11
algoritma matematis yang disebut dengan scoring function kemudian digunakan untuk mengevaluasi kecocokan antara senyawa yang ditambatkan dan molekul
target. Scoring function merupakan pendekatan secara matematika yang digunakan untuk memprediksi kekuatan interaksi non-kovalen pada proses
penambatan. Tahap selanjutnya adalah menyeleksi dan mengurutkan senyawa berdasarkan binding score danatau kriteria lainnya Cheng, Li, Zhou, Wang, dan
Bryant, 2012. ChemPLP merupakan scoring function yang menilai interaksi yang ada berdasarkan gaya tarik-menarik dan tolak-menolak antara protein dan ligan
Korb, Stützle, dan Exner, 2006. Kelemahan dari scoring function konvensional termasuk ChemPLP adalah tidak mampu membedakan antara pose yang relevan
dengan pose yang tidak relevan, terutama untuk senyawa dengan berat molekul yang kecil seperti fragmen Marcou dan Rognan, 2006.
Validasi internal digunakan untuk memeriksa apakah simulasi penambatan yang digunakan protokol PVBS dapat menghasilkan ulang pose dari ligan co-
crystal dengan cara menambatkan kembali ligan pada molekul target berulang-
ulang. Parameter yang digunakan pada validasi internal adalah nilai RMSD Root Mean Square Distance
antara atom besar dari pose penambatan dan pose struktur kristal. Nilai RMSD yang dianggap acceptable adalah kurang dari 2,0 Å Marcou
dan Rognan, 2006. Validasi retrospektif bertujuan untuk mengetahui apakah protokol PVBS yang digunakan dapat membedakan antara ligan positif dengan
decoy . Parameter yang digunakan pada validasi retrospektif adalah Enrichment
Factor EF. Semakin besar nilai EF menunjukkan protokol PVBS yang
digunakan semakin baik Huang, Shoichet, dan Irwin, 2006.
12
Menurut penelitian yang dilakukan oleh Anita et al. 2012, protokol PVBS yang digunakan dapat menjadi alat yang valid untuk menapiskan ligan aktif
pada REα secara virtual dan diketahui bahwa molekul air yang terdapat pada
pocket REα PDB code: 3ERT mempunyai peran penting dalam meningkatkan
kualitas dari protokol PVBS.
E. Interaction Fingerprint
Aspek utama dari interaction fingerprint IFP adalah pemilihan jenis ikatan antara ligan dan asam amino yang tepat dan dapat digunakan sebagai
anchor dalam menentukan ligan yang dapat berikatan dengan molekul target.
Informasi yang didapat, ditampilkan dalam bentuk data yang dapat dengan mudah dimengerti dan diproses dengan metode komputasi. Kelebihan utama dari metode
ini adalah kemampuannya untuk membandingkan data fingerprint dan menghitung kesamaannya antara senyawa yang diuji dengan senyawa reference
dengan Tanimoto coefficient Tc yang dapat memfasilitasi pencarian kesamaan secara cepat. Dalam penapisan virtual, fingerprint dapat digunakan untuk
menapiskan database untuk mengidentifikasi senyawa yang cocok dengan sifat dari ligan bioaktif Bielska, Lucas, Czerwoniec, Kasprzak, Kaminska, dan
Bujnicki, 2011. Fingerprint
dapat diklasifikasikan sesuai dengan dimensinya, yaitu 1D, 2D, dan 3D. Fingerprint yang paling popular dan efisien adalah fingerprint 2D.
Pada fingerprint 2D, dihasilkan data dalam bentuk 2D, yaitu interaksi molekul akan ditampilkan dalam bentuk deretan angka nol dan satu yang menggambarkan
13
ada atau tidak adanya jenis interaksi tersebut antara ligan dengan molekul target Bielska et al., 2011.
Salah satu kelemahan dari software IFP adalah menggunakan software berbayar atau pustaka berbayar. Oleh karena itu, pada tahun 2013 Radifar et al.
mengembangkan suatu perangkat lunak IFP yaitu PyPLIF yang menggunakan OpenBabel
sebuah pustaka open source untuk menghasilkan perangkat lunak IFP yang tak berbayar Radifar et al., 2013.
F. PyPLIF
Python-based protein-ligand
interaction fingerprinting
PyPLIF merupakan programscript yang digunakan untuk menganalisa interaksi protein
dengan ligan dari hasil penambatan molekuler. Menurut Marcou dan Rognan 2006, interaction fingerprinting merupakan parameter yang lebih baik
dibandingkan dengan fungsi scoring berbasis energi dalam menentukan kesuksesan penambatan. Salah satu kelebihan dari PyPLIF adalah program ini
berdasar pada Open Babel Library, sebuah pustaka open source yang menyajikan peralatan IFP lengkap dan dapat diakses gratis oleh semua orang Radifar et al.,
2013. PyPLIF dapat menghasilkan IFP dengan mengubah interaksi molekuler
dari ligand-protein menjadi bit array berdasarkan pilihan residu dan tipe interaksi. Setiap residu terdapat 7 bits yang menggambarkan 7 tipe interaksi yaitu apolar
van der Waals, aromatic face to face, aromatic edge to face, ikatan hidrogen protein sebagai pendonor ikatan hidrogen, ikatan hidrogen protein sebagai
penerima ikatan hidrogen, interaksi elektrostatik protein bermuatan positif,
14
interaksi elektrostatik protein bermuatan negatif. Menurut Radifat et al. 2013, dengan melakukan filtrasi pada pose yang berikatan hidrogen dengan Asp351,
kualitas protokol penapisan pada reseptor REα dapat ditingkatkan.
Bit arrays dari pose penambatan dibandingkan dengan standar dan
diperiksa kesamaannya menggunakan Tanimoto coefficient protein-ligand interaction fingerprinting
Tc-PLIF. Nilai Tc-PLIF berkisar antara 0,000 sampai 1,000, dengan nilai 0,000 menandakan bahwa tidak ada kemiripan, dan nilai 1,000
menandakan bahwa IFP pose penambatan antara ligan dengan standar identik. Nilai Tc-PLIF untuk ligan aktif lebih besar sama dengan 0,600 Marcou dan
Rognan, 2006.
G. Landasan Teori
Kanker payudara merupakan suatu penyakit yang disebabkan oleh pertumbuhan sel abnormal yang membelah secara terus menerus. Umumnya
penyebab terjadinya kanker payudara adalah adanya overekspresi REα pada epitel
payudara. Salah satu senyawa alam yang telah terbukti baik secara in vitro maupun
in vivo dapat bersifat sebagai antikanker yaitu genistein yang termasuk dalam
golongan isoflavon. Genistein diketahui dapat berinteraksi dengan beberapa target biokimia dalam sel tubuh, seperti