768921.1592 4.93913E-09 150 16.6244 03382 771028.1936 4.93909E-09 145 16.4045 00592 877210.1434 4.93908E-09 117 16.2453 โฎ โฎ โฎ โฎ โฎ 18482 0 2.60348E-09 0 0 Jarak terpendek antar protein target dari semua kemungkinan pasangan bahan aktif juga diukur untuk melihat kedekatan antara protein target satu dengan yang lain. Skor topologi mengintegrasi ukuran tingkat pentingnya protein target dan skor kedekatan antar protein target. Gambar 13(a) menunjukkan skor topologi dalam bentuk matriks heat map dari kombinasi 55 bahan aktif-x dengan 55 kandidat bahan aktif. Warna merah menunjukkan skor tertinggi dan warna kuning menunjukkan skor terendah. Pasangan kombinasi dari dua bahan aktif yang berbeda sebanyak 1430. Skor topologi berada pada rentang (0.0191;1). Skor topologi ini bergantung pada jejaring yang dibentuk. Jejaring protein target berbasis jejaring PPI bukan satu-satunya jejaring yang dapat dibentuk pada metode NIMS. Li et al. (2010) memanfaatkan jejaring protein target yang berbasis jejaring penyakit tertentu untuk melihat sinergi bahan aktif dalam mengobati penyakit tertentu, namun pada penelitian tersebut jejaring protein target yang digunakan bukan jejaring protein target yang diprediksi menggunakan metode drugCIPHER. Penggunaan jejaring protein target yang diprediksi melalui drugCIPHER diharapkan mampu memberikan hasil yang lebih presisi. Gambar 13(a) menunjukkan bahwa skor topologi dari bahan aktif Sembung terhadap bahan aktif tanaman lain cenderung rendah. Prediksi jejaring menggambarkan posisi protein target dari bahan aktif Sembung relatif jauh daripada protein target dari bahan aktif lainnya. Namun terdapat indikasi kedekatan protein target Sembung dari bahan aktif tertentu terhadap bahan aktif
25 yang berasal dari Pare. Selain dari hubungan protein target bahan aktif Pare dan Sembung di atas, kecenderungan protein target pada bahan aktif Pare memiliki kedeketan dengan protein target pada bahan aktif tanaman Jahe. Jumlah identifikasi bahan aktif Jahe yang lebih banyak dari bahan aktif lainnya menunjukkan sebagian besar pasangan bahan aktif tanaman Jahe mempunyai kedekatan protein target. Bahan aktif dari tanaman Bratawali menunjukkan kedekatan protein targetnya dengan tanaman Jahe dan antar bahan aktif Bratawali sendiri. Selain melihat skor topologi, skor sinergi dapat ditelusuri melalui sejauh mana kemiripan pasangan bahan aktif tanaman obat dalam hal mengobati penyakit tertentu yang dikuantifikasi dengan Agent Score seperti pada Gambar 13(b). Agent Score ini diperoleh dari identifikasi keterlibatan protein pada penyakit tertentu pada pangkalan data OMIM. Agent Score diperoleh dengan menghitung kemiripan pasangan fenotipe dari bahan aktif. Beberapa metode yang dapat digunakan untuk menghitung kemiripan pasangan fenotipe dengan memanfaatkan diagram HPO dan menerapkan metode text mining. Pada penelitian ini, ukuran kemiripan yang digunakan adalah ukuran standar (default) yang tersedia pada package HPOSim pada perangkat lunak R-Languange yaitu ukuran kemiripan Resnik untuk kesamaan HPO terms dan metode funSimMax untuk skor kemiripan fenotipe. Beberapa konsep peluang yang berbeda pada ukuran kemiripan lain yaitu Ukuran Lin, Jiang-Contrath, ukuran graph IC, dan ukuran Wang serta metode kemiripan fenotipe seperti Max, Mean, funSimAvg, dan BMA dapat digunakan sebagai bahan perbandingan untuk penelitian selanjutnya. Agent Score dari 1430 pasangan bahan aktif berada pada rentang (0.105195; 0.353001). Kemiripan pasangan bahan aktif berdasarkan penyakit yang diobati memiliki skor yang lebih rendah dibanding berdasarkan skor kedekatan protein target. Informasi dari pangkalan data mengenai gen atau produk gen memang tidak selalu menunjukkan bahwa setiap gen atau produk gen memiliki atau mengeskpresikan fenotipe (penyakit) tertentu. Kemiripan bahan aktif dalam hal melihat kesamaan fenotipe ini lebih cenderung terlihat pada bahan aktif antar tanaman Jahe. Dengan melihat dua aspek secara bersama dalam mengkuantifikasi sinergi antar bahan aktif diperoleh skor sinergi seperti pada Gambar 13(c). Skor sinergi yang diperoleh berada pada rentang (0.00251; 0.353). Skor sinergi berada pada kisaran nilai 0-1. Skor yang kira-kira dianggap valid ialah pada rentang 0-0.9. Jika skor melebihi 0.9 maka kemungkinan besar bahan aktif tersebut bekerja pada set gen yang persis sama. Untu pasangan bahan aktif yang sperti itu membutuhkan informasi lebih jauh untuk membedakan interaksi antar keduanya (Li et al. 2011). Skor sinergi relatif rendah dibanding dengan skor topologi disebabkan sedikitnya kemiripan bahan aktif berdasarkan kelainan fenotipe oleh protein target dari bahan aktif. Skor sinergi tertinggi pada ramuan dapat dilihat pada pasangan bahan aktif antar tanaman Jahe. Sementara sinergi antar tanaman yang berbeda namun mempunya skor sinergi yang relatif tinggi adalah pasangan beberapa bahan aktif tanaman Jahe dan Pare, serta pasangan bahan aktif tanaman Bratawali dan Jahe.
26 (b)
Bahan aktif-x
Bahan aktif-x
(a)
Kandidat bahan aktif
Kandidat bahan aktif
Bahan aktif-x
(c)
Kandidat bahan aktif
Gambar 13 (a) Matriks Topology Score (b) Matriks Agent Score (c) Matriks Synergy Score
27
Bahan aktif-x
Formulasi jamu pada penelitian ini terdiri atas empat tanaman. Obat tradisional berbasis tanaman di Cina yang dikenal dengan TCM (Traditional Chinese Medicine) umumnya membuat formula jamu dengan prinsip kombinasi Jun-Chen-Zuo-Si. Prinsip kombinasi tersebut digunakan dalam pembagian peran masing-masing tanaman. Tanaman Jun bertindak sebagai tanaman obat yang mengobati penyakit utama, tanaman Chen bertindak untuk meningkatkan kinerja tanaman utama, tanaman Zuo-Shi bertindak sebagai tanaman yang mengurangi efek samping dari tanaman utama (Li & Zhang 2013). Jika diasumsikan bahwa tanaman utama disini ialah tanaman Bratawali atau Pare, maka skor sinergi tanaman tersebut jika berpasangan dengan empat tanaman lainnya (Gambar 14).
Gambar 14 Skor sinergis bahan aktif pada tanaman Pare dan Bratawali Potensi skor sinergi antar bahan aktif dengan Pare dan Bratawali sebagai tanaman utama dapat lebih jelas terlihat pada Tabel 4. Terdapat 324 pasangan bahan aktif dari tanaman Bratawali dan Pare terhadap semua bahan aktif pada empat tanaman. Berikut skor sinergi dari enam bahan aktif yang terdapat pada Bratawali dan Pare sebagai bahan aktif utama dengan 3 bahan aktif dengan peringkat teratas. Tabel 4 Peringkat skor sinergi Pare dan Bratawali terhadap seluruh kandidat bahan aktif Bahan aktif Utama Kandidat bahan aktif Skor Sinergi Peringkat B013 J127 0.1270 13 B013 B018 0.0888 20 B013 J153 0.0883 21 B015 J091 0.1568 2 B015 J249 0.1568 3 B015 J036 0.1566 4 B018 J127 0.1398 10 B018 J270 0.1017 14 B018 J153 0.0965 17 P044 P195 0.1759 1 P044 P183 0.1004 15 P044 S002 0.0859 24 P183 P195 0.0648 33 P183 S002 0.0154 45 P183 S031 0.0112 69 P195 S002 0.0840 25 P195 S031 0.0088 88 P195 S030 0.0073 125
28
Tabel 4 menunjukkan bahwa bahan aktif yang berasal dari tanaman Bratawali memiliki peluang yang besar untuk bersinergi dengan bahan aktif yang terdapat pada tanaman Jahe. Contoh: Bahan aktif (-)-Secoisolariciresinol (B013) dengan bahan aktif 1,7-Bis(3,4-dihydroxyphenyl)-3,5-heptanediol; (3S,5S)-form, 3',3''-Di-Me ether (J127) dan seterusnya. Daftar bahan aktif dapat dilihat pada Lampiran 1. Pengujian Signifikansi Skor Sinergi Metode NIMS hanya menyediakan informasi mengenai kekuatan sinergi antar pasangan bahan aktif tanaman obat. Pasangan bahan aktif mana yang perlu ditelusuri lebih lanjut (signifikan) masih menjadi tantangan dalam pendekatan komputasi ini. Uji signifikansi pada skor sinergi bertujuan untuk melihat apakah pasangan bahan aktif signifikan bersinergi atau tidak. Skor sinergi yang diperoleh melalui pendekatan komputasi menggunakan metode NIMS, selanjutnya diuji menggunakan konsep uji permutasi dengan menyusun ulang dengan mengacak kumpulan protein target yang menjadi target dari suatu bahan aktif. Penyusunan kembali dan pengacakan pada set protein target pada masing-masing bahan aktif menghasilkan statistik dari pengulangan dengan pengacakan yang kemudian membentuk sebaran statistik dari skor sinergi. Metode NIMS dilakukan dengan pengulangan sejumlah 1000 kali dengan kumpulan protein target yang berbeda untuk masing-masing 1430 pasangan aktif. Setiap pasangan bahan aktif memiliki skor sinergi permutasi sebanyak 1000 skor. 1000 skor sinergi permutasi tersebut membentuk sebaran hipotesis nol. Skor sinergi permutasi selanjutnya dibandingkan dengan skor sinergi aktual yang diperoleh pada metode NIMS dengan kumpulan protein target asli. Sebaran statistik yang dibentuk untuk setiap pasangan bahan aktif digunakan untuk menguji hipotesis dan menarik kesimpulan pasangan bahan aktif mana yang signifikan. Penarikan kesimpulan pada pengujian hipotesis ialah tolak ๐ป๐ jika p-value < ๐ผ.
persentase Kandidat bahan aktif
Skor sinergi = 0.1568 P-value = 0.0000 n = 1000
Skor sinergi permutasi
Gambar 15 Ilustrasi sebaran (a) hipotesis nol yang diperoleh melalui uji permutasi.
29
Bahan aktif x
Skor sinergi permutasi yang diperoleh dari 1000 kali ulangan pada pasangan bahan aktif N-trans-Feruloyltyramine (B018) dan Shogaols; [8]Shogaol (J097) ditunjukkan pada Gambar 15 sebagai ilustrasi. Skor sinergi permutasi diperoleh pada rentang nilai (0.013831546 ;0.049665892) dengan sebaran skor seperti pada Gambar 15. Skor sinergi aktual yang diperoleh untuk pasangan bahan aktif tersebut ialah 0.156777867 dan proporsi sebaran skor sinergi permutasi yang lebih besar daripada skor sinergi aktual pada metode NIMS ialah 0% sehingga p-value yang diperoleh pada sebaran tersebut yaitu 0.000000. Pvalue yang diperoleh kemudian dijadikan sebagai dasar untuk menolak hipotesis nol yang berarti bahwa pasangan bahan aktif N-trans-Feruloyltyramine (B018) dan Shogaols; [8]-Shogaol (J097) signifikan bersinergi. Hal yang sama dilakukan untuk 1430 pasangan bahan aktif pada ramuan Jamu. P-value yang diperoleh dari uji permutasi untuk menguji signifikansi antar 1430 pasangan bahan aktif pada ramuan jamu secara ringkas dapat dilihat pada Gambar 16. Pada taraf uji sebesar 5% maka pasangan bahan aktif nyata bersinergi jika p-value < 0.005.
Kandidat bahan aktif Gambar 16 P-value skor sinergis pasangan bahan aktif tanaman obat
30
Warna gelap pada gambar heatmap (Gambar 16) menunjukkan pasangan bahan aktif signifikan bersinergi (tolak hipotesis nol), sementara warna terang menunjukkan bahwa belum cukup bukti untuk mengatakan bahwa pasangan bahan aktif signifikan bersinergi. Hasil pengujian terhadap skor sinergi untuk skor yang relatif tinggi antar beberapa bahan aktif tanaman Jahe, antar pasangan beberapa bahan aktif pada tanaman Bratawali dan tanaman Jahe, pasangan beberapa bahan aktif tanaman Sembung dan tanaman Bratawali, pasangan beberapa bahan aktif tanaman Sembung dan tanaman Jahe, serta antar pasangan bahan aktif pada tanaman Pare dan tanaman Jahe menghasilkan skor sinergi yang signifikan pada taraf uji nyata 5%. Hasil yang diperoleh pada uji permutasi ini merupakan salah satu cara untuk menyaring pasangan bahan aktif mana yang perlu ditelusuri lebih lanjut selain mempertimbangkan peringkat kekuatan skor sinergi yang diperoleh pada tahapan pendugaan skor menggunakan metode NIMS. Secara praktis dari sudut pandang ramuan Jamu, implementasi skor sinergi yang signifikan dapat dilihat lagi secara terpadu pada gerombol-gerombol pasangan bahan aktif. Gerombol tersebut mengindikasikan bahwa pasangan bahan aktif bersinergi pada suatu kondisi tertentu. Penelusuran dapat dilakukan lebih lanjut untuk mengidentifikasi pasangan bahan aktif mana yang bersinergi dengan bekerja pada kondisi yang sama dan pasangan bahan aktif bersinergi pada kondisi yang berbeda namun masih dengan mengejar tujuan yang sama.
31
5 SIMPULAN DAN SARAN Simpulan Metode NIMS dapat digunakan sebagai langkah awal untuk menduga efek sinergi antar pasangan bahan aktif dengan pendekatan komputasi. Metode NIMS merupakan salah satu upaya mengungkap mekanisme kerja Jamu. Validasi skor sinergis dapat didekati dengan teknik uji permutasi. Skor sinergi yang relatif tinggi dan signifikan berdasarkan hasil uji permutasi antar pasangan bahan aktif pada tanaman penyusun ramuan jamu ditemukan pada pasangan bahan aktif antar tanaman Jahe. Efek sinergi antar tanaman yang berbeda namun mempunya skor sinergi yang juga relatif tinggi adalah pasangan beberapa bahan aktif tanaman Jahe dan Pare, pasangan beberapa bahan aktif tanaman Bratawali dan Jahe, pasangan beberapa bahan aktif tanaman Bratawali dan Sembung, serta pasangan beberapa bahan aktif tanaman Sembung dan Jahe.
Saran Analisis ini didasarkan pada temuan daftar bahan aktif yang telah disenaraikan dari beberapa pangkalan data. Kemungkinan ditemukan daftar bahan aktif baru yang terkandung pada tanaman obat pada pangkalan data menjadi fenomena yang perlu dikaji kembali. Oleh karena itu, konsistensi hasil analisis pada penelitian ini perlu dilakukan dengan cara mengulangi analisis ini dengan membuang daftar bahan aktif tertentu dengan jumlah tertentu pula. Serangkaian metode yang digunakan pada penelitian ini juga perlu untuk dibandingkan dengan metode lainnya. Seperti pada tahapan pertama yaitu pediksi protein target dari bahan aktif dengan metode drugCIPHER-CS pada penelitian ini prediksi protein target menggunakan kemiripan struktur kimia dua dimensi dari bahan aktif. Kemiripan struktur kimiawi bahan aktif boleh jadi lebih akurat jika menggunakan struktur kimia tiga dimensi. Berbagai metode mengukur kemiripan fenotipe pada tahapan kedua yakni mengkuantifikasi kekuatan sinergi juga dapat dikaji kembali. Selain itu, evaluasi efek sinergis pada bahan aktif tanaman obat secara komputasi perlu divalidasi kembali dengan uji eksperimental sehingga mampu menunjukkan keakuratan metode yang digunakan. Identifikasi serta pencarian data yang lebih komprehensif juga diperlukan untuk mendapatkan hasil evaluasi efek sinergis yang lebih baik.
32
33
DAFTAR PUSTAKA Afendi FM, Okada T, Yamazaki M, Hirai-Morita A, Nakamura Y , Nakamura K , Ikeda S , Takahashi H , Altaf-Ul-Amin M, Darusman LK , Saito K, Kanaya S. 2012. KNApSAcK Family databases: Integrated metaboliteโ plant species databases for multifaceted plant research. Plant Cell Physiol. 53(2). 1-12.doi:10.1093/pcp/pcr165 Apweiler R, Bairoch A, Wu CH, et al. 2004. UniProt: the Universal Protein knowledgebase. Nucl. Acids Res. 32 (1). D115D119.doi: 10.1093/nar/gkh131 Deng Y, Gao L, Wang B, Guo X. 2015. HPOSim: An R package for phenotypic similarity measure and enrichment analysis based on the Human Phenotype Ontology. PLoS ONE. 10(2): e0115692. doi:10.1371/journal.pone.0115692 Goel R, Harsha HC, Pandey A, Prasad TSK. 2012. Human Protein Reference Database and Human Proteinpedia as resources for phosphoproteome analysis. Mol Biosyst. 8(2). 453-463.doi:10.1039/c1mb05340j Hamosh A, Scott AF, Amberger JS, Bocchini CA, McKusick VA. 2005 Online Mendelian Inheriantace in Man (OMMIM), a knowladgebase of human genes and genetic disorders. Nucleic Acids Res. 33. D514D517.doi:10.1093/nar/gki033 Hesterberg T, Monaghan S, Moore DS, Clipson A, Epstein R. 2003. Bootstrap Methods and Permutation Tests. New York (US). W. H. Freeman and Company Katno, Pramono S. 2008. Tingkat manfaat dan keamanan tanaman obat dan obat tradisional. Balai Penelitian Tanaman Obat Tawangmangu, Fakultas Farmasi, UGM. Diakses pada tanggal 09 Juni 2015 pada perpustakaan.depkes.go.id:8180/.../BK2008-G105.pdf Li S, Zhang B. 2013. Traditional Chinese medicine network pharmacology: theory, methodology and application. Chinese Journal of Natural Medicines. 11(2): 0110โ0120. Li S, Zhang B, Zhang NB. 2011. Network target for screening synergistic drug combinations with application to traditional Chinese medicine. BMC Systems Biology. 5(1).1-13. Li Y, Li R, Ouyang Z , Li S. 2015. Herb Network Analysis for a Famous TCM Doctor's Prescriptions on Treatment of Rheumatoid Arthritis. EvidenceBased Complementary and Alternative Medicine.2015. 19.doi:10.1155/2015/451319. Li H, Zhao L, Zhang B, Jiang Y, Wang X,Guo Y,Liu H, Li S, Tong2 X. 2014. A Network Pharmacology Approach to Determine Active Compounds and Action Mechanisms of Ge-Gen-Qin-Lian Decoction for Treatment of Type 2 Diabetes. Evidence-Based Complementary and Alternative Medicine.2014.1-12.doi:10.1155/2014/495840. Mudunuri U, Che A, Yi M, Stephens RM. 2009. bioDBnet:The biological database network.Bioinformatics.25(4). 555โ 556.doi:10.1093/bioinformatics/btn654
34
Nacher JC, Schwartz JM. 2008. A global view of drug-therapy interactions. BMC Pharmacology, 85-14. doi:10.1186/1471-2210-8-5 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. Resnik P. 1999. Semantic similarity in a taxonomy: an information-based measure and its application to problems of ambiguity in natural language. 11. 95130. Running WE. 1993. Chapman and Hall dictionary of natural products on CDROM. J Chem Info Comp Sci.33.934โ935.doi: 10.1021/ci00016a603 Robinson PN, Mundlos S. 2010. The Human Phenotype Ontology Clin Genet. 77: 525-534. doi:10.1111/j.1399-0004.2010.01436.x Smyth GK, Phipson B. 2010. Permutation P-values should never be zero: calculating exact p-values when permutations are randomly drawn. Statistical Applications in Genetics and Molecular Biology 9.1-12. Spinella M. 2002. The importance of pharmacological synergy in psychoactive herbal medicines. Alternative Medicine Review. 7(2). 130-137. Wang Y, Xiao J, Suzek TO, Zhang J, Wang J, Bryant SH. 2009. PubChem: a public information system for analyzing bioactivities of small molecules. Nucleic Acids Res. 2(8).1-11. doi:10.1093/nar/gkp456. Zhao S, Li S. 2010. Network-based relating pharmacological and genomic spaces for drug target identification. PLoS ONE. 5(7). 110.doi:10.1371/journal.pone.0011764.
35 Lampiran 1. Daftar 55 bahan aktif yang terdapat pada empat tanaman No 1 2
ID B013 B015
CID 65373 5280537
BAHAN AKTIF (-)-Secoisolariciresinol N-trans-Feruloyltyramine
3 4
B018 J010
158516 5275727
5
J036
3473
N-Formylanonaine Gingerdiols; [6]-Gingerdiol, 3-Epimer Gingerols; [6]-Gingerol
6
J044
9795270
7 8
J057 J068
10976 7406
Gingerols; [6]-Gingerol, Demethoxy 2-Heptanol; (ฮพ)-form Isopropylbenzene
9
J091
6442560
Shogaols; [8]-Shogaol
10
J127
11
J135
12
J153
11068834 1,7-Bis(3,4dihydroxyphenyl)-3,5heptanediol; (3S,5S)-form, 3',3''-Di-Me ether 124072 1,7-Bis(3,4dihydroxyphenyl)-3,5heptanediol; (3R,5R)-form, 3,5-Diketone, 3',3''-di-Me ether 31211 4-(3,4-Dihydroxyphenyl)-2butanone; 3-Me ether
13
J191
2537
(-)-Camphor
14 15
J192 J193
2758 6654
1,8-Cineole alpha-Pinene
16
J194
14896
beta-Pinene
17 18 19 20 21
J195 J196 J198 J199 J200
159055 26049 637566 643820 11463
(+)-Camphor 3-Carene Geraniol Nerol Terpinolene
TANAMAN Tinospora crispa Tinospora crispa (L.) Hook.f.et Thoms. Tinospora crispa Miers Constit. of Zingiber officinale Constit. of Zingiber officinale Constit. of Zingiber officinale Zingiber officinale Trace constit. of ginger oil (Zingiber officinale) Constit. of grains of paradise (Amomum melegueta) and (Zingiber officinale) Constit. of the rhizomes of Zingiber officinale and Curcuma xanthorrhiza Constit. of Zingiber officinale
Reputed pungent principle of Zingiber officinale (ginger). Also present in cranberry, raspberry and mango Zingiber officinale ROSC. Zingiber officinale Zingiber officinale ROSC. Zingiber officinale ROSC. Zingiber officinale Zingiber officinale Zingiber officinale Zingiber officinale Zingiber officinale ROSC.
36
No 22 23 24 25
ID J205 J206 J207 J208
CID 5144 5281794 1201518 6616
BAHAN AKTIF Safrole [6]-Shogaol Borneol Camphene
26 27 28 29
J211 J212 J213 J218
7463 6549 7460 5281516
p-Cymene (R)-linalool alpha-Phellandrene (E,E)-alpha-Farnesene
30 31 32 33 34 35 36
J221 J224 J226 J234 J236 J238 J240
222284 440917 6321405 5284507 11230 17100 8163
(-)-beta-Sitosterol (+)-S-Carvone (-)-Isoborneol (E)-Nerolidol 4-Terpineol alpha-Terpineol 2-Undecanone
37 38 39 40 41
J241 J242 J247 J248 J249
8914 454 9862 8141 6442612
Nonanol Octanal 6-Methyl-5-hepten-2-one Nonane 10-Shogaol
42
J250
82227
1R,5R-(+)-alpha-Pinene
43 44 45 46 47 48 49 50
J270 J274 J275 J286 J287 J288 J291 P044
5318039 638011 356 11552 1031 527 7909 90677200
51
P183
446925
Hexahydrocurcumin Citral Octane 3-Methyl-butanal n-Propanol Propionaldehyde Methyl isobutyl ketone 5,19-Epoxycucurbita-6,23diene-3,25-diol; (3ฮฒ,5ฮฒ,23E)form Lycopene
52
P195
44445582 Karaviloside I
53
S002
6448
54 55
S030 S031
72 66654
2-Bornanol; (1S,2R)-form, Ac 3,4-Dihydroxybenzoic acid Xanthoxylin
TANAMAN Zingiber officinale Zingiber officinale Zingiber officinale Zingiber officinale ROSC. Zingiber officinale Zingiber officinale Zingiber officinale Zingiber officinale ROSC. Zingiber officinale Zingiber officinale Zingiber officinale Zingiber officinale Zingiber officinale Zingiber officinale Zingiber officinale ROSC. Zingiber officinale Zingiber officinale Zingiber officinale Zingiber officinale Zingiber officinale ROSC. Zingiber officinale ROSC. Zingiber officinale Zingiber officinale Zingiber officinale Zingiber officinale Zingiber officinale Zingiber officinale Zingiber officinale Constit of Momordica charantias Momordica charantia L. Momordica charantia L. Blumea balsamifera Blumea balsamifera Blumea balsamifera
37 Lampiran 2. Interaksi bahan aktif dengan protein target No
IDKU
1 2
B013 B013
3
B013
4 5
B013 B013
6
B013
7
B013
8
B013
9
B013
10
B013
11
B013
12
B013
13
B013
14
B013
15
B013
16
B013
17
B013
18
B013
19
B013
20
B013
21 โฎ โฎ 1296
B013 โฎ โฎ S002
1297 S002
Nama Protein platelet-activating factor acetylhydrolase precursor [Homo sapiens] (gi: 270133071) Matrix metalloproteinase-9 (gi: 269849668) sentrin-specific protease 8 [Homo sapiens] (gi: 262118306) orexin receptor type 1 [Homo sapiens] (gi: 222080095) Neuropilin 2 [Homo sapiens] (gi: 219520294) NLRP3 protein [Homo sapiens] (gi: 219518789) protein-arginine deiminase type-4 [Homo sapiens] (gi: 216548487) photoreceptor-specific nuclear receptor [Homo sapiens] (gi: 216409728) MAS-related GPR member X1 [Homo sapiens] (gi: 195969650) Apoptotic peptidase activating factor 1 [Homo sapiens] (gi: 187952397) Chain A, Human Bcl2-A1 In Complex With Bim-Bh3 Peptide (gi: 167013344) insulin-degrading enzyme isoform 1 [Homo sapiens] (gi: 155969707) Prolyl endopeptidase-like [Homo sapiens] (gi: 153217451) beta-adrenergic receptor kinase 1 [Homo sapiens] (gi: 148539876) Alkaline phosphatase, intestinal [Homo sapiens] (gi: 124376142) SUMO1/sentrin specific peptidase 7 [Homo sapiens] (gi: 120538355) neurotensin receptor type 1 [Homo sapiens] (gi: 110611243) E3 ubiquitin-protein ligase Mdm2 isoform a [Homo sapiens] (gi: 89993689) protein Mdm4 isoform 1 [Homo sapiens] (gi: 88702791) Myeloid cell leukemia sequence 1 (BCL2related) [Homo sapiens] (gi: 78070770) integrin alpha-4 precursor [Homo sapiens] (gi: 67191027) โฎ โฎ RGS12 [Homo sapiens] (gi: 3290016) glp-1 receptor, partial [Homo sapiens] (gi: 1724069)
HPRD ID 3407 387 9784 3863 3643 5915 5635 5132 6246 3755 3034 894 17189 182 1376 7154 1218 1272 4082 8870 1894 โฎ โฎ 3943 677
38
Lampiran 3. Daftar interaksi antar protein (Protein-Protein Interaction) No
Protein-1
1 2 3 4 5 6 7 8 9 10
ITGA7 PPP1R9A SRGN GRB7 PAK1 DLG4 PIK3R2 PTPN18 ERBB2IP
HPRD ID 02761 16000 01513 03311 03995 04199 04404 05961 06090
SMURF2 NF2 CD82 ERRFI1 MMP7 TOB1 MUC4 PICK1 SMURF2 DDX20 TLE1 TLE3 HDAC1 SMAD1 KDM5B CD4 SMURF2 CBL PLCG1 PRLR TYK2 SMURF2 MAPK1 VAV1 HRAS BTK TGFBR1 โฎ โฎ PTK2B
06901 06980 09004 09218 01525 09273 11829 16176 06901 05859 02557 02558 03143 03356 09251 01740 06901 01320 01398 01457 01490 06901 01496 01284 01813 02248 01822 โฎ โฎ 03131
11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 โฎ โฎ 37.080
Protein-2 CHRNA1 ACTG1 CD44 ERBB2 ERBB2 ERBB2 ERBB2 ERBB2 ERBB2 ARHGAP 5 ERBB2 ERBB2 ERBB2 CD44 ERBB2 ERBB2 ERBB2 TXNIP ETV3 FOXG1 FOXG1 FOXG1 FOXG1 FOXG1 CD44 DAB2 VAV1 VAV1 VAV1 VAV1 DGCR2 VAV1 RHOG VAV1 VAV1 CD44 โฎ โฎ ERBB2
HPRD ID 00007 00017 00115 01281 01281 01281 01281 01281 01281
Pubmed ID
04060 01281 01281 01281 00115 01281 01281 01281 05964 01282 01283 01283 01283 01283 01283 00115 03139 01284 01284 01284 01284 08999 01284 01537 01284 01284 00115 โฎ โฎ 01281
15231748 12118253 14576349 11003669 11825873 8632892 12434309,11687512,11598901 11278603 15231748 12007404 11238932 11238932 11238932 11387330 12657635 7539755 15231748 9200440,11133830 9891995,16467851 7768923 10673353 15231748 9013873,8900182 12376551 8554611 9201297 12145287 โฎ โฎ 10713673
10910772 9362513,12052877 9334256 9079677 9774445 10839362 1334406 14660651 11278603,10878805
39
RIWAYAT HIDUP Penulis dilahirkan di Ujung Pandang pada tanggal 25 Februari 1991 dan merupakan anak ke-2 dari 7 bersaudara dari bapak A. Syahrir Badaruddin dan Ibu St Takdirah. Tahun 2008 penulis lulus dari SMAN 1 Makassar, Sulawesi Selatan dan pada tahun yang sama penulis lulus seleksi masuk Universitas Hasanuddin (Unhas) melalui Jalur Penelusuran Prestasi dan Bakat (JPPB) dan diterima di Jurusan Matematika, Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam serta lulus pada tahun 2012. Tahun 2013 penulis menjadi mahasiswa di Sekolah Pasca Sarjana Institut Pertanian Bogor (SPS IPB) pada Program Studi Statistika Terapan. Selama kuliah di SPS IPB, penulis memperoleh beasiswa Beasiswa Pendididikan Pascasarajana Dalam Negeri (BPP-DN) Calon Dosen dari Direktorat Jenderal Pendidikan Tinggi (DIKTI). Penulis sedang mengajukan publikasi ilmiah yang merupakan bagian dari tesis pada Jurnal Jamu Indonesia. Tulisan yang sama tersebut juga telah dipresentasikan oral pada seminar internasional The Third International Symposium on Temulawak and Potential Plants for Jamu. Selama kuliah penulis juga menghadiri beberapa seminar internasional maupun nasional antara lain: 13th Islamic Countries Conference on Statistical Sciences, Seminar Nasional Ikatan Perstatistikan Indonesia dengan tema peningkatan kualitas data untuk perencanaan pembangunan, dan Indonesia Postgraduate Students Conference โMenakar Kepemimpinan untuk Kesejahteraan Indonesiaโ. Penulis merupakan sekertaris Himpunan Profesi (HIMPRO) Statistika Pascasarjana IPB.
