Reseptor Estrogen PENELAAHAN PUSTAKA
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 program
script
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.