analisis bicluster pada jaringan farmakologi …

Templat tesis dan disertasiANTIDIABETES TIPE 2
Dengan ini saya menyatakan bahwa tesis berjudul Analisis Bicluster pada
Jaringan Farmakologi Berbasis Penambatan Molekuler untuk Jamu Antidiabetes
Tipe 2 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.
Berbasis Penambatan Molekuler untuk Jamu Antidiabetes Tipe 2. Dibimbing oleh
FARIT MOCHAMAD AFENDI dan I MADE SUMERTAJAYA.
Metode analisis data terdiri dari berbagai macam pendekatan. Salah satu
metode analisis data yang bersifat deskriptif adalah analisis gerombol. Analisis
gerombol digunakan untuk mengelompokkan objek-objek berdasarkan kemiripan
karakteristik yang dimilikinya. Sebagian besar literatur analisis gerombol fokus
pada penggerombolan satu arah. Penggerombolan satu arah mengasumsikan bahwa
objek-objek memiliki karakteristik di semua baris atau kolom, sehingga objek pada
baris dikelompokkan berdasarkan kemiripan pada kolom atau peubah pada kolom
dikelompokkan berdasarkan kemiripan pada baris. Berbeda halnya, data dua arah
mengasumsikan bahwa objek-objek tertentu hanya memiliki karakteristik pada
baris atau kolom tertentu. Indentifikasi subkelompok baris dan subkelompok kolom
tertentu yang saling berkaitan menjadi tujuan utama dalam penggerombolan dua
arah. Jadi, penanganan mengenai penggerombolan dua arah perlu dikembangkan.
Penelitian ini membahas pendekatan penggerombolan dua arah yang
menghubungkan subkelompok baris dengan subkelompok kolom secara bersama-
sama pada data matriks. Ide utama dari pendekatan ini adalah mempartisi sebuah
matriks menjadi submatriks dengan pendekatan penguraian nilai singular (singular
value decomposition/SVD), kemudian penggerombolan dilakukan secara bersama-
sama terhadap submatriks tersebut sehingga diperoleh gerombol baris dan
gerombol kolom yang saling berkaitan atau disebut dengan analisis bicluster.
Kelebihan analisis bicluster pada data dua arah adalah memiliki kekekaran
(robustness) serta lebih informatif dibandingkan dengan penggerombolan satu arah.
Analisis bicluster pada penelitian ini diterapkan di bidang farmakologi pada
kasus penyakit diabetes tipe 2 menggunakan matriks data interaksi molekuler, yaitu
data matriks berisi bilangan riil yang menunjukkan besar interaksi yang terjadi
ketika suatu molekul (senyawa) berikatan dengan molekul lain (protein)
membentuk suatu makromolekul (kompleks) yang stabil. Tujuannya adalah
menemukan sekelompok senyawa dan sekelompok protein tertentu yang saling
berhubungan dan berperan dalam penyakit diabetes tipe 2. Penyakit diabetes tipe 2
merupakan penyakit gangguan metabolik yang terjadi saat tubuh tidak dapat
menggunakan insulin secara efektif, berbeda dengan penyakit diabetes tipe 1 yang
terjadi saat pankreas tidak menghasilkan insulin yang cukup. Penyakit diabetes tipe
2 ini lebih mendominasi sekitar 90% dari seluruh jenis kasus penyakit diabetes.
Matriks data interaksi molekuler pada penelitian ini dibangun melalui metode
penambatan molekuler, yaitu pendekatan berbasis komputasi yang dilakukan
dengan cara menambatkan struktur 3D senyawa terhadap struktur 3D protein. Data
3D senyawa yang digunakan pada penelitian ini adalah data senyawa yang berasal
dari tanaman obat, yaitu batang Bratawali (Tinospora crispa), rimpang Jahe
(Zingiber officinale), daun Pare (Momordica charantia), daun Sembung (Blumea
balsamifera), dan data senyawa yang berasal dari obat sintetis yang telah disetujui
oleh Food Drug Administration (FDA) sebagai obat untuk mengatur diabetes
(antidiabetes). Di samping itu, data 3D protein yang digunakan adalah data 21
protein yang berhubungan dengan penyakit diabetes tipe 2.
Berdasarkan analisis bicluster dengan metode complete linkage diperoleh
beberapa senyawa Jahe yang mengelompok dan dekat dengan senyawa obat sintetis
DB06 (Glicazide) dan DB16 (Tolrestat) yaitu J163, J088, J036, J033, J131 (CID:
5317593, 86067879, 3473, 11472339, 44715523). Senyawa tersebut memiliki
potensi sebagai kandidat jamu antidiabetes tipe 2. Dari kelima senyawa tersebut,
senyawa J036 dan J131 dapat dijadikan sebagai kandidat utama obat antidiabetes
karena memiliki jumlah ikatan hidrogen yang lebih banyak dibandingkan obat
sintetis serta memiliki kemiripan area pengikatan ligan yang cukup tinggi dengan
obat sintetis. Meskipun senyawa J156 tidak berdekatan dengan kelima senyawa
J033, J036, J088, J131, J163, namun senyawa J156 juga dapat dijadikan sebagai
kandidat obat tambahan karena memiliki interaksi terkuat dengan protein INS,
jumlah ikatan hidrogen yang sama dengan senyawa J036, serta kemiripan area
pengikatan ligan yang cukup tinggi dengan senyawa obat sintetis DB16.
Sebaliknya, protein AKT1, WFS1, APOE (GI: 54038761, 224994203, 178853)
yang mengelompok dekat dengan protein INS (GI: 386828) dapat diduga sebagai
protein target yang berperan dalam diabetes tipe 2. Residu asam amino yang paling
berperan penting baik pada interaksi 6 senyawa tanaman obat maupun interaksi 2
senyawa obat sintetis dengan protein INS adalah asam amino Lys-88 dan Thr-51.
Kata kunci: analisis bicluster, diabetes tipe 2, jaringan farmakologi, penambatan
molekuler
SUMMARY
NUR AZIZAH KOMARA RIFAI. Bicluster Analysis in Network Pharmacology
based on Molecular Docking for Jamu of Type 2 Antidiabetic. Supervised by
FARIT MOCHAMAD AFENDI and I MADE SUMERTAJAYA.
Data analysis methods consist of various approaches. One type of descriptive
data analysis is cluster analysis. Cluster analysis can be used to group some objects
based on similarity of their characteristics. Most of standard clustering literature
focuses on one-way clustering. One-way clustering assumes that objects have
characteristics across rows or columns, so the objects in rows are grouped by the
similarity in columns or variables in columns are grouped by the similarity in rows.
In contrast, two-way data analysis assumes that certain objects only have
characteristics on a particular row or column. Identifying subgroups of rows and
subgroups of cloumns interrelated is an objective in two-way clustering. Thus, two-
way clustering needs to be developed for two-way data analysis.
This research discusses a two-way clustering approach that links subgroups
of rows and subgroup of columns simultaneously in the data matrix. The main idea
of this approach is to partition a matrix into a submatrix with a singular value
decomposition (SVD) approach, and then clustering submatrix simultaneously so
the corresponding row dendrogram and column dendrogram can be obtained by
bicluster analysis. The advantages of biclsuter analysis on two-way data are
robustness and more informative than one-way clustering.
The bicluster analysis in this study was applied in the pharmacology field in
the ase of type 2 diabetes using data matrix of molecular interaction, i.e. the data
matrix contains real numbers that represent the value of the interaction that occurs
when a molecule (compound) bind to other molecules (protein) to form a stable
macromolecule (complex). The objective of this analysis is to find subgroups of
compounds and subgroup of proteins that are interrelated and play a role in type 2
diabetes. Type 2 diabetes is a complex metabolic disorder disease that occurs when
the body cannot use insulin effectively, in contrast to type 1 diabetes that occurs
when the pancreas does not produce enough insulin. Type 2 diabetes is more
dominate about 90% of all types of diabetes cases.
Data matrix of molecular interaction in this study was built through molecular
docking method, that is computation approach which is done by docking the 3D
structure of compound to the 3D structure of protein. The 3D data of compound
used in this study are compound data from medicinal plants, namely Bratawali
(Tinospora crispa), Ginger (Zingiber officinale), Pare (Momordica charantia), and
Sembung (Blumea balsamifera), and also compound data from synthetic drugs that
have been approved by the Food Drug Administration (FDA) as a drug to regulate
diabetes (antidiabetic). In addition, the 3D data of protein used in this study are
proteins associated with type 2 diabetes.
Based on bicluster analysis with complete linkage method, it is found that
there are some Ginger compounds that clustered and close to the synthetic drug
compounds DB06 (Glicazide) and DB16 (Tolrestat) i.e. J163, J088, J036, J033,
J131 (CID: 5317593, 86067879, 3473, 11472339, 44715523). These compounds
can possible be developed as jamu candidates for type 2 antidiabetic. From these
compounds, the compounds J036 and J131 can be used as the main candidates for
jamu of type 2 antidiabetic, because they have more hydrogen bonds than synthetic
drugs and they have a fairly high binding similarity with synthetic drugs. Although
the compound J156 is not close to five compounds J033, J036, J088, J131, J163,
but it is still one cluster, and the compound J156 can also serve as additional
candidate because it has the strongest interaction with protein INS, has the same
number of hydrogen bonds as the compound J036, as well as has high binding
similarity with synthetic drug compound DB16. Likewise, the proteins AKT1,
WFS1, APOE (GI: 54038761, 224994203, 178853) that assemble and have a high
relation with protein INS (GI: 386828) can be seen as target proteins that play a role
in type 2 diabetes. The most important amino acid residue that plays a role on the
interaction of the six medicinal plant compounds and have similarity to the residue
on the interaction of the two synthetic drug compounds are Lys-Thr-88 and 51.
Keywords: bicluster analysis, molecular docking, network pharmacology, type 2
diabetes
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
Tesis
Magister Sains
ANTIDIABETES TIPE 2
Penguji Luar Komisi pada Ujian Tesis: Dr Ir Erfiani, MSi
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Judul yang
dipilih dalam penelitian yang dilaksanakan sejak bulan September 2016 ini ialah
Analisis Bicluster pada Jaringan Farmakologi Berbasis Penambatan Molekuler
untuk Jamu Antidiabetes Tipe 2.
Terima kasih penulis ucapkan kepada Bapak Dr Farit Mochamad Afendi, MSi
dan Bapak Dr Ir I Made Sumertajaya, MSi selaku pembimbing, serta Ibu Dr Ir
Erfiani MSi yang telah banyak memberi saran. Di samping itu, penghargaan penulis
sampaikan kepada Bapak Rudi Heryanto, MSi dari Departemen Kimia, Fakultas
Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor serta Bapak Dr
Tony Ibnu Sumaryada, MSi dari Departemen Fisika, Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian Bogor, yang telah membantu dan berdiskusi
dengan penulis selama pengumpulan data. Terima kasih juga penulis ucapkan
kepada Lembaga Pengelola Dana Pendidikan (LPDP) yang telah memberikan
bantuan Beasiswa Pendidikan Indonesia (BPI) program tesis kepada penulis, serta
terima kasih kepada seluruh dosen, staf, dan mahasiswa di Departemen Statistika,
Sekolah Pascasarjana Institut Pertanian Bogor yang telah membantu penulis selama
masa perkuliahan hingga selesai studi. Ungkapan terima kasih juga disampaikan
kepada ayah, ibu, serta seluruh keluarga, atas segala doa dan kasih sayangnya.
Semoga karya ilmiah ini bermanfaat.
Bogor, September 2017
Optimasi Geometri dan Minimasi Energi pada Ligan dan Protein 12
Penambatan Molekuler 13
Analisis Biplot 14
Analisis Bicluster 15
Simpulan 20
Saran 20
1 Perbedaan antara metode gerombol klasik dan metode bicluster (Charrad
dan Ahmed 2011)
3 Jumlah gerombol senyawa berdasarkan nilai indeks validitas pada setiap
metode penggerombolan berhierarki
4 Jumlah gerombol protein berdasarkan nilai indeks validitas pada setiap
5 Residu asam amino reseptor yang berinteraksi dengan ligan obat sintetis
6 Persentase kemiripan residu asam amino reseptor yang berinteraksi
dengan ligan tanaman obat dan obat sintetis (%)
DAFTAR GAMBAR
2 Penggerombolan berhierarki 2 dimensi (McCune dan Mefford 2016) 8
3 Diagram alir penelitian 11
4 Protein INS sebelum (a) dan setelah (b) dioptimasi dan diminimasi 12
5 Nilai energi bebas ikatan (G) hasil penambatan molekuler 13
6 Biplot dari data interaksi antara senyawa dan protein 14
7 Hasil penggerombolan metode complete linkage 2 dimensi 17
DAFTAR LAMPIRAN
2 Protein yang berhubungan dengan penyakit diabetes tipe 2 31
3 Hasil optimasi geometri dan minimasi energi pada ligan 32
4 Hasil optimasi geometri dan minimasi energi pada protein 34
5 Nilai energi bebas ikatan (G) 35
6 Matriks G untuk penggerombolan senyawa 37
7 Matriks H untuk penggerombolan protein 39
8 Kelompok senyawa dan protein hasil analisis biplot 40
9 Hasil analisis bicluster dengan metode single linkage 41
10 Hasil analisis bicluster dengan metode complete linkage 42
11 Hasil analisis bicluster dengan metode average linkage 43
12 Hasil analisis bicluster dengan metode Ward 44
13 Residu asam amino reseptor yang berinteraksi dengan ligan tanaman obat
dan mirip dengan asam amino ligan obat sintetis 45
14 Hasil penambatan molekuler 5 ligan tanaman obat dan 2 ligan obat
sintetis dengan protein INS
15 Interaksi 5 ligan tanaman obat dan 2 ligan obat sintetis dengan protein
INS
6
15
16
19
19
46
47
Metode analisis data terdiri dari berbagai macam pendekatan dengan tujuan
yang sama yaitu untuk meringkas, menyederhanakan, dan menjelaskan data. Salah
satu pendekatan analisis data yang bersifat deskriptif adalah analisis gerombol.
Analisis gerombol merupakan metode pengelompokan objek-objek berdasarkan
kemiripan karakteristik yang dimilikinya (Mattjik dan Sumertajaya 2011). Sebagian
besar literatur analisis gerombol fokus pada penggerombolan satu arah yaitu objek-
objek yang terdapat pada baris dikelompokkan berdasarkan kemiripan beberapa
peubah yang terdapat pada kolom atau sebaliknya. Tryon dan Bailey (1970) telah
melakukan penggerombolan satu arah (gerombol klasik) secara terpisah yaitu
dengan mengelompokkan objek pada baris menggunakan matriks ukuran jarak,
kemudian mengelompokkan peubah pada kolom menggunakan matriks korelasi.
Walau demikian, teknik penggerombolan tersebut masih memiliki keterbatasan
untuk data dua arah yang ingin mengetahui hubungan dari gerombol objek tertentu
dengan gerombol peubah tertentu secara bersama-sama. Jadi, penanganan
mengenai penggerombolan dua arah secara bersamaan perlu dikembangkan.
Pendekatan penggerombolan dua arah bukan merupakan pendekatan yang
baru. Hartigan (1972) telah memperkenalkan teknik penggerombolan dua arah yang
menghubungkan sebuah gerombol objek dengan sebuah gerombol peubah secara
bersama-sama pada data matriks. Ide utama dari pendekatan ini adalah mempartisi
matriks X(I, J) secara simultan dengan mengatur baris I dan kolom J menjadi
submatriks X(P, Q) dengan baris P dan kolom Q yang saling berkaitan (Govaert
1995). Metode penggerombolan dua arah ini telah diterapkan Cheng and Church
(2000) pada matriks data ekspresi gen, yaitu data matriks berisi bilangan riil yang
menunjukkan aktivitas dari sejumlah gen (baris) dan kondisi percobaan (kolom)
yang berbeda-beda. Salah satu alasan penggunaan penggerombolan dua arah secara
simultan dari baris dan kolom pada matriks data ekspresi gen disebabkan karena
pola aktivitas hanya terjadi pada sebagian gen yang aktif dalam kondisi percobaan
tertentu saja, sehingga indentifikasi subkelompok baris tertentu dan subkelompok
kolom tertentu yang saling berkaitan menjadi tujuan utama dalam penggerombolan.
Jika penggerombolan matriks data ekspresi gen dilakukan menggunakan gerombol
klasik, hasil penggerombolan gen atau kondisi menjadi tidak tepat.
Pendekatan lain dari penggerombolan dua arah juga telah ditemukan oleh
Mirkin (1996) dengan melakukan penggerombolan baris dan kolom secara
bersama-sama pada data matriks atau dikenal dengan istilah bicluster. Kluger et al.
(2003) menerapkan analisis bicluster dengan metode penggerombolan
unsupervised pada data microarray, yaitu chip berukuran kecil berisi puluhan ribu
data gen dalam bentuk fragmen DNA yang dapat mengenali pola ekspresi gen
dalam suatu contoh jaringan yang berbeda-beda. Tujuan penggunaan bicluster
dalam penelitian tersebut adalah mencari gen (baris) penanda yang menunjukkan
aktivitas serupa dan saling berhubungan pada jenis tumor (kolom) tertentu. Metode
bicluster dengan unsupervised tersebut berhasil mengungkap peubah laten yang ada
baik dalam dimensi gen maupun dimensi tumor, seperti memisahkan gen dari jenis
tumor leukemia dan limfoma (Golub dan Van Loan 1999).
2
penggerombolan secara simultan merupakan teknik penting dalam analisis data dua
arah. Kelebihan analisis bicluster pada data dua arah adalah memiliki kekekaran
(robustness) dibandingkan dengan penggerombolan satu arah, karena melibatkan
dua karakteristik objek pada baris dan kolom secara bersama-sama (Kluger et al.
2003). Selain itu, analisis bicluster dapat mengidentifikasi subkelompok baris atau
subkelompok kolom yang saling berkaitan, yang tidak dapat ditemukan oleh
penggerombolan satu arah (Preli et al. 2006). Metode bicluster ini banyak
diterapkan di berbagai bidang, seperti bioinformatika, text mining, web mining,
analisis social network, dan bidang lainnya yang menggunakan data dua arah.
Parsons et al. (2004) telah menerapkan metode bicluster di bidang
farmakologi pada data interaksi molekuler, yaitu interaksi yang terjadi ketika suatu
molekul berikatan dengan molekul lain dan dapat membentuk makromolekul
kompleks yang stabil. Molekul ini dapat berupa ligan (senyawa) atau reseptor
(protein). Penelitian tersebut berhasil mengidentifikasi beberapa beberapa profil
senyawa aktif dari obat dan protein yang menjadi target obat (protein target). Walau
demikian, penelitian tersebut dilakukan terbatas pada data senyawa obat yang telah
diketahui memiliki interaksi dengan protein target tertentu. Jika interaksi antara
senyawa obat dan protein target belum diketahui, senyawa obat yang dapat
berinteraksi dengan protein target tertentu tidak dapat digunakan atau otomatis
tereliminasi dalam analisis. Jadi, penanganan mengenai interaksi antara senyawa
dan protein target secara molekuler juga perlu dikembangkan.
Pada penelitian ini, matriks data interaksi molekuler dibangun melalui
pendekatan metode penambatan molekuler, yaitu pendekatan berbasis komputasi
yang dilakukan dengan cara menambatkan struktur 3D senyawa terhadap struktur
3D protein. Metode penambatan molekuler ini dapat menghasilkan suatu nilai
energi bebas ikatan (G) yang menunjukkan besar kekuatan ikatan antarmolekul
atau interaksi antara senyawa dan protein. Dengan demikian, besaran nilai interaksi
antara senyawa dan protein (baik yang sudah diketahui maupun yang belum
diketahui) dapat diperoleh secara keseluruhan. Matriks data interaksi molekuler
atau matriks G hasil penambatan molekuler selanjutnya dapat dianalisis
menggunakan analisis bicluster dengan pendekatan penguraian nilai singular
(singular value decomposition/SVD), yang dapat menguraikan sebuah matriks
menjadi dua matriks berisi informasi senyawa (baris) dan informasi protein (kolom)
secara simultan. Sebagai alternatif, penentuan optimasi gerombol dengan beberapa
kriteria indeks validitas pada penelitian ini juga digunakan untuk membantu dalam
menentukan banyak gerombol senyawa dan protein yang tepat.
Data yang digunakan pada penelitian ini merupakan data senyawa yang
berasal dari tanaman obat serta obat sintetis yang telah disetujui oleh Food Drug
Administration (FDA) sebagai obat untuk mengatur diabetes (antidiabetes), dan
data protein yang berhubungan dengan penyakit diabetes tipe 2. Penyakit diabetes
merupakan penyakit gangguan metabolik yang terjadi saat pankreas tidak
menghasilkan insulin yang cukup (tipe 1) atau tubuh tidak dapat menggunakan
insulin secara efektif (tipe 2). Penyakit diabetes tipe 2 merupakan jenis penyakit
diabetes yang lebih mendominasi dari seluruh kasus diabetes yaitu sekitar 90%
(Kemenkes 2014). Oleh karena itu, penelitian ini fokus pada analisis bicluster yang
diterapkan di bidang farmakologi dengan menggunakan data matriks G dari hasil
penambatan molekuler untuk jamu antidiabetes tipe 2.
3
Tujuan penelitian ini adalah menentukan kelompok senyawa aktif dari
tanaman obat yang mirip dengan obat sintetis dan memiliki hubungan dengan
kelompok protein yang berperan dalam penyakit diabetes tipe 2.
Manfaat Penelitian
senyawa dan protein secara kuantitatif yang lebih komprehensif serta dapat
memprediksi potensi kandidat obat untuk penyakit diabetes tipe 2 dengan biaya
efektif dan waktu yang cepat.
2 TINJAUAN PUSTAKA
Diabetes Tipe 2
ditandai dengan kenaikan kadar gula darah, ketika pankreas tidak menghasilkan
insulin yang cukup (tipe 1) atau tubuh tidak dapat menggunakan insulin yang
dihasilkan secara efektif (tipe 2). Insulin adalah hormon yang mengatur gula darah
atau glukosa. Semua jenis penyakit diabetes dapat menyebabkan komplikasi di
beberapa bagian tubuh seperti jantung, pembuluh darah, mata, ginjal, saraf, dan
bahkan dapat meningkatkan risiko mati muda. Meskipun penyakit diabetes tipe 1
belum dapat dicegah, persentase diabetes tipe 2 lebih mendominasi yaitu sekitar
90% dari seluruh kasus diabetes (Kemenkes 2014). Hingga saat ini, diabetes tipe 2
tidak hanya terjadi pada orang dewasa saja melainkan juga pada anak-anak. Risiko
diabetes tipe 2 dapat disebabkan oleh beberapa faktor seperti genetik dan metabolik,
berat badan berlebihan atau obesitas, kurangnya aktivitas fisik, usia atau riwayat
keluarga, dan beberapa pola makan yang tidak sehat. Kunci utama yang perlu
dilakukan untuk mencegah penyakit ini adalah makan makanan yang sehat, aktif
secara fisik, hindari berat badan berlebihan, hindari penggunaan rokok, rajin
memeriksa glukosa darah, dan mengikuti saran medis.
Jaringan Farmakologi
farmakologi, jaringan biologi, sistem biologi, bioinformatika, ilmu komputer, dan
disiplin ilmu lainnya (Zhang 2016) untuk memahami mekanisme obat dalam
perspektif jaringan (Hopkins 2007). Jaringan farmakologi bertujuan memahami
penyakit dengan sistematis, menemukan target obat, mengetahui interaksi jaringan
antara obat dan tubuh, dan meningkatkan khasiat obat. Pembuatan obat pada
jaringan farmakologi telah berubah dari cara pandang tradisional “one disease–one
target–one drug” menjadi cara pandang baru “drug–target–disease networks”
(Yang et al. 2013). Obat sintetis yang terdiri atas satu senyawa aktif dengan satu
4
protein target penyakit tertentu tidak dapat menangani penyakit kompleks yang
menargetkan banyak protein sekaligus. Berbeda halnya dengan ramuan bahan alam
(jamu) dari tanaman obat yang dapat melibatkan beberapa komponen senyawa dan
beberapa protein target (Li dan Zhang 2013). Tanaman obat juga lebih aman (Greer
et al. 1994) serta lebih tepat digunakan untuk penyakit metabolik dan degeneratif
(Katno dan Pramono 2008). Gambaran topologi jaringan farmakologi antara
tanaman, senyawa kimia pada tanaman, dan protein penyebab penyakit diabetes
ditunjukan pada Gambar 1.
Penambatan Molekuler
memprediksikan orientasi dari suatu molekul ke molekul lain ketika berikatan
membentuk kompleks yang stabil (Widodo 2014). Molekul ini dapat berupa ligan
(senyawa) dan reseptor (protein) dengan analogi seperti gembok dan kunci (lock
and key) (Hopkins 2007), ketika senyawa berperan sebagai kunci yang masuk dan
mengikat gembok atau protein. Penambatan ligan terhadap protein merupakan
penambatan molekuler yang sangat penting dalam proses penemuan obat saat ini
(Huang dan Zou 2010) sebagai virtual screening dari pangkalan data besar dan
desain obat berbasis struktur. Representasi struktur yang digunakan untuk
menentukan adanya ikatan antarmolekul pada penambatan molekuler adalah
struktur 3D molekul (senyawa atau protein).
Pemilihan ligan yang digunakan dalam penambatan molekuler diawali
dengan menyaring struktur senyawa menggunakan parameter Lipinski’s Rule yang
menyatakan seberapa baik penyerapan senyawa dalam tubuh manusia (Lipinski et
al. 2001). Kriteria Lipinski’s Rule meliputi hidrogen donor ≤ 5, hidrogen akseptor
≤ 10 , bobot molekul ≤ 500 g/mol, dan koefisien partisi oktanol-air (logP) ≤ 5.
Untuk menggambarkan kompleks mendekati kondisi alaminya, maka ligan
diperlakukan sebagai struktur yang fleksibel sedangkan protein dalam kondisi yang
kaku. Penambatan molekuler merupakan metode yang ekonomis, relatif cepat, dan
banyak digunakan untuk memprediksi kekuatan ikatan molekuler in silico (Sousa
et al. 2013).
5 Terdapat 2 komponen penting dalam penambatan molekuler, yaitu pencarian
algoritma dan fungsi penilaian (Du et al. 2016). Pencarian algoritma berperan
dalam penentuan konformasi yang paling stabil saat pembentukan kompleks,
sedangkan fungsi penilaian memperkirakan afinitas ikatan terbaik
antarmakromolekul. Fungsi penilaian pada penambatan molekuler berbasis medan
gaya yang memodelkan berbagai jenis interaksi dalam ikatan molekul melalui
fungsi fisika dan parameter yang diturunkan dari percobaan atau simulasi mekanika
kuantum (Grinter dan Zhou 2014). Hasil yang diperoleh dari proses penambatan
molekuler salah satunya adalah nilai energi bebas ikatan (G) yang
menggambarkan kekuatan interaksi yang terjadi antara ligan dan protein dengan
rentang nilai -∞ < G < ∞ . Secara termodinamik, jika nilai G < 0 maka proses
reaksi kimia terjadi spontan, jika nilai G = 0 maka proses reaksi berada dalam
kesetimbangan, dan jika G > 0 maka proses reaksi kimia terjadi tidak spontan.
Semakin negatif nilai G maka ikatan ligan dan protein semakin stabil dan baik
atau interaksi antara senyawa dan protein semakin kuat. Nilai G hasil penambatan
molekuler dapat digunakan sebagai data matriks untuk analisis bicluster.
Analisis Biplot
Analisis biplot digunakan untuk eksplorasi posisi senyawa dan protein dari
banyak dimensi menjadi dimensi kecil. Ekplorasi posisi objek diperlukan sebagai
alat bantu dalam analisis gerombol (Mattjik dan Sumertajaya 2011). Biplot
merupakan grafik berdimensi dua yang berisi informasi dalam sebuah data matriks
n×p (Johnson dan Wichern 2002). Data matriks G yang berisi senyawa pada baris
dan protein pada kolom dapat dianalisis menggunakan biplot. Tiga hal penting yang
dapat diperoleh dengan analisis biplot adalah kedekatan antarobjek yang diamati,
keragaman peubah, dan korelasi antarpeubah.
Analisis biplot dilakukan berdasarkan penguraian nilai singular (singular
value decomposition/SVD). Menurut Jolliffe (2002), matriks X adalah sebuah
matriks dekomposisi berukuran n×p dengan n objek dan p peubah yang dikoreksi
terhadap rata-ratanya dan dapat ditulis menjadi
X = ULA T (1)
U dan A adalah matriks berukuran n×r dan p×r dengan kolom bersifat ortonormal
(UT U = A
T A = Ir) , r adalah rank dari matriks X, L adalah matriks diagonal
berukuran r×r dengan unsur-unsur diagonalnya merupakan akar dari nilai eigen-
nilai eigen XT X yaitu 1
1/2 ≥ 2 1/2 ≥ … ≥ r
1/2 atau disebut nilai singular matriks X,
dan kolom-kolom matriks A adalah vektor eigen dari matriks XT X. Kolom-kolom
matriks U diperoleh dari ui = 1
i ai ; i = 1, 2, … , r dengan ui adalah kolom matriks
U, ai adalah kolom matriks A, dan λi adalah nilai eigen ke-i.
Didefinisikan Lα dengan 0 ≤ α ≤ 1 adalah matriks diagonal dengan unsur-
unsur elemennya yaitu 1 α/2 ≥ 2
α/2 ≥ … ≥ r α/2 dan definisi juga berlaku untuk L1-α
dengan unsur-unsur elemennya yaitu 1
(1-α)/2 ≥ 2
(1-α)/2 ≥ … ≥ r
(1-α)/2 . Misalkan
A T maka
6
Pendekatan matriks X pada dimensi dua menghasilkan matriks G dan H
yaitu:
G =
[ g
(3)
Matriks G dan H masing-masing adalah titik koordinat dari n objek dan p peubah.
Gabriel (1971) mengemukakan ukuran pendekatan matriks X dengan biplot yaitu:
ρ2 = (λ1 + λ2)
(4)
λ1 adalah nilai eigen terbesar pertama, λ2 adalah nilai eigen terbesar kedua, dan
λk, k = 1, 2, … , r adalah nilai eigen ke-k. Biplot yang mampu memberikan
informasi sebesar 70% dari seluruh informasi dianggap sudah cukup baik (Mattjik
dan Sumertajaya 2011).
atau dua dimensi. Bicluster pada umumnya juga dikenal dengan istilah
simultaneous clustering, co-clustering, two-way clustering atau block clustering
(Madeira dan Oliveira 2004). Tujuan analisis bicluster adalah menemukan
submatriks, yaitu subkelompok baris dan subkelompok kolom yang memiliki
keterkaitan tinggi. Beberapa perbedaan antara metode gerombol klasik dan metode
bicluster menurut Charrad dan Ahmed (2011) dapat ditunjukkan pada Tabel 1.
Metode bicluster ini banyak diterapkan di berbagai bidang, seperti bioinformatika,
text mining, web mining, dan analisis social network.
Tabel 1 Perbedaan antara metode gerombol klasik dan metode bicluster (Charrad
dan Ahmed 2011)
Diterapkan baik dari data matriks baris
atau kolom secara terpisah dan
merupakan model global
berkaitan
tertentu didefinisikan menggunakan
gerombol peubah dicirikan semua
hanya menggunakan subset peubah
dan masing-masing peubah dalam
bicluster dipilih hanya menggunakan
exclusive dan/atau exhaustive
Hartigan (1972) menggagas ide mengenai penggerombolan baris dan kolom dari
7
7 suatu matriks secara simultan. Analisis bicluster dengan pendekatan SVD pada
penelitian ini dilakukan untuk mendapatkan informasi senyawa dan protein secara
simultan dan selanjutnya dianalisis dengan metode penggerombolan berhierarki.
Metode penggerombolan berhierarki terdiri atas metode aglomerasi dan
pemecahan. Pada metode aglomerasi, setiap pengamatan dimulai dalam gerombol
sendiri-sendiri dan pasangan gerombol digabungkan sebagai sesuatu yang bergerak
ke atas hierarki, sedangkan pada metode pemecahan semua pengamatan dimulai
dalam satu gerombol kemudian dipecah secara rekursif sebagai sesuatu yang
bergerak ke bawah hierarki. Hasil dari kedua metode tersebut dapat digambarkan
dalam bentuk diagram pohon (dendrogram). Metode pembentukan gerombol yang
diterapkan pada penelitian ini adalah metode aglomerasi, yaitu single linkage,
complete linkage, average linkage, dan Ward. Berikut ini adalah langkah-langkah
dalam algoritma penggerombolan aglomerasi berhierarki untuk pengelompokan N
objek (item atau peubah) (Johnson dan Wichern 2002):
1. Mulai dengan N gerombol, masing-masing berisi satu kesatuan dan matriks
simetrik N×N dari jarak (atau kemiripan) D = {dik}.
2. Cari matriks jarak dUV untuk pasangan gerombol U dan V terdekat (paling
mirip).
3. Gabungkan gerombol U dan V yang membentuk gerombol baru (UV).
Perbarui elemen matriks jarak dengan (a) menghapus baris dan kolom sesuai
dengan gerombol U dan V dan (b) menambahkan baris dan kolom dengan
memberikan jarak antara gerombol (UV) dan gerombol yang tersisa.
4. Ulangi langkah 2 dan 3 sebanyak N - 1 kali. (Semua objek akan berada dalam
satu gerombol setelah algoritma berakhir). Catat identitas gerombol yang
tergabung dan tingkat (jarak atau kemiripan) saat penggabungan berlangsung.
Pada metode single linkage, complete linkage, dan average linkage dimulai
dengan menentukan jarak terkecil D = {dik} dan menggabungkan objek U dan V
yang sesuai untuk medapatkan gerombol (UV). Untuk langkah ke-3 dari algoritma
di atas, jarak antara (UV) dan gerombol W lainnya pada single linkage dihitung
menggunakan:
dUW dan dVW masing-masing merupakan jarak antara tetangga terdekat dari
gerombol U dan W dan gerombol V dan W. Sebaliknya, jarak antara (UV) dan
gerombol W lainnya pada complete linkage dihitung menggunakan:
d(UV)W = max{dUW,dVW} (6)
dUW dan dVW masing-masing merupakan jarak antara anggota terjauh dari gerombol
U dan W dan gerombol V dan W. Selain itu, jarak UV dengan gerombol W lainnya
pada average linkage ditentukan menggunakan:
d(UV)W = ∑ ∑ dik
N(UV)NW
(7)
dik adalah jarak antara objek i dalam gerombol (UV) dan objek k dalam gerombol
W, dan N(UV) serta NW masing-masing merupakan banyaknya item dalam gerombol
(UV) dan gerombol W. Selain itu, jarak UV dengan gerombol W lainnya pada
metode Ward ditentukan dengan jumlah kuadrat galat antara dua gerombol untuk
seluruh peubah yaitu:
j=1 (8)
8
xj merupakan pengukuran peubah ganda terkait dengan item j dan x merupakan
rata-rata semua item. Hasil dari bicluster dapat digambarkan dalam bentuk plot 2
dimensi seperti pada Gambar 2. Matriks pada kotak-kotak kecil adalah matriks unit
contoh×spesies, kepekatan warna menunjukkan proporsional kelimpahan spesies,
dendrogram pada sumbu vertikal merupakan penggerombolan unit contoh, dan
dendrogram pada sumbu horizontal merupakan penggerombolan spesies.
Gambar 2 Penggerombolan berhierarki 2 dimensi (McCune dan Mefford 2016)
Indeks Validitas Gerombol
Optimasi gerombol dilakukan untuk membantu dalam menentukan banyak
gerombol yang paling tepat dalam sekumpulan data (Charrad et al. 2014).
Akibatnya, pengelompokan yang dihasilkan memerlukan beberapa jenis evaluasi
dalam hal validitas. Beberapa kriteria indeks validitas penggerombolan berhierarki
yang digunakan pada penelitian ini di antaranya CH index, Pseudo t2, Frey index,
dan Gap index.
dengan keragaman di dalam gerombol dengan persamaan sebagai berikut:
CH(q) = trace(Bq)/(q - 1)
(9)
n dan q masing-masing adalah jumlah total observasi dan jumlah gerombol, Bq =
∑ nk(ck - x)(ck - x) Tq
gerombol, Wq = ∑ ∑ (xi - ck)(xi - ck) Tq
i∈ck
k=1 merupakan matriks dispersi dalam
gerombol untuk q gerombol. Jumlah gerombol yang optimal pada CH index adalah
gerombol yang menghasilkan nilai indeks maksimum.
9
9 Duda dan Hart (1973) menerapkan Pseudo t2 dengan persamaan sebagai
berikut:
(10)
Vkl = Wm − Wk − Wl, jika Cm = Ck ∪ Cl. Jumlah gerombol yang optimal pada
Pseudo t2 adalah jumlah gerombol terkecil yang menghasilkan nilai indeks < nilai
kritis atau
Frey dan Van Groenewoud (1972) mengusulkan indeks dengan persamaan
sebagai berikut:
(12)
= / adalah rata-rata jarak antargerombol dan = / adalah rata-
rata jarak di dalam gerombol. Jumlah gerombol yang optimal pada Frey index
adalah gerombol sebelum nilai indeks < 1.
Tibshirani et al. (2001) mengusulkan pendugaan gap statistic dengan
persamaan sebagai berikut:
B adalah jumlah referensi himpunan data yang dibangkitkan menggunakan
rekomendasi seragam dan Wqb adalah dispersi di dalam matriks yang didefinisikan
sebagai indeks Hartigan = ( trace(Wq)
trace(Wq+1) - 1) (n + q - 1); q ∈ {1, … , n - 2}. Jumlah
gerombol yang optimal pada Gap index adalah jumlah gerombol terkecil yang
menghasilkan nilai kritis > 0 atau
Gap(q) ≥ Gap(q + 1) - sq+1, (q = 1, … , n - 2) (14)
sq= sdq√1 + 1/B , sdq= √1/B ∑ (logWqb - l) 2
=1 merupakan simpangan baku dari
{log Wqb}, b = 1, … , B, dan l = 1/B ∑ logWqb =1 .
3 METODE
Data
Data yang digunakan dalam penelitian ini berasal dari 2 sumber data.
Pertama, data 287 senyawa empat tanaman obat dalam pembuatan jamu yaitu 15
senyawa batang Bratawali (Tinospora crispa), 173 senyawa rimpang Jahe (Zingiber
officinale), 87 senyawa daun Pare (Momordica charantia), dan 12 senyawa daun
Sembung (Blumea balsamifera) yang dibandingkan dengan data 19 senyawa obat
sintetis yang telah disetujui oleh Food Drug Administration (FDA) sebagai obat
antidiabetes (Qomariasih 2015). Kedua, data 21 protein yang berhubungan dengan
penyakit diabetes tipe 2 (Usman 2016). Daftar sumber data penelitian dicari dari
berbagai pengkalan data publikasi ilmiah seperti ditunjukkan pada Tabel 2.
10
287
senyawa
tanaman
obat
KNApSAcK
CHEMnetBASE
PubChem
http://kanaya.naist.jp/knapsack_jsp
/top.html
http://dnp.chemnetbase.com
https://pubchem.ncbi.nlm.nih.gov
I. Perhitungan energi bebas ikatan (ΔG) dengan metode penambatan molekuler
1. Pengumpulan data 3D senyawa dan protein
Data senyawa dan protein dikumpulkan dari berbagai sumber pangkalan
data dalam stuktur 3D (lihat Tabel 2). Data untuk 306 senyawa yaitu 287
senyawa tanaman obat dan 19 senyawa obat sintetis dalam format .sdf diunduh
dari pangkalan data PubChem dengan pencarian berdasarkan struktur yang diisi
oleh nomor CID dari pangkalan data Knapsack, Chemnetbase, dan DrugBank
pada Qomariasih (2015). Senyawa yang digunakan untuk penambatan adalah
senyawa yang memenuhi kriteria Lipinski’s Rule. Kemudian, struktur 2D
senyawa dimodelkan menjadi struktur 3D ligan dalam format .pdb dengan
perangkat lunak MarvinSketch. Data untuk 21 protein yang berhubungan dengan
penyakit diabetes tipe 2 dalam format .pdb dimodelkan dan diunduh dari
SWISS-MODEL dengan menggunakan sekuens protein (FASTA) untuk
manusia (homo sapiens) yang diperoleh dari NCBI dengan pencarian
berdasarkan nama gene/locus dari pangkalan data OMIM pada Usman (2016).
2. Optimasi geometri dan minimasi energi ligan dan protein
Optimasi geometri pada ligan dilakukan dengan wash untuk memperbaiki
struktur ligan dan posisi atom hidrogen. Minimasi energi ligan dilakukan dengan
menggunakan medan gaya Merck Molecular Forcefield 94 (MMFF94) modified
dan gradien root mean square (RMS) 0.001 kkal/Åmol. Optimasi geometri pada
protein dilakukan dengan penambahan atom hidrogen, protonasi, dan pengaturan
muatan parsial. Minimasi energi protein dilakukan dengan menggunakan medan
gaya Merck Molecular Forcefield 94x (MMFF94x), dan protein disolvasi dalam
fase gas dengan muatan tetap. Energi protein kemudian minimasi dengan
gradien root mean square (RMS) 0.05 kkal/Åmol.
3. Proses penambatan
Proses penambatan ligan dan protein menggunakan metode Triangle
Matcher dengan pengulangan pembacaan energi tiap posisi 5 kali. Selain itu,
fungsi penilaian yang digunakan adalah London dG, refinement forcefield
11
menghasilkan nilai energi bebas ikatan (ΔG) yang menggambarkan kekuatan
interaksi antara ligan dan protein.
4. Eksplorasi nilai energi bebas ikatan (ΔG) dari hasil proses penambatan dengan
analisis biplot
Agar mempermudah perhitungan analisis, nilai G < 0 ditransformasi
menjadi positif atau dikalikan -1, yang menunjukkan semakin positif nilai G
maka ikatan ligan dan protein semakin stabil dan baik atau interaksi antara
senyawa dan protein semakin kuat. Sebaliknya, nilai G ≥ 0 ditransformasi
menjadi 0, yang menunjukkan tidak adanya proses reaksi kimia yang
berlangsung spontan atau interaksi dianggap tidak terjadi. Seluruh hasil
transformasi nilai ΔG dibuat menjadi sebuah matriks nilai energi bebas ikatan
(ΔG) berukuran n×p.
2. Matriks G dan H dengan SVD
Matriks nilai energi bebas ikatan (ΔG) berukuran n×p diuraikan dengan
pendekatan SVD (α = 0.5) sehingga dihasilkan submatriks, yaitu matriks G
yang berisi informasi senyawa dan matriks H yang berisi infromasi protein
secara bersama-sama.
menggunakan jarak Euclidean dan metode single linkage, complete linkage,
average linkage, dan Ward.
4. Optimasi jumlah gerombol
Seluruh hasil penggerombolan dievaluasi menggunakan kriteria indeks
validitas gerombol yaitu CH index, Pseudo t2, Frey index, dan Gap index untuk
menentukan jumlah gerombol yang optimal bagi senyawa dan protein.
5. Plot gerombol 2 dimensi
Hasil penggerombolan terbaik dari senyawa dan protein digabungkan
bersama-sama sehingga diperoleh bicluster.
Metode analisis di atas dapat dilihat secara ringkas pada diagram alir
penelitian pada Gambar 3 di bawah ini:
Gambar 3 Diagram alir penelitian
12
Pengujian Lipinski’s Rule merupakan evaluasi drug likeness untuk menyaring
senyawa dengan aktivitas farmakologis dan biologis tertentu yang memiliki sifat
sebagai obat aktif dalam tubuh manusia apabila dikonsumsi secara oral. Pengujian
tersebut dilakukan dengan menggunakan parameter, yaitu hidrogen donor ≤ 5 ,
hidrogen akseptor ≤ 10, bobot molekul ≤ 500 g/mol, dan koefisien partisi oktanol-
air (logP) ≤ 5 (Lipinski et al. 2001). Berdasarkan parameter tersebut diperoleh total
senyawa yang memenuhi kriteria Lipinski’s Rule sebanyak 199 senyawa di
antaranya 7 senyawa Bratawali, 141 senyawa Jahe, 25 senyawa Pare, 12 senyawa
Sembung, dan 14 senyawa obat sintetis (Lampiran 1), sehingga senyawa tersebut
dianggap memiliki potensi penyerapan yang baik bagi tubuh manusia.
Optimasi Geometri dan Minimasi Energi pada Ligan dan Protein
Hasil optimasi geometri dan minimasi energi pada ligan (Lampiran 3) dan
protein (Lampiran 4) diperoleh struktur yang stabil dengan nilai kalor pembentukan
(Hf) yang semakin kecil dibandingkan dengan nilai kalor pembentukan (Hf)
sebelumnya. Artinya, ligan dan protein tersebut sudah berada dalam keadaan yang
stabil dan siap untuk ditambatkan. Contoh hasil optimasi geometri dan minimasi
energi pada protein INS dapat dilihat pada Gambar 4.
(a) (b)
Gambar 4 Protein INS sebelum (a) dan setelah (b) dioptimasi dan diminimasi
13
1 3
Penambatan Molekuler
Proses penambatan dilakukan terhadap 199 ligan (Lampiran 1) dan 21 protein
(Lampiran 2). Dari hasil proses penambatan molekuler diperoleh data nilai energi
bebas ikatan (G) berukuran 199 x 21 yang menunjukkan besar interaksi antara
senyawa dan protein (Lampiran 5). Secara termodinamik, interaksi antara ligan dan
protein dapat terjadi apabila kompleks yang dihasilkan memiliki nilai G < 0 .
Semakin rendah nilai G maka kompleks yang terbentuk semakin stabil. Gambar 5
menunjukkan nilai energi bebas ikatan (G) hasil penambatan molekuler antara
ligan dan protein.
Gambar 5 Nilai energi bebas ikatan (G) hasil penambatan molekuler
Rata-rata nilai G dari senyawa obat sintetis yaitu -8.3 kJ/mol menunjukkan
nilai yang lebih rendah dibandingkan dengan rata-rata nilai G senyawa tanaman
obat yaitu -7.09 kJ/mol (Gambar 5). Artinya, senyawa obat sintetis dapat
menghasilkan kompleks yang lebih stabil dibandingkan dengan senyawa tanaman
obat bila ditambatkan terhadap 21 protein yang berhubungan dengan penyakit
diabetes tipe 2 secara keseluruhan. Walau demikian, rentang nilai G dari senyawa
tanaman obat tidak berbeda jauh dengan kisaran G dari senyawa obat sintetis yaitu
masing-masing berkisar antara 0 sampai -16.97 kJ/mol dan 0 sampai -14.56 kJ/mol.
Bahkan, nilai G terendah yang dihasilkan dari penambatan senyawa tanaman obat
J156 dengan protein INS sebesar -16.97 kJ/mol mampu menghasilkan kompleks
yang lebih stabil dibandingkan dengan nilai G terendah yang dihasilkan dari
penambatan senyawa obat sintetis DB11 dengan protein INS yaitu -14.56 kJ/mol.
Artinya, terdapat indikasi bahwa beberapa senyawa tanaman obat memiliki potensi
sebagai senyawa aktif obat antidiabetes seperti halnya senyawa aktif obat sintetis
yang telah disetujui oleh Food Drug Administration (FDA) dan diketahui fungsinya
sebagai obat antidiabetes. Ekplorasi posisi relatif senyawa dalam menargetkan
protein tertentu dapat dilihat melalui analisis biplot. Selain itu, kemiripan senyawa
baik dari tanaman obat maupun obat sintetis dalam menargetkan protein tertentu
dapat dilihat dengan menggunakan analisis bicluster.
14
Analisis Biplot
Analisis biplot dilakukan terhadap matriks X yaitu matriks nilai energi bebas
ikatan (G) berukuran 199×21 (Lampiran 5) yang dikoreksi terhadap nilai rata-
ratanya diuraikan menjadi matriks G (Lampiran 6) dan H (Lampiran 7). Dua kolom
pertama matriks G dan H masing-masing merupakan titik-titik koordinat senyawa
dan protein pada biplot (lihat Gambar 6).
Gambar 6 Biplot dari data interaksi antara senyawa dan protein
Berdasarkan biplot pada Gambar 6 diperoleh bahwa senyawa dan protein
terbagi menjadi 4 kelompok (garis terputus-putus) seperti pada Lampiran 8. Dua
senyawa atau lebih dengan posisi yang berdekatan menggambarkan bahwa senyawa
memiliki karakteristik protein target yang relatif sama. Panjang vektor dengan garis
berarah menggambarkan besarnya nilai keragaman dari suatu protein. Dua garis
berarah yang membentuk sudut lancip menggambarkan nilai korelasi positif
antarprotein, sudut tumpul menggambarkan nilai korelasi negatif antarprotein, dan
sudut siku-siku atau tegak lurus menggambarkan tidak ada korelasi antarprotein.
Posisi senyawa dan protein yang sangat berdekatan menggambarkan bahwa suatu
senyawa cenderung menargetkan protein tersebut.
Pada kelompok I, terdapat 108 senyawa yang saling berdekatan dan
cenderung menargetkan protein INSR dan STAT3 di antaranya 10 senyawa obat
sintetis, 6 senyawa Bratawali, 66 senyawa Jahe, 20 senyawa Pare, dan 6 senyawa
Sembung. Protein INSR merupakan protein yang memiliki nilai keragaman
tertinggi dibandingkan seluruh protein dan memiliki korelasi positif dengan protein
STAT3. Pada kelompok II, terdapat 41 senyawa yang saling berdekatan dan
cenderung menargetkan protein PPRA, KCNJ11, SOD3, PPARG, dan PRKACA di
antaranya 2 senyawa obat sintetis, 1 senyawa Bratawali, 34 senyawa Jahe, 2
II
I
III
I
IV
I
I
15
1 5
senyawa Pare, dan 2 senyawa Sembung. Protein PPARA merupakan protein yang
memiliki nilai keragaman tertinggi di kelompoknya dan memiliki korelasi positif
dengan 5 protein lainnya. Pada kelompok III, terdapat 16 senyawa yang saling
berdekatan dan cenderung menargetkan protein MTNR1B di antaranya 1 senyawa
obat sintetis, 10 senyawa Jahe, 3 senyawa Pare, dan 2 senyawa Sembung. Pada
kelompok IV, terdapat 34 senyawa yang cenderung menargetkan protein CTLA4,
APOE, AKT1, UBC, FOXO1, EP300, GCG, PTH, WFS1, TCF7L2, SOCS3, IAPP,
INS di antaranya 1 senyawa obat sintetis, 31 senyawa Jahe, dan 2 senyawa
Sembung. Protein INS merupakan protein utama penyebab diabetes sedangkan 12
protein lainnya yang berada di kelompok IV merupakan protein yang memiliki
korelasi positif dengan protein INS. Informasi yang diberikan oleh biplot pada
Gambar 6 adalah sebesar 43.41% dari keseluruhan informasi yang terkandung
dalam data. Kelompok senyawa yang menargetkan protein tertentu juga belum
terlihat dengan jelas. Oleh karena itu, analisis lebih jauh mengenai pengelompokan
senyawa dan protein dilakukan menggunakan analisis bicluster.
Analisis Bicluster
berhierarki yaitu single linkage, complete linkage, average linkage, dan Ward
masing-masing dapat dilihat pada Lampiran 9, 10, 11, dan 12. Hasil
penggerombolan tersebut seluruhnya dievaluasi dengan indeks validitas seperti
pada Tabel 3 dan Tabel 4.
Tabel 3 Jumlah gerombol senyawa berdasarkan nilai indeks validitas pada setiap
2 3 4 5 6 7 8 9 10
Single 4.75 a
Complete 15.18 a
Average 4.75 3.95 3.62 3.38 4.04 3.77 3.57 3.41 3.64
Ward 26.25 a
Single 0.21 a
(21.57) (21.50) (21.36) (21.29) (21.23) (21.16) (21.09) (21.02) (20.95)
Complete 3.88 a
(18.83) (8.54) (18.69) (17.88) (8.42) (17.73) (9.21) (0.00) (14.11)
Average -1.62 a
(21.57) (21.50) (21.43) (21.36) (21.16) (21.09) (21.02) (20.95) (20.67)
Ward 18.83 11.30 7.12 a
8.76 6.82 7.68 5.24 -1.60 5.14
(12.55) (7.57) (15.82) (9.43) (14.52) (5.41) (12.28) (5.06) (10.86)
Single 39.24 15.67 6.38 a
-0.40 1.23 4.72 8.82 2.33 3.99
Complete -1.38 -1.49 0.45 -0.69 -0.21 1.75 -0.14 -0.32 0.34
Average 30.17 14.95 12.84 6.02 6.33 5.57 5.43 4.84 3.27
Ward 0.07 0.82 0.35 2.10 0.68 -0.10 0.29 -0.14 0.26
Single 0.52 0.53 a
(-0.01) (0.51) (1.27) (0.54) (0.39) (0.02) (0.28) (0.06) (0.00)
Complete -0.25 a
(0.80) (0.52) (0.39) (0.44) (0.15) (0.28) (0.18) (0.20) (0.12)
Average -0.39 a
(0.72) (0.64) (0.31) (0.40) (0.45) (0.24) (0.09) (0.18) (0.20)
Ward -0.33 a
(0.53) (0.61) (0.34) (0.42) (0.46) (0.13) (0.15) (0.17) (0.21)
Jumlah gerombol senyawa
16
Tabel 4 Jumlah gerombol protein berdasarkan nilai indeks validitas pada setiap
Nilai indeks validitas yang menunjukkan jumlah gerombol optimal pada
Tabel 3 dan Tabel 4 lebih banyak terdapat pada kolom 2 gerombol. Artinya, jumlah
gerombol yang optimal untuk senyawa adalah 2 gerombol dan protein adalah 2
gerombol. Metode gerombol terbaik untuk senyawa adalah metode complete
linkage karena metode tersebut menunjukkan nilai indeks validitas terbanyak untuk
2 gerombol senyawa (lihat Tabel 3). Kemudian, metode gerombol terbanyak yang
menunjukkan 2 gerombol protein adalah metode complete linkage dan Ward (lihat
Tabel 4). Meskipun keanggotaan gerombol protein pada metode complete linkage
dan Ward tersebut sama (lihat Lampiran 10 dan Lampiran 12), pemilihan metode
gerombol terbaik untuk protein perlu ditentukan berdasarkan penilaian terhadap
kriteria indeks validitas gerombol. Nilai CH index maksimum pada metode
complete linkage dan Ward untuk 2 gerombol protein sama besar yaitu 2.49,
sehinga belum bisa ditentukan metode mana yang lebih baik. Walau demikian,
metode complete linkage untuk 2 gerombol protein menghasilkan Pseudo
t2 = 1.32 < critical value = 5.74 dibandingkan dengan metode Ward dengan
Pseudo t2 = 2.26 < critical value = 5.74 , kemudian Frey index = -0.02 untuk 2
gerombol protein pada metode complete linkage jauh lebih kecil dari angka 1
dibandingkan dengan Frey index = 0.57 pada metode Ward, dan
critical value = 0.87 pada Gap index untuk 2 gerombol protein dengan metode
complete linkage jauh lebih besar dari angka 0 dibandingkan critical value = 0.75
pada Gap index dengan metode Ward, sehingga metode complete linkage lebih baik
dibandingkan metode Ward. Oleh karena itu, berdasarkan kriteria-kriteria tersebut
maka metode gerombol terbaik untuk senyawa dan protein adalah metode complete
linkage.
Single 2.49 a
Complete 2.49 a
Average 2.49 a
Ward 2.49 a
Single 0.00 a
(0.00) (5.74) (5.58) (5.41) (5.06) (4.88) (4.69) (0.00) (4.49)
Complete 1.32 a
(5.74) (3.28) (4.49) (0.00) (2.96) (2.12) (3.56) (3.28) (2.59)
Average 0.00 a
(0.00) (5.74) (5.58) (4.88) (2.12) (4.69) (4.49) (1.44) (4.28)
Ward 2.26 a
(5.74) (5.06) (0.00) (4.88) (2.96) (3.56) (2.12) (3.28) (1.44)
Single 3.44 4.38 1.72 1.46 1.13 a
0.85 0.53 2.71 0.72
Average 3.44 4.38 1.42 a
0.83 0.69 0.71 0.82 0.73 0.58
Ward 2.70 a
Single -0.12 a
(0.18) (1.59) (0.45) (0.48) (0.06) (0.44) (0.75) (0.46) (0.48)
Complete -0.30 a
(0.87) (1.23) (0.25) (0.42) (0.40) (0.47) (0.33) (0.51) (0.29)
Average -0.84 a
(0.80) (0.53) (0.54) (0.47) (0.30) (0.47) (0.33) (0.52) (0.45)
Ward -0.84 a
(0.75) (0.53) (0.59) (0.47) (0.33) (0.44) (0.34) (0.51) (0.46)
Frey index
Gambar 7 Hasil penggerombolan metode complete linkage 2 dimensi
DB07 S030 J073 J151 J153 J193 J167 P126 S010 J219 P127 J212 J198 S002 J232 J254 J275 J248 J242 J210 J199 J235 J274 J222 J288 J287 J207 J192 J250 J191 J227 J290 J208 J286 J194 J226 J195 J149 J196 S001 DB12 DB11 DB08 B018 S031 DB17 J181 J075 J241 J197 J112 J010 J166 B016 J168
DB01 DB13 DB02 DB15 DB03 DB18 P221 P097 P096 S014 P114 P231 DB05 J141 J152 J059 J260 J098 J030 J171 J067 P099 S017 J053 J138 J172 J129 J169 J173 J091 J048 B012 J189 S026 J285 B009 J008 J110 J234 P230 J024 S018 J044 J119 J233 J054 J007 J013 J186 J136 P152 J206 P233 J093 J046 J240 J074 J239 J246 J237 P128 P227 P125 S015 J047 J038 J276 J066 B013 P223 J086 P225 P042 J184 J022 J058 P229 P115 P095 P122 S019 J081 J065 J031 J039 J137 J003 J071 J135 J128 P226 P098 J105 J090 P151 P154 J034 J134 J156 J270 J127 S013 B015 J019 J077 J045 B014 J113 J084 J040 J203 J201 J035 J078 J162 J111 J185 J116 J121 J236 J148 J291 J238 J057 J247 J224 J200 J213 J243 J215 J068 J211 J225 J205 J216 J214 J229 J163 J088 J036
DB06 DB16 J033 J131
Protein
DB07 S030 J073 J151 J153 J193 J167 P126 S010 J219 P127 J212 J198 S002 J232 J254 J275 J248 J242 J210 J199 J235 J274 J222 J288 J287 J207 J192 J250 J191 J227 J290 J208 J286 J194 J226 J195 J149 J196 S001 DB12 DB11 DB08 B018 S031 DB17 J181 J075 J241 J197 J112 J010 J166 B016 J168
DB01 DB13 DB02 DB15 DB03 DB18 P221 P097 P096 S014 P114 P231 DB05 J141 J152 J059 J260 J098 J030 J171 J067 P099 S017 J053 J138 J172 J129 J169 J173 J091 J048 B012 J189 S026 J285 B009 J008 J110 J234 P230 J024 S018 J044 J119 J233 J054 J007 J013 J186 J136 P152 J206 P233 J093 J046 J240 J074 J239 J246 J237 P128 P227 P125 S015 J047 J038 J276 J066 B013 P223 J086 P225 P042 J184 J022 J058 P229 P115 P095 P122 S019 J081 J065 J031 J039 J137 J003 J071 J135 J128 P226 P098 J105 J090 P151 P154 J034 J134 J156 J270 J127 S013 B015 J019 J077 J045 B014 J113 J084 J040 J203 J201 J035 J078 J162 J111 J185 J116 J121 J236 J148 J291 J238 J057 J247 J224 J200 J213 J243 J215 J068 J211 J225 J205 J216 J214 J229 J163 J088 J036
DB06 DB16 J033 J131
C o
m p
le te
DB07 S030 J073 J151 J153 J193 J167 P126 S010 J219 P127 J212 J198 S002 J232 J254 J275 J248 J242 J210 J199 J235 J274 J222 J288 J287 J207 J192 J250 J191 J227 J290 J208 J286 J194 J226 J195 J149 J196 S001 DB12 DB11 DB08 B018 S031 DB17
J181 J075 J241 J197 J112 J010 J166 B016 J168 DB01 DB13 DB02 DB15 DB03 DB18 P221 P097 P096 S014 P114 P231 DB05
J141 J152 J059 J260 J098 J030 J171 J067 P099 S017 J053 J138 J172 J129 J169 J173 J091 J048 B012 J189 S026 J285 B009 J008 J110 J234 P230 J024 S018 J044 J119 J233 J054 J007 J013 J186 J136 P152 J206 P233 J093 J046 J240 J074 J239 J246 J237 P128 P227 P125 S015 J047 J038 J276 J066 B013 P223 J086 P225 P042 J184 J022 J058 P229 P115 P095 P122 S019 J081 J065 J031 J039 J137 J003 J071 J135 J128 P226 P098 J105 J090 P151 P154 J034 J134 J156 J270 J127 S013 B015 J019 J077 J045 B014 J113 J084 J040 J203 J201 J035 J078 J162 J111 J185 J116 J121 J236 J148 J291 J238 J057 J247 J224 J200 J213 J243 J215 J068 J211 J225 J205 J216 J214 J229 J163 J088 J036 DB06 DB16
J033 J131
K C N J11
F O XO 1
M TN R 1B
III
IV
J131 J033 DB16 DB06 J036 J088 J163 J229 J214 J216 J205 J225 J211 J068 J215 J243 J213 J200 J224 J247 J057 J238 J291 J148 J236 J121 J116 J185 J111 J162 J078 J035 J201 J203 J040 J084 J113 B014 J045 J077 J019 B015 S013 J127 J270 J156 J134 J034 P154 P151 J090 J105 P098 P226 J128 J135 J071 J003 J137 J039 J031 J065 J081 S019 P122 P095 P115 P229 J058 J022 J184 P042 P225 J086 P223 B013 J066 J276 J038 J047 S015 P125 P227 P128 J237 J246 J239 J074 J240 J046 J093 P233 J206 P152 J136 J186 J013 J007 J054 J233 J119 J044 S018 J024 P230 J234 J110 J008 B009 J285 S026 J189 B012 J048 J091 J173 J169 J129 J172 J138 J053 S017 P099 J067 J171 J030 J098 J260 J059 J152 J141 DB05 P231 P114 S014 P096 P097 P221 DB18 DB03 DB15 DB02 DB13 DB01 J168 B016 J166 J010 J112 J197 J241 J075 J181 DB17 S031 B018 DB08 DB11 DB12 S001 J196 J149 J195 J226 J194 J286 J208 J290 J227 J191 J250 J192 J207 J287 J288 J222 J274 J235 J199 J210 J242 J248 J275 J254 J232 S002 J198 J212 P127 J219 S010 P126 J167 J193 J153 J151 J073 S030 DB07
J131 J033 DB16 DB06 J036 J088 J163 J163
Complete
Berdasarkan hasil plot gerombol 2 dimensi dengan metode complete linkage
pada Gambar 7 diperoleh 2 gerombol untuk senyawa pada sumbu vertikal
(dendrogram samping kiri) dan 2 gerombol untuk protein pada sumbu horizontal
(dendrogram samping atas). Senyawa obat sintetis pada umumnya terdapat di
kelompok senyawa bagian atas yaitu sebanyak 13 senyawa obat sintetis dan di
kelompok senyawa bagian bawah hanya terdapat satu senyawa obat sintesis yaitu
DB07. Artinya, senyawa tanaman obat yang menggerombol dengan 13 senyawa
obat sintetis tersebut memiliki karakteristik protein target yang sama dengan obat
sintetis. Protein utama yang berhubungan dengan diabetes yaitu INS terdapat di
kelompok protein bagian kiri bersama dengan 18 protein lainnya, sedangkan di
kelompok protein bagian kanan hanya terdapat 2 protein yang menggerombol yaitu
protein INSR dan STAT3. Artinya, protein yang menggerombol dengan protein
INS memiliki peran yang mirip pada penyakit diabetes. Oleh karena itu,
pembahasan selanjutnya lebih difokuskan untuk mengamati gerombol senyawa
yang terdapat banyak obat sintetis dan gerombol protein yang terdapat protein INS
yaitu gerombol senyawa dan protein pada kuadran I (lihat Gambar 7).
Perbedaan warna sel (kotak-kotak) pada Gambar 7 merepresentasikan nilai
G aktual. Sel berwarna merah gelap menunjukkan nilai G yang tinggi,
sebaliknya sel berwarna kuning terang menunjukkan nilai G yang rendah.
Senyawa tanaman obat yang menggerombol dengan senyawa obat sintetis pada
kuadran I ada sebanyak 146 senyawa, di antaranya 7 senyawa Bratawali, 95
senyawa Jahe, 23 senyawa Pare, dan 8 senyawa Sembung. Kemudian, 18 protein
yang menggerombol dengan protein INS pada kuadran I adalah AKT1, WFS1,
APOE, EP300, PTH, GCG, UBC, SOD3, PPARG, KCNJ11, PPARA, FOXO1,
CTLA4, IAPP, TCF7L, PRKACA, MTNRB1, dan SOCS3. Gerombol senyawa dan
protein pada kuadran I yang terdiri atas senyawa obat sintetis dan protein INS serta
memiliki nilai G tinggi atau interaksi yang kuat ditunjukkan dengan sel berwarna
kuning terang dengan kotak hitam kecil (lihat Gambar 7). Gerombol senyawa dan
protein tersebut adalah senyawa J131, J033, DB16, DB06, J036, J088, dan J163
yang menargetkan protein INS, AKT1, WFS1, dan APOE. Oleh karena itu, ketujuh
senyawa dan keempat protein tersebut memiliki aktivitas yang sangat berkaitan
pada penyakit diabetes tipe 2. Dari tujuh senyawa, J131 merupakan senyawa yang
memiliki kestabilan terbaik karena memiliki nilai G terendah terhadap keempat
protein target yaitu sebesar -13.09 kJ/mol, sedangkan protein INS merupakan
protein yang memiliki interaksi terkuat dengan ketujuh senyawa. Meskipun
demikian, senyawa J156 yang tidak berdekatan dengan obat sintetis tetap dicari
kemiripannya dengan ketujuh senyawa, karena senyawa J156 masih berada di
kuadran gerombol yang sama dan menghasilkan G terendah yaitu -16.97 kJ/mol.
Kemiripan Area Pengikatan Ligan
Kemiripan area pengikatan ligan dilakukan untuk menilai kemiripan interaksi
ligan dari tanaman obat dengan ligan pembanding yaitu obat sintetis terhadap
reseptor (protein) melalui pengamatan residu asam amino. Beberapa residu asam
amino dari reseptor INS, AKT1, WFS1, dan APOE yang terlibat di setiap interaksi
dengan ligan DB06 dan DB16 ditunjukkan pada Tabel 5. Artinya, residu tersebut
diprediksikan berperan penting pada area pengikatan ligan obat sintetis.
19
1 9
Tabel 5 Residu asam amino reseptor yang berinteraksi dengan ligan obat sintetis
Ligan Reseptor
Beberapa residu pada interaksi ligan obat sintetis (Tabel 5) memiliki
kemiripan dengan residu pada interaksi ligan tanaman obat (Lampiran 13) dengan
persentase kemiripan seperti ditunjukkan pada Tabel 6.
Tabel 6 Persentase kemiripan residu asam amino reseptor yang berinteraksi
dengan ligan tanaman obat dan obat sintetis (%)
Ligan INS AKT1 WFS1 APOE
DB06 DB16 DB06 DB16 DB06 DB16 DB06 DB16
J033 64 63 58 36 57 43 55 22
J036 82 63 33 27 57 57 55 33
J088 18 63 58 45 43 57 45 56
J131 36 88 67 55 43 43 45 22
J163 36 75 25 9 57 43 55 44
JI56 73 88 0 0 14 29 36 11
Ligan J033 dan J036 masing-masing memiliki kemiripan residu tertinggi
dengan residu yang berinteraksi pada ligan DB06 dan reseptor INS yaitu sebesar
64% dan 82%, sedangkan ligan J088, J131, J163 dan J156 masing-masing memiliki
kemiripan residu tertinggi dengan residu yang berinteraksi pada ligan DB16 dan
reseptor INS yaitu sebesar 63%, 88%, 75%, dan 88%. Posisi ligan J033, J036, J088,
J131, J163 dan J156 setelah ditambatkan dengan protein INS ditunjukkan pada
Lampiran 14. Interaksi yang terjadi antara keenam ligan tersebut dengan sisi aktif
protein dapat dilihat pada Lampiran 15. Interaksi ligan J033 dengan INS
membentuk 2 ikatan hidrogen, yaitu asam amino Lys-53 dengan atom O pada gugus
(-O) dan Lys-88 dengan atom O pada gugus (=O). Interaksi ligan J036 dengan INS
membentuk 4 ikatan hidrogen, yaitu asam amino Gly-84 dengan atom H pada gugus
(-OH), Lys-88 dengan atom O pada gugus (-O), Lys-88 dengan dengan atom O
pada gugus (=O), dan Asn-107 dengan atom O pada gugus (-OH). Interaksi ligan
J088 dengan INS membentuk 1 ikatan hidrogen, yaitu asam amino Asn-107 dengan
atom O pada gugus (-OH). Interaksi ligan J131 dengan INS membentuk 3 ikatan
hidrogen, yaitu asam amino Asn-107 dengan atom O pada gugus (-OH), Lys-88
20
dengan atom O pada gugus (=O), dan Asn-107 dengan atom O pada gugus (-OH).
Interaksi ligan J163 dengan INS membentuk 1 ikatan hidrogen, yaitu asam amino
Lys-88 dengan atom O pada gugus (=O). Interaksi ligan J156 dengan INS
membentuk 4 ikatan hidrogen, yaitu asam amino Gly-84 dengan atom H pada gugus
(-OH), Asn-107 dengan atom H pada gugus (-OH), Thr-51 dengan atom O pada
gugus (-O), dan Lys-53 dengan atom O pada gugus (-O). Ligan DB06 membentuk
2 ikatan hidrogen yaitu asam amino Thr-51 dengan atom N pada gugus (N) dan
Lys-88 dengan atom O pada gugus (=O), sedangkan ligan DB16 membentuk 2
ikatan hidrogen yaitu asam amino Thr-51 dengan atom O pada gugus (=O) dan Lys-
88 dengan atom O pada gugus (-O). Jumlah ikatan hidrogen kompleks protein INS
dengan ligan J036, J131, dan J156 lebih banyak dibandingkan ligan DB06 dan
DB16. Hal ini juga ditunjukkan oleh kemiripan residu asam amino dengan ligan
obat sintetis yang cukup tinggi pada ketiga ligan tanaman obat tersebut. Hasil
penambatan keenam ligan tanaman obat menunjukkan mekanisme pengikatan yang
sama dengan ligan obat sintetis, yaitu pada ikatan hidrogen dengan asam amino
Lys-88 pada ligan J033, J036, J131, J163 dan asam amino Thr-51 pada ligan J156
(Lampiran 15). Artinya, residu asam amino yang paling berperan penting baik pada
interaksi 6 senyawa tanaman obat maupun interaksi 2 senyawa obat sintetis dengan
protein INS adalah asam amino Lys-88 dan Thr-51.
5 SIMPULAN DAN SARAN
Penambatan molekuler dan analisis bicluster dapat menunjukkan beberapa
senyawa dari Jahe yang berpotensi sebagai formula jamu antidiabetes tipe 2, yaitu
J033, J036, J088, J131, J163 dan berinteraksi kuat dengan protein target yang
berhubungan dengan diabetes tipe 2, yaitu INS, AKT1, WFS1, APOE. Berdasarkan
banyaknya jumlah ikatan hidrogen serta tingginya kemiripan area pengikatan ligan
dengan obat sintetis, maka senyawa J036 dan J131 dapat dijadikan sebagai kandidat
utama obat antidiabetes. Meskipun senyawa J156 tidak berdekatan dengan kelima
senyawa J033, J036, J088, J131, J163, namun senyawa J156 juga dapat dijadikan
sebagai kandidat obat tambahan karena memiliki interaksi terkuat dengan protein
INS, jumlah ikatan hidrogen yang sama dengan senyawa J036, serta kemiripan area
pengikatan ligan yang cukup tinggi dengan senyawa obat sintetis DB16.
Saran
komputasi dalam perancangan kandidat obat, sehingga uji eksperimental baik
secara in vitro maupun in vivo serta uji toksisitas diperlukan sebagai evaluasi
terhadap aktivitas komponen senyawa dari Jahe yang diduga berpotensi sebagai
senyawa aktif antidiabetes. Selain itu, penelitian berikutnya diharapkan bisa
mendapatkan data tanaman obat dengan cakupan yang lebih luas untuk
mendapatkan formulasi jamu antidiabetes yang lebih baik.
21
2 1
DAFTAR PUSTAKA
Caliski T, Harabasz J. 1974. A Dendrite Method for Cluster Analysis.
Communications in Statistics. 3(1):1-27.doi:10.1080/03610927408827101.
Charrad M, Ahmed MB. 2011. Simultaneous Clustering: A Survey. Di dalam:
Kuznetsov SO, Mandal DP, Kundu MK, Pal SK. International Conference on
Pattern Recognition and Machine Intelligence; 2011 Jun 27; Moskow, Rusia.
Heidelberg (DE): Springer. 370-375.
Charrad M, Ghazzali N, Boiteau V, Niknafs A. 2014. NbClust: An R Package for
Determining the Relevant Number of Clusters in a Data Set. Journal of
Statistical Software. 61(6):1-36.doi:10.18637/jss.v061.i06.
Du X, Li Y, Xia YL, Ai SM, Liang J, Sang P, Ji XL, Liu SQ. 2016. Insights into
Protein-Ligand Interactions: Mechanism, Models, and Methods. Int J Mol Sci.
17(144):1-34.doi:10.3390/ijms17020144.
Duda RO, Hart PE. 1973. Pattern Classification and Scene Analysis. New York
(US): John Wiley & Sons.
Frey T, Van Groenewoud H. 1972. A Cluster Analysis of the D-Squared Matrix of
White Spruce Stands in Saskatchewan based on the Maximum-Minimum
Principle. J Ecol. 60(3):873-886.doi:10.2307/2258571.
Gabriel R. 1971. The Biplot Graphic Display of Matrices with Application to
Principal Component Analysis. Biometrika. 5(3):453-467.doi:10.2307/2334381.
Golub GH, Van Loan CF. 1983. Matrix Computations. Ed ke-3. Baltimore (US):
Johns Hopkins University Press.
Greer J, Erickson JW, Baldwin JJ, Varney MD. 1994. Application of the Three-
Dimensional Structures of Protein Target Molecules in Structure-Based Drug
Design. J Med Chem. 37(8):1035-1054.doi:10.1021/jm00034a001.
Grinter SZ, Zou X. 2014. Challenges, Applications, and Recent Advances of
Protein–Ligand Docking in Structure-Based Drug Design. Molecules.
19(7):10150–10176.doi:10.3390/molecules190710150.
Hartigan JA. 1972. Direct Clustering of a Data Matrix. Journal of the American
Statistical Association. 67(337):123-129.doi:10.1080/01621459.1972.10481214.
1111.doi:10.1038/nbt1007-1110.
Huang SY, Zou X. 2010. Advances and Challenges in Protein-Ligand Docking. Int
J Mol Sci. 11(18):3016-3034.doi:10.3390/ijms11083016.
Johnson, RA, Wichern DW. 2002. Applied Multivariate Statistical Analysis 5th ed.
New Jersey (US): Prentice Hall Inc.
Jolliffe IT. 2002. Principal Component Analysis, Second Edition. New York (US):
Springer.
Katno, Pramono S. 2008. Tingkat Manfaat dan Keamanan Tanaman Obat dan Obat
Tradisional [internet]. [diunduh 2017 Mei 31]. 14 hlm. Tersedia pada:
http://cintaialam.tripod.com/keamanan_obat%20tradisional.pdf.
[Kemenkes] Kementerian Kesehatan RI. 2014. Pusat Data dan Informasi [internet].
[diunduh 2017 Mar 26]. 8 hlm. Tersedia pada:
http://www.depkes.go.id/resources/download/pusdatin/infodatin/infodatin-
diabetes.pdf.
22
Kluger Y, Basri R, Chang JT, Gerstein M. 2003. Spectral Biclustering of
Microarray Data: Coclustering Genes and Conditions. Genome Res. 13(4):703-
716.doi:10.1101/gr.648603.
Li S, Zhang B. 2013. Traditional Chinese Medicine Network Pharmacology:
Theory, Methodology and Application. Chin J Nat Med. 11(2):0110-
0120.doi:10.1016/S1875-5364(13)60037-0.
Lipinski CA, Lombardo F, Dominy BW, Feeney PJ. 2001. Experimental and
Computational Approaches to Estimate Solubility and Permeability in Drug
Discovery and Development Settings. Adv Drug Deliv Rev. 46 (1):3-
26.doi:10.1016/S0169-409X(00)00129-0.
Madeira SC, Oliveira AL. 2004. Biclustering Algorithms for Biological Data
Analysis: A Survey. IEEE/ACM Trans Comput Biol Bioinform. 1(1):24-
45.doi:10.1109/TCBB.2004.2.
Mattjik AA, Sumertajaya IM. 2011. Sidik Peubah Ganda dengan Menggunakan
SAS. Bogor (ID): IPB Press.
McCune B, Mefford MJ. 2016. Multivariate Analysis of Ecological Data 7th
Version. Oregon (US): MjM Software Design.
Mirkin B. 1996. Mathematical Classification and Clustering. Dordrecht (NL):
Kluwer Academic Publishers.
Parsons AB, Brost RL, Ding H, Li Z, Zhang C, Sheikh B, Brown GW, Kane PM,
Hughes TR, Boone C. 2004. Nature Biotechnology. 22(1):62-
69.doi:10.1038/nbt919.
Preli A, Bleuler S, Zimmermann P, Wille A, Bühlmann P, Gruissem W, Hennig
L, Thiele L, Zitzler E. 2006. A Systematic Comparison and Evaluation of
Biclustering Methods for Gene Expression Data. Bioinformatics. 22(9):1122-
1129.doi:10.1093/bioinformatics/btl060.
Qomariasih N. 2015. Analisis Gerombol Simultan dan Jejaring Farmakologi pada
Penentuan Senyawa Aktif Jamu Anti Diabetes Tipe 2 [tesis]. Bogor (ID): Institut
Pertanian Bogor.
Sousa SF, Ribeiro AJ, Coimbra JT, Neves RP, Martins SA, Moorthy NS, Fernandes
PA, Ramos MJ. 2013. Protein-Ligand Docking in the New Millennium-a
Retrospective of 10 years in the Field. Curr Med Chem. 20(18):2296-
2314.doi:10.2174/0929867311320180002.
Tibshirani R, Walther G, Hastie T. 2001. Estimating the Number of Clusters in a
Data Set Via the Gap Statistic. J R Statist Soc B. 63(2):411-
423.doi:10.1111/1467-9868.00293.
Tryon RC, Bailey DE. 1970. Cluster Analysis. New York (US): McGraw-Hill.
Usman MS. 2016. Identifikasi Protein-protein Signifikan yang Berasosiasi dengan
Diabetes Mellitus (DM) Tipe 2 Menggunakan Analisis Topologi Jejaring Protein
Protein Interaction [tesis]. Bogor (ID): Institut Pertanian Bogor.
Widodo, Utomo DH, Ichsan M, Putri JF. 2014. Molecular Docking Workshop;
2014 Okt 11; Indonesian Institute of Bioinformation.
[WHO] World Health Organization. 2016. Global Report on Diabetes: Executive
Summary [internet]. [diunduh 2017 Feb 2]. 4 hlm. Tersedia pada:
http://www.who.int/diabetes/global-report.
Yang M, Chen JL, Xu LW, Ji G. 2013. Navigating Traditional Chinese Medicine
Network Pharmacology and Computational Tools. Evid Based Complement
Alternat Med. 2013(2013):1-23.doi:10.1155/2013/731969.
Pharmacology. 1(1):1-14. [diunduh 2017 Mar 5]. Tersedia pada:
http://www.iaees.org/publications/journals/np/articles/2016-1(1)/network-
pharmacology-a-further-description.pdf.
24
LAMPIRAN
25
Kategori ID CID Namawa senyawa
Batang
Bratawali
B013 65373 (-)-Secoisolariciresinol
B014 6440659 N-cis-Feruloyltyramine
B015 5280537 N-trans-Feruloyltyramine
B016 167718 Tembetarine
B018 158516 N-Formylanonaine
J007 11416878 Gingerdiols; [6]-Gingerdiol, 4'-Me ether, 5-Ac
J008 10378937 Gingerdiols; [6]-Gingerdiol, 5-Deoxy
J010 5275727 Gingerdiols; [6]-Gingerdiol, 3-Epimer
J013 11405476 Gingerdiols; [7]-Gingerdiol, 5-Ac
J019 11482032 Gingerdiones; [3]-Gingerdione, 1',2'-Didehydro
J022 14440537 Gingerdiones; [8]-Gingerdione
J024 14440539 Gingerdiones; [10]-Gingerdione
J030 60056883 Gingerols; [3]-Gingerol
J033 11472339 Gingerols; [4]-Gingerol, 5-Ac
J034 11346525 Gingerols; [4]-Gingerol, 4'-Me ether
J038 71391212 Gingerols; [6]-Gingerol, 4'-Me ether
J040 11771257 Gingerols; [6]-Gingerol, 5-Me ether
J044 9795270 Gingerols; [6]-Gingerol, Demethoxy
J047 86067818 Gingerols; [8]-Gingerol, 5-Me ether
J053 22298189 Gingesulfonic acids; [4]-Gingesulfonic acid
J054 126890 Gingesulfonic acids; [6]-Gingesulfonic acid
J057 10976 2-Heptanol; (ξ)-form
J059 24769971 7-Hydroxy-1,7-bis(4-hydroxyphenyl)-5-heptene-3-
sulfonic acid; (3R,5E,7ξ)-form
J065 11391004 1-(4-Hydroxyphenyl)-4-decen-3-ol
J067 86067803 Isogingerols; [6]-Isogingerol, Me ether
J068 7406 Isopropylbenzene
Kategori ID CID Senyawa
Epoxide
J078 11492650 Shogaols; [4]-Shogaol, Me ether
J081 11140882 Shogaols; [6]-Shogaol, 6ξ-Hydroxy
J084 94378 Shogaols; [6]-Shogaol, 4,5-Dihydro
J086 85807832 Shogaols; [6]-Shogaol, 4,5-Dihydro, Me ether
J088 86067879 Shogaols; [6]-Shogaol, 1ξ-Hydroxy, 4,5-dihydro
J091 6442560 Shogaols; [8]-Shogaol
J110 86067899 4-(3,4,5-Trihydroxyphenyl)-2-butanone; 3',4'-Di-Me ether
J111 57382302 4-(3,4,5-Trihydroxyphenyl)-2-butanone; 3',5'-Di-Me ether
J112 86067897 4-(3,4,5-Trihydroxyphenyl)-2-butanone; 3'-Me ether
J113 12236661 4-(3,4,5-Trihydroxyphenyl)-2-butanone; Tri-Me ether
J116 11000257 2-Alkyl-5-[2-(4-hydroxy-3-methoxyphenyl)ethyl]furans;
2-Butyl-5-[2-(4-hydroxy-3-methoxyphenyl)ethyl]furan
J119 13213649 1,10-Bisaboladien-3-ol
J127 11068834 1,7-Bis(3,4-dihydroxyphenyl)-3,5-heptanediol; (3ξ,5ξ)-
hydroxy-3-methylglutaroyl-(→6)-β-D-glucopyranoside]
27
J152 237561 4-(3,4-Dihydroxyphenyl)-2-butanone; 3,4-Didehydro, 3-
Me ether
trihydroxyphenyl)-2H-pyran-4-ol; (2S,4R,6S)-form, 3',3''-
Di-Me ether, 4-Ac
trihydroxyphenyl)-2H-pyran-4-ol; (2S,4S,6S)-form, 3''-Me
J166 51352033 1-(3,4-Dihydroxyphenyl)-2-nonadecen-1-one; (E)-form,
J169 53462009 1-(3,4-Dihydroxyphenyl)-7-(3,4,5-trihydroxyphenyl)-4,6-
J173 25123496 1-(3,4-Dihydroxyphenyl)-7-(3,4,5-trihydroxyphenyl)-3,5-
3-methoxy-Z-cinnamoyl)
J191 2537 (-)-Camphor
J192 2758 1,8-Cineole
J193 3016110 alpha-Pinene
J194 14896 beta-Pinene
J195 159055 (+)-Camphor
J196 26049 3-Carene
J197 101977 Citronellol
J198 637566 Geraniol
J199 643820 Nerol
J200 11463 Terpinolene
29
Daun Pare
S010 75966105 9-Hydroxy-4-eudesmene-1,6-dione; 9β-form
ether
Me ether
Me ether
S018 75251850 1,9,10-Trihydroxy-4-guaien-6-one; (1α,7β,9α,10α)-form,
Lampiran 2 Protein yang berhubungan dengan penyakit diabetes tipe 2
GI Gene/Locus Gene/Locus name
145207306 FOXO1 Forkhead box O1
13528972 GCG Glucagon
member 11
2613014 STAT3 Signal transducer and activator of transcription 3, partial
15680150 SOD3 Superoxide dismutase 3, extracellular
54038761 AKT1 V-akt murine thymoma viral oncogene homolog 1
178853 APOE Apolipoprotein E
386830 INSR Insulin receptor
216409692 PPARG Peroxisome proliferator activated receptor gamma
50348666 PPARA Peroxisome proliferator-activated receptor alpha
45439352 SOCS3 Suppressor of cytokine signaling 3
197692233 TCF7L2 Transcription factor 7-like 2
444434925 UBC Ubiquitin C
Lampiran 3 Hasil optimasi geometri dan minimasi energi pada ligan
No ID Hf (kkal/mol)
No ID Hf (kkal/mol)
Sebelum Sesudah Sebelum Sesudah
33
3 3
Lampiran 3 Hasil optimasi geometri dan minimasi energi pada ligan (lanjutan)
No ID Hf (kkal/mol)
No ID Hf (kkal/mol)
Sebelum Sesudah Sebelum Sesudah
146 J288 2203.25 48.58
147 J290 3569.17 71.74
148 J291 8787.35 118.86
149 P042 1831315.00 45.06
150 P095 2016431.00 39.77
151 P096 1789891.00 85.97
152 P097 1780676.00 165.10
153 P098 2315738.00 88.89
154 P099 2347579.00 50.45
155 P114 2110666.00 24.70
156 P115 2361259.00 86.10
157 P122 449894.30 104.34
158 P125 1550146.00 99.30
159 P126 1335471.00 167.10
160 P127 1053438.00 130.32
161 P128 1287539.00 137.42
162 P151 2345686.00 143.40
Lampiran 4 Hasil optimasi geometri dan minimasi energi pada protein
No ID Hf (kkal/mol)
Lampiran 5 Nilai energi bebas ikatan (G)
EP300 FOXO1 GCG PTH KCNJ11 PRKACA STAT3 SOD3 AKT1 APOE CTLA4 INSR INS IAPP MTNR1B PPARG PPARA SOCS3 TCF7L2 UBC WFS1
S030 8.6046 11.3911 10.0426 8.6212 7.5729 8.8401 0 8.8332 9.1397 10.2890 11.2443 0 9.9018 9.3151 7.7753 5.7137 6.6955 8.7126 10.0720 9.4813 8.8160
J275 5.5382 4.5061 5.3644 4.4558 6.0630 4.5908 0 3.8710 4.6326 5.4863 6.4904 0 6.7164 5.1039 4.9975 4.7369 6.2798 5.3703 5.2074 4.4676 5.3081
J242 5.3211 4.2735 5.6451 4.7791 6.3669 5.3740 0 5.1432 4.6320 8.4963 7.2180 0 6.8592 6.4188 5.4899 4.9746 6.5157 5.3279 6.0158 5.7756 6.6692
J288 5.0943 4.8273 4.7741 4.5692 0 0 0 0 0 3.7829 5.2412 0 5.6511 5.1980 0 0 0 4.5847 5.5361 0 4.5214
J222 5.5145 5.8519 5.5719 4.7584 0 0 0 0 4.1705 4.5592 5.9778 0 5.8277 5.1697 0 0 0 4.8811 5.4964 5.8760 5.6287
J287 5.1964 5.2590 4.8850 4.4614 0 0 0 0 0 4.0903 7.7915 0 5.5996 5.4214 0 0 0 5.1911 5.1835 0 6.4106
J191 4.5624 5.6561 6.1648 4.4259 0 6.4350 0 0 4.4312 6.0098 8.8340 0 6.4827 6.4071 5.3430 0 0 6.1912 7.0385 3.9562 5.8986
J192 4.8853 5.4840 5.5038 4.5328 0 4.3206 0 0 5.0856 5.2067 7.5961 0 6.9816 6.1411 5.5944 0 3.9194 6.0581 6.2267 4.5026 6.5687
J036 5.4827 6.4839 6.6545 7.2368 7.9159 9.0439 7.2122 5.6549 7.7792 8.5794 8.0037 6.2385 9.1380 8.4205 7.0064 8.6205 8.0679 7.5161 8.7565 7.9179 10.3931
J205 5.6493 5.7973 6.1258 5.8506 7.2492 7.2042 0 4.3836 8.0057 9.1535 6.2137 0 5.7800 7.2202 6.6260 7.8785 7.2891 7.6952 8.1449 5.9696 6.6287
S002 6.3486 6.2481 6.2000 5.0500 4.3456 5.9980 0 5.3444 4.8685 8.0452 6.6747 0 5.8470 7.3368 5.5415 5.5842 5.2176 6.4097 7.3588 5.2521 6.1496
J212 5.1772 5.2514 7.3714 5.1544 5.8731 6.0480 0 5.3985 4.4689 7.5191 10.3473 0 7.6077 6.6553 6.6314 5.6589 6.4753 6.5582 6.5918 6.4468 7.0369
J208 4.9276 4.3074 5.7181 4.3109 0 4.4306 0 0 4.8161 5.8126 7.2851 0 5.9741 6.0273 4.4596 0 0 5.8061 6.6918 4.1897 6.0874
J250 5.1899 4.2129 5.0107 4.4842 0 5.1701 0 0 4.0907 6.3658 7.4817 0 6.8398 6.0069 4.3285 0 3.9901 6.0197 4.8952 4.1261 5.8437
J068 5.7781 4.7673 5.3884 5.1041 4.3533 5.1543 0 0 4.3137 7.0927 6.7257 0 6.9146 5.4272 5.8790 4.0585 3.9885 5.5158 6.1646 4.8083 6.4358
J213 5.1897 4.4540 5.3921 4.7609 4.0301 5.1278 0 0 5.1003 6.1935 7.7259 0 7.1731 5.9744 5.5473 4.7876 5.3261 6.1410 6.2518 4.2739 6.2654
J211 4.6630 4.8012 5.4406 4.9400 5.2690 6.1074 0 0 5.2154 7.0685 6.8548 0 5.9026 5.5502 5.3716 5.0350 4.2805 6.2450 6.2544 4.9230 6.7940
J291 5.3974 4.1618 5.8246 4.8115 3.7841 5.8361 0 0 4.7390 5.9637 7.8265 0 5.8421 5.0650 4.7449 4.8969 3.4646 5.7185 5.4847 5.4811 5.8905
J248 5.1043 4.5749 5.6680 4.8353 6.2350 5.1133 0 4.7043 4.7611 6.0840 6.8966 0 6.8834 5.2834 5.4376 4.9979 6.7880 5.4713 5.6201 4.8306 5.9916
J240 5.1976 5.2348 6.2176 5.3881 6.2471 7.1401 5.0436 4.6536 5.3020 6.5980 7.9996 0 7.3743 6.0635 4.7489 5.5028 7.1955 6.7440 7.5082 5.5015 6.2054
J241 4.7326 4.9216 6.0454 4.8311 8.2108 6.3539 3.7363 4.9176 4.9085 8.5870 8.0753 0 7.4150 6.6274 5.8940 6.0528 7.4560 6.0070 6.4829 4.9584 7.5284
J247 5.5119 5.3986 5.9079 5.0796 6.3503 6.1819 0 0 5.3106 7.3246 7.8251 0 6.3078 5.5696 5.3491 4.5778 6.1336 6.1773 5.6169 5.0214 6.7669
J057 5.2769 5.1481 6.8814 5.4667 6.9360 6.6018 0 0 6.5553 7.0627 6.9257 0 7.0800 6.3147 5.6994 4.7461 4.5388 7.1737 7.0897 5.8467 7.0036
J225 5.4576 4.4977 4.9432 4.8162 4.2159 5.0200 0 0 4.5378 6.4594 6.4359 0 5.7396 5.3665 4.7689 4.2648 4.7585 6.2209 6.1034 4.5401 5.7020
J236 5.7085 5.9506 5.9167 5.8233 6.4501 5.6185 0 0 5.4550 6.0527 8.5820 0 6.6607 6.3591 5.2366 4.9140 5.1672 6.4905 6.9162 6.2051 6.8743
J200 5.1930 4.7149 6.2233 4.6580 4.4375 4.8862 0 0 4.7459 5.8910 6.4198 0 6.6504 5.7061 5.7294 5.2174 4.8525 6.4410 5.9086 4.3410 5.8471
J286 4.6940 4.3389 4.9896 4.2167 0 4.7018 0 0 3.9856 5.5780 6.9998 0 5.8496 5.2901 4.1748 0 0 5.1939 5.4360 5.3489 5.6697
J073 5.8529 5.9041 7.6790 6.1326 7.9283 6.5893 0 5.8250 6.6088 6.6623 8.0109 0 7.2314 6.5848 5.2753 4.7696 6.8901 5.8660 6.4260 5.3824 8.3806
J235 5.9350 4.9790 6.3198 4.7829 6.6448 6.6220 0 5.1211 5.9639 7.1742 7.2392 0 7.6605 5.8248 6.0110 5.0794 7.7848 6.0806 7.2747 5.4808 5.9020
J194 4.7165 4.4701 5.1894 4.8670 0 6.0848 0 0 4.6169 4.6782 7.4490 0 6.4225 5.4495 4.9066 0 0 5.0254 6.7411 4.6056 5.5969
J238 6.0301 6.2006 6.7776 5.4068 4.9184 6.4419 0 0 4.8403 7.7381 9.7161 0 6.1912 6.7729 5.2969 5.3354 5.2354 7.1007 7.5558 7.0541 8.0117
J243 4.9057 4.3089 5.7377 4.6751 3.7136 5.0540 0 0 4.7394 5.0254 7.5431 0 6.3415 5.6519 4.7862 4.9749 4.3997 5.5641 6.5771 4.2586 6.6853
J196 4.7498 4.4437 5.0254 4.4389 0 5.0355 0 0 4.4453 5.7648 7.8102 0 5.6436 6.2367 4.6222 5.0173 0 5.5278 6.0146 4.1785 6.6051
J153 6.0580 11.8211 8.4677 6.5973 9.7531 8.5347 4.4618 6.9876 7.0514 8.3945 7.3469 0 8.6557 9.2641 6.7362 7.5386 8.4010 8.3226 8.2627 7.0941 8.1385
S001 4.6988 5.1192 5.4321 5.0578 0 5.3648 0 0 4.8906 5.4632 8.7153 0 6.2694 6.3563 5.4070 4.2953 0 5.5514 7.6549 4.6468 6.3502
B013 6.2269 6.1215 8.2290 8.3491 9.1081 12.1877 9.8699 7.8937 8.0829 9.2938 11.3342 8.7836 10.1585 9.0701 8.0882 9.2336 9.6905 9.7661 12.7962 6.8991 8.9067
J290 4.8356 4.5332 4.7765 4.4815 0 3.7646 0 0 4.7431 5.6163 5.8844 0 5.5329 4.7088 4.0625 0 0 5.1093 4.8145 3.7473 5.1777
S031 6.2358 6.0453 6.5637 5.4444 6.9312 7.6845 5.0825 6.9201 5.2490 8.3564 7.4951 0 9.0259 10.1590 7.2471 7.6272 9.2778 7.6482 9.8942 7.4483 8.1466
J254 6.3431 5.2544 7.0172 5.2648 7.0886 6.1402 0 5.5388 6.8151 8.3364 8.5388 0 6.2027 6.4876 6.7471 5.3749 7.0812 6.6017 7.2215 6.0115 5.9932
J227 4.5143 4.6704 5.7430 4.0800 0 5.9656 0 0 4.1451 6.0476 7.0686 0 4.7956 5.7236 4.1721 0 0 5.3834 5.5463 4.6374 6.3762
J203 6.1524 10.4082 7.6015 6.3358 6.6776 7.7559 6.6673 7.4977 7.2228 7.7883 7.2672 6.8460 11.7541 8.0322 7.5145 8.0503 8.1841 9.7336 8.4455 6.9849 9.8392
J239 5.7233 4.8870 6.6470 5.3585 4.8475 6.3486 3.4976 5.3968 4.8379 6.6171 7.6972 0 5.5555 6.4911 5.8506 5.8778 5.6687 7.3350 6.4323 5.2685 6.4761
J084 7.5278 10.3111 7.5002 6.4904 6.2949 8.7788 7.1885 6.3476 5.7231 8.1971 8.1120 5.3654 9.8554 6.8850 7.2369 7.5556 8.1842 8.0470 7.4937 8.2808 9.0558
J197 6.0490 6.0432 7.8239 5.8328 6.8307 6.8194 5.1543 5.4034 5.0058 8.4856 8.7369 0 8.1368 6.4338 6.2618 5.2114 6.8567 6.8931 7.7014 5.9596 8.6082
J135 6.9722 7.6540 7.1811 7.0059 11.3456 8.8812 8.2049 7.2632 10.2089 7.7686 10.0411 6.9341 9.8839 11.7350 8.5309 8.4328 8.9412 10.0327 10.3497 8.4082 10.4833
J054 7.4765 9.2495 10.4734 9.4452 8.3374 9.9149 8.6393 9.5247 8.0840 9.4771 10.6584 8.5007 12.6562 11.4336 9.0953 10.0508 10.6824 9.7876 11.1844 9.3758 9.5579
J149 6.1034 4.2110 5.6849 5.5975 3.7847 5.7383 0 0 6.7837 7.0220 9.1279 0 8.1364 7.1783 4.9898 4.8939 0 5.9401 7.2612 4.9015 7.9043
B018 7.1640 6.9178 6.5230 5.7361 5.3770 8.1875 6.0159 7.4334 6.2309 10.6218 8.5674 0 7.3801 7.2396 6.8874 8.3422 8.7638 7.8979 9.7737 6.5024 7.1349
J195 5.0031 4.4843 6.0972 4.1698 0 4.6634 0 0 4.8400 5.3497 9.1508 0 6.9393 6.1468 4.7040 5.0287 4.4962 6.3395 5.7429 4.1873 5.8251
J201 6.8972 9.3196 7.5180 6.9963 7.0970 8.4223 6.3516 7.8033 6.7217 8.1628 7.4084 6.3182 12.0785 8.3544 6.4833 8.8146 9.4436 8.8452 7.9569 6.1817 8.3348
B016 8.9517 8.3938 8.9644 6.1237 7.1779 11.2740 7.5754 10.0919 9.1099 10.9517 8.5816 8.0674 6.9469 8.6636 12.8194 9.0404 9.0658 9.1272 10.2151 8.0150 10.4190
J093 5.7439 8.1804 7.4555 5.9138 6.6080 9.4290 8.3302 6.4136 6.0773 8.2074 9.4992 6.6494 9.6462 8.5163 7.3995 5.9263 8.1514 7.6410 9.6171 7.0159 7.1149
J152 5.7395 8.7666 7.4263 5.6410 6.8703 7.2422 5.4633 4.7936 6.4608 7.7946 7.5395 0 8.6260 7.5882 6.5871 6.4433 8.6007 7.3484 11.2498 7.4687 7.3512
J224 5.6230 4.3517 5.5490 4.9309 6.6731 5.3684 0 0 4.8602 6.9605 7.2548 0 5.5430 6.1739 4.7446 4.8585 4.6622 5.6855 6.0165 4.5657 6.0309
S013 7.3191 12.8992 8.9267 8.6334 13.6686 9.9827 6.7582 8.6900 9.0277 11.3688 12.9413 7.0997 11.2473 11.4068 11.0764 9.3861 9.9653 9.3007 9.4551 8.3477 14.5177
J232 5.0644 4.9647 5.4261 4.3812 4.6871 6.2094 0 3.8446 4.4440 6.3092 7.5141 0 6.9491 6.6266 5.2582 5.7348 5.1987 6.2125 6.8406 4.5598 5.7151
J214 4.6532 4.8306 5.5756 5.0072 5.8309 6.7300 0 5.1821 5.2705 7.0954 8.1252 0 7.8042 7.3679 5.9926 5.8735 7.9091 8.9618 6.3744 5.0410 6.6132
J148 5.1507 5.5997 5.5249 6.0843 4.9739 5.9873 0 0 4.4652 6.4356 8.1402 0 6.1447 5.9735 4.9943 5.4175 5.8581 6.2882 6.8051 6.2140 6.4365
J198 6.1119 5.1061 7.6443 5.1506 6.7542 5.6791 0 5.4327 4.8637 7.9323 7.4586 0 8.1016 5.7134 6.6147 5.8858 6.2858 7.2923 8.9313 6.6498 7.3271
J274 6.2864 4.2678 5.5864 5.3507 6.0626 6.7395 0 4.6527 5.2604 7.6388 6.5538 0 6.9711 6.0816 5.2872 5.3788 7.1562 6.0702 6.2312 6.2619 5.7847
J276 7.4491 10.4838 9.6211 7.9996 8.0913 10.9541 8.2946 9.5657 8.1918 8.7963 11.9357 6.7054 11.7382 11.1045 12.4935 9.8970 11.5454 11.3432 10.5820 9.1824 12.4252
J210 5.7409 4.3511 6.0381 5.1816 5.6965 6.7166 0 5.3387 5.0675 8.6191 7.0135 0 7.4521 6.3525 5.7295 4.7347 6.6458 6.0065 6.5659 5.1185 6.5437
J199 6.1582 4.6866 6.1385 4.8455 6.2729 7.3518 0 5.0178 6.1646 8.3049 6.7604 0 7.5251 6.8873 5.6686 5.7292 8.3994 6.9279 7.6087 6.1378 7.6098
J207 4.9549 5.0700 6.4553 4.2547 0 4.8702 0 0 4.4762 5.0307 9.9301 0 5.8637 6.2046 5.2055 0 3.6263 5.5830 8.5802 5.9791 8.0371
J193 6.9712 10.3874 7.0901 6.6049 8.3756 8.1533 4.7461 7.3292 6.0172 9.5217 7.2259 0 7.6872 7.8328 7.9930 8.6430 9.0072 6.5654 8.0521 6.7320 9.0451
J046 6.0491 6.5814 7.3632 6.3923 7.0376 8.1975 8.5407 6.5757 5.9017 8.6187 9.4429 7.6670 8.6723 9.9445 7.1535 6.7296 9.2048 8.4571 9.0515 7.2822 7.4506
J010 8.4582 7.7092 7.6479 8.7542 8.7284 8.2864 6.8758 6.1847 10.3949 9.9176 7.4220 0 10.4270 6.8418 9.3532 8.8027 9.5698 9.1559 9.4678 8.2509 8.7303
B015 8.6663 10.9461 7.3384 7.7639 9.7377 9.6120 6.4041 9.8273 7.6651 10.0668 11.4691 8.8185 9.3835 8.0210 7.3398 8.9992 7.7414 8.7756 9.9691 8.2774 9.7128
J138 7.1486 11.7642 8.1641 6.2748 7.3187 10.8242 8.9064 7.0053 7.9973 7.8375 9.4071 7.4181 8.2931 7.5059 8.8666 8.7280 10.0474 10.2878 10.3684 7.7678 11.4278
J206 7.2388 7.6807 6.9729 7.8397 6.9572 8.6630 7.6751 7.0548 6.1068 7.8698 7.7848 6.1625 9.5209 7.9486 7.2790 6.9120 8.5185 8.0642 8.8896 7.1982 8.7257
J234 5.9402 5.0833 7.0485 5.8364

analisis bicluster pada jaringan farmakologi …

Documents