Uji Permutasi Efek Sinergis Bahan Aktif Tanaman Obat Berbasiskan Jejaring Dengan Protein Target.

UJI PERMUTASI EFEK SINERGIS BAHAN AKTIF
TANAMAN OBAT BERBASISKAN JEJARING DENGAN
PROTEIN TARGET

NUR HILAL A. SYAHRIR

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2015

PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa tesis berjudul Uji Permutasi Efek
Sinergis Bahan Aktif Tanaman Obat Berbasiskan Jejaring dengan Protein Target
adalah benar karya saya dengan arahan dari komisi pembimbing dan belum
diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber
informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak
diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam
Daftar Pustaka di bagian akhir tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.
Bogor, November 2015
Nur Hilal A. Syahrir
NIM G152130251

RINGKASAN
NUR HILAL A. SYAHRIR. Uji Permutasi Efek Sinergis Bahan Aktif Tanaman
Obat Berbasiskan Jejaring dengan Protein Target. Dibimbing oleh FARIT
MOCHAMAD AFENDI dan BUDI SUSETYO.
Tanaman obat merupakan tanaman yang mengandung berbagai bahan aktif
yang bermanfaat untuk mencegah dan menyembuhkan penyakit serta melakukan
fungsi biologis tertentu. Berbeda dengan obat-obatan sintesis yang melibatkan
satu senyawa kimia tunggal (one drug-one target), tanaman obat mengerahkan
efek yang menguntungkan dengan tindakan aditif atau sinergis dari beberapa
senyawa kimia yang bekerja pada satu atau beberapa target (multicomponentnetwork target) yang terkait dengan proses fisiologis. Suatu kombinasi bahan aktif
menunjukkan efek sinergis ketika efek bahan aktif secara bersama-sama lebih
besar daripada efek masing-masing bahan aktif secara terpisah. Efek sinergis
bahan aktif tanaman obat dapat diidentifikasi dengan pendekatan jejaring dengan
protein target. Metode NIMS (Network target-based Identification of
Multicomponent Synergy) adalah metode yang dapat digunakan untuk melihat

potensi efek sinergis dan menilai kekuatan sinergis antar kombinasi bahan aktif
pada tingkatan molekular dengan mengkuantifikasi kekuatan sinergis bahan aktif
yang disebut dengan skor sinergi.
Kajian efek sinergis diterapkan pada ramuan jamu yang sedang
dikembangkan di Pusat Studi Biofarmaka untuk pengobatan diabetes mellitus tipe
2 yang terdiri atas 55 bahan aktif pada empat tanaman (Bratawali, Pare, Jahe, dan
Sembung). Skor sinergi yang relatif tinggi ditunjukkan oleh pasangan bahan aktif
antar tanaman Jahe. Efek sinergi antar tanaman yang berbeda namun mempunyai
skor sinergi yang juga relatif tinggi adalah pasangan beberapa bahan aktif
tanaman Jahe dan Pare, serta pasangan beberapa bahan aktif tanaman Bratawali
dan Jahe. Berdasarkan hasil uji permutasi, skor sinergi tersebut signifikan.
Kata kunci: drugCIPHER-CS, jamu, NIMS, network target

SUMMARY
NUR HILAL A. SYAHRIR. Permutation Test Synergistic Effect of Active
Ingredients of Medicinal Plants Based on Network of Protein Target. Dibimbing
oleh FARIT MOCHAMAD AFENDI dan BUDI SUSETYO.
Medicinal plants contain inherently active ingredients. Such ingredients
are beneficial to prevent and cure diseases, as well as to perform specific
biological functions. In contrast to synthetic drugs, which is based on one single

chemicals (one drug- one targrt), medicinal plants exert their beneficial effects
through the additive or synergistic action of several chemical compounds. Those
chemical compound act on single or multiple targets (multicomponent-network
target) associated with a physiological process. Active ingredients combinations
show a synergistic effect. This means that the combinational effect of several
active ingredients is greater than that of individual one acting separately. A
network target can be used to identify synergistic effects of plants active
ingredients. The method of NIMS (Network target-based Identification of
Multicomponent Synergy) is a computational approach to identify the potential
synergistics effect of active ingredients. It also assessess synergistic strength of
any active ingradients at the molecular level by synergy scores.
We investigate these synergistic on a Jamu formula for diabetes mellitus
type 2. The Jamu formula is composed of four medicinal plants, namely
Tinospora crispa , Zingiber officinale, Momordica Charantia, and Blumea
balsamivera. Our work succesfully demonstrates that the highest synergy scores
on medicinal plants synergy can be seen in pairs of several active ingredients in
Zingiber officinale. On the other hand, the synergy of pairs of active ingredients in
Momordica Charantia and Zingiber officinale posseses a relatively high score.
The same occurs in Tinospora crispa and Zingiber officinale. Permutation test
sucsesfully shows significance scores.

Keywords: drugCIPHER-CS, jamu, NIMS, network target.

© Hak Cipta Milik IPB, Tahun 2011
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan
atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan
IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini
dalam bentuk apa pun tanpa izin IPB

UJI PERMUTASI EFEK SINERGIS BAHAN AKTIF
TANAMAN OBAT BERBASISKAN JEJARING DENGAN
PROTEIN TARGET

NUR HILAL A. SYAHRIR

Tesis
sebagai salah satu syarat untuk memperoleh gelar

Magister Sains
pada
Program Studi Statistika Terapan

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2015

Penguji Luar Komisi pada Ujian Tesis: Dr. Eng. Wisnu Ananta Kusuma, ST, MT

Judul Tesis : Uji Permutasi Efek Sinergis Bahan Aktif Tanaman Obat
Berbasiskan Jejaring dengan Protein Target
Nama
: Nur Hilal A. Syahrir
NIM
: G152130251
Disetujui oleh
Komisi Pembimbing

Dr Farit Mochamad Afendi, M.Si
Ketua

Dr Ir Budi Susetyo, MS
Anggota

Diketahui oleh

Ketua Program Studi
Statistika Terapan

Dekan Sekolah Pascasarjana

Dr Ir Indahwati, M.Si.

Dr Ir Dahrul Syah, MScAgr

Tanggal Ujian:
07 Oktober 2015

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan Desember 2014 ini ialah
jamu informatika, dengan judul Uji Permutasi Efek Sinergis Bahan Aktif
Tanaman Obat Berbasiskan Jejaring dengan Protein Target.
Terima kasih penulis ucapkan kepada Bapak Dr Farit Mochamad Afendi
M.Si dan Bapak Dr Ir Budi Susetyo MS selaku pembimbing serta Bapak Dr.Eng
Wisnu Ananta Kusuma selaku penguji luar komisi. Penghargaan juga penulis
sampaikan kepada Bapak Rudi Heryanto M.Si dari Departemen Kimia dan Pusat
Studi Biofarmaka, yang telah membantu selama pengumpulan data dan berdiskusi
banyak dengan penulis. Teman-teman sejawat di Departemen Statistika terkhusus
Rizal Bakri dan Nurul Qomariasih atas kerjasama tim yang baik dalam membuat
tesis ini. Ungkapan terima kasih juga disampaikan kepada ayah, ibu, serta seluruh
keluarga, atas segala doa dan kasih sayangnya.
Semoga karya ilmiah ini bermanfaat.

Bogor, September 2015

Nur Hilal A. Syahrir

DAFTAR ISI
DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

vi

1 PENDAHULUAN
Latar Belakang
Perumusan Masalah
Tujuan Penelitian
Manfaat Penelitian

Ruang Lingkup Penelitian

1
1
1
2
2
2

2 TINJAUAN PUSTAKA
5
Efek Sinergis
5
Network target-based Identification of Multicomponent Synergy (NIMS) 5
DrugCIPHER-CS
5
Topology Score (TS)
5
Agent Score (AS)
8

Phenotype Similarity (Kesamaan Fenotipe)
8
Uji Permutasi
10
3 METODE
Data
Metode Analisis
Diagram Alir Penelitian

11
11
11
13

4 HASIL DAN PEMBAHASAN
Pengumpulan Data
Eksplorasi Data Awal
Prediksi Protein Target
Pendugaan Skor Sinergis
Pengujian signifikansi skor sinergis

15
15
16
19
22
28

5 SIMPULAN DAN SARAN
Simpulan
Saran

31
31
31

DAFTAR PUSTAKA

33

LAMPIRAN

35

RIWAYAT HIDUP

39

DAFTAR TABEL
1
2
3
4

Pangkalan data, informasi yang diperoleh, dan hasi penelusuran data
Daftar bahan aktif pada tanaman, protein target, dan interaksinya
Tiga ukuran sentralitas jejaring dan skor kepentingan protein target
Peringkat skor sinergis Pare dan Bratawali

15
16
24
27

DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

Metode NIMS
Prinsipis dasar drugCIPHER
Contoh struktur Human Phenotype Ontology (HPO)
Ilustrasi metode resampling dengan teknik uji permutasi
Ilustrasi struktur data penelitian
Diagram alir penelitian
Jejaring bahan aktif protein target awal
Degree distribution
Jejaring Protein-Protein Interaction (PPI)
Prediksi jejaring bahan aktif dengan protein target
Degree dari protein target (drugCIPHER)
Plot betweenness, closeness, dan degree
Matriks Topology Score, Agent Score,dan Synergy Score
Skor sinergis bahan aktif pada tanaman Pare dan Bratawali
Ilustrasi sebaran hipotesis nol yang diperoleh melalui uji permutasi
P-value skor sinergis pasangan bahan aktif tanaman obat

5
6
9
10
11
13
17
18
20
21
22
23
26
27
28
29

DAFTAR LAMPIRAN
1 Daftar 55 bahan aktif yang terdapat pada empat tanaman
2 Interaksi bahan aktif dengan protein target
3 Daftar interaksi antar protein (Protein-Protein interaction)

35
37
38

1

1 PENDAHULUAN
Latar Belakang
Pola penyakit di Indonesia bahkan di dunia telah mengalami pergeseran
dari penyakit infeksi ke penyakit-penyakit metabolik degeneratif (Katno &
Pramono 2008). Hal tersebut terjadi seiring dengan laju perkembangan tingkat
ekonomi dan peradaban manusia serta perkembangan pola hidup yang serba
praktis. Penyakit metabolik degeneratif merupakan penyakit yang disebabkan oleh
gangguan metabolisme tubuh akibat konsumsi berbagai jenis makanan yang tidak
terkendali serta gangguan faal tubuh sejalan dengan proses degenerasi. Beberapa
contoh penyakit metabolik degeneratif antara lain: diabetes, kolesterol, hepatitis,
dan rematik. Salah satu bentuk pengobatan yang diupayakan mengatasi penyakit
metabolik degenaratif adalah dengan penggunaan atau konsumsi obat
konvensional. Penggunaan obat konvensional dalam waktu yang lama dapat
memberikan efek samping secara akumulatif dan menimbulkan dampak negatif
terhadap kesehatan pasien. Berbeda dengan pengobatan berbasis tanaman obat
(jamu), efek samping yang ditimbulkan relatif kecil meskipun dikonsumsi dalam
waktu yang cukup lama. Selain itu, salah satu keuntungan lain dari pengobatan
berbasis tanaman obat adalah kemampuannya yang memiliki lebih dari satu efek
farmakologi sehingga penyakit-penyakit metabolik degenaratif yang dipicu oleh
mutasi pada banyak gen lebih tepat ditangani dengan tanaman obat (Katno &
Pramono 2008). Fenomena ini menjadi daya tarik beberapa peneliti untuk
mengembangkan tanaman obat.
Kemampuan tanaman obat yang memiliki lebih dari satu efek farmakologi
disebabkan mengandung lebih dari satu komponen bahan aktif atau senyawa aktif.
Tanaman obat melibatkan banyak komponen senyawa kimia yang bekerja pada
satu atau beberapa target (multicomponent-network target) berbeda dari obat
konvensional yang hanya melibatkan satu senyawa kimia tunggal dengan satu
target (one drug-one target) (Li & Zhang 2013). Karena terdiri dari banyak
komponen senyawa kimia, maka interaksi antar komponen sangat mungkin terjadi.
Interaksi antar bahan aktif pada tanaman obat dapat berupa sinergis atau antagonis.
Evaluasi mengenai sinergisme bahan aktif pada tanaman obat biasanya dilakukan
secara eksperimental dalam pendekatan kasus per kasus. Meskipun beberapa
metode eksperimental telah dapat dilakukan untuk menyaring kombinasi bahan
aktif yang menguntungkan, evaluasi sinergis secara eksperimental membutuhkan
biaya dan tenaga yang besar serta waktu yang relatif lama. Identifikasi efek
sinergis kombinasi bahan aktif yang banyak pada ramuan jamu tetap menjadi
masalah yang belum terselesaikan. Pendekatan komputasi muncul sebagai
alternatif yang mampu mengakomodasi data yang besar dengan lebih cepat serta
dapat memberikan metode yang lebih menjanjikan dan diinginkan untuk studi
obat multikomponen. Li et al. (2011) mengusulkan pendekatan komputasi untuk
melihat potensi efek sinergis antar kombinasi bahan aktif pada tingkatan
molekular dengan menggunakan metode NIMS (Network target-based
Identification of Multicomponent Synergy).
NIMS merupakan bagian dari rangkaian jejaring farmakologi yang melihat
intervensi bahan aktif pada sistem biologi yang kompleks sehingga metode NIMS

2

merupakan metode yang tepat digunakan untuk melihat sinergi pasangan bahan
aktif pada studi obat multikomponen. NIMS mengkuantifikasi kekuatan sinergis
pasangan bahan aktif dengan mempertimbangkan keterkaitan mekanisme kerja
obat yang melibatkan peran protein target serta peran penyakit. Li et al. (2011)
menginisiasikan metode NIMS dan menunjukkan bahwa metode NIMS memiliki
performa yang baik dalam mengkuantifikasi dan menyaring sinergisme bahan
aktif pada formula TCM (Traditional Chinese Medicine). Beberapa penelitian
sebelumnya menggunakan metode NIMS untuk mengungkap mekanisme kerja
formula TCM pada penyakit tertentu seperti diabetes mellitus tipe 2 (Li et al.
2014) dan penyakit rematik (Li et al. 2015). Penelitian ini merupakan langkah
awal evaluasi sinergis bahan aktif dengan pendekatan komputasi menggunakan
metode NIMS pada ramuan Jamu.
Metode NIMS hanya menyediakan informasi mengenai kekuatan sinergi
antar pasangan bahan aktif tanaman obat. Pasangan bahan aktif mana yang perlu
ditelusuri lebih lanjut (signifikan) masih menjadi tantangan dalam pendekatan
komputasi ini. Pendekatan statistika menjawab permasalahan tersebut dengan
pengujian hipotesis. Pengujian hipotesis yang ada pada umumnya berangkat dari
asumsi sebaran tertentu (pendekatan parametrik). Salah satu pendekatan non
parametrik yang mampu menangani permasalahan pengujian signifikansi pada
sebaran skor sinergi yang tidak diketahui memiliki sebaran tertentu ialah metode
resampling. Metode resampling dengan teknik uji permutasi merupakan
pendekatan yang tepat dalam menguji signifikansi hubungan yang melibatkan dua
peubah. Ide dasar uji permutasi yang sederhana biasanya diterapkan pada
pengujian signifikansi korelasi. Pada tulisan ini, ide dasar tersebut digunakan
untuk melihat menguji signifikansi hubungan sinergis pasangan bahan aktif
dengan melibatkan peubah yang diasumsikan menjadi faktor yang mempengaruhi
sinergisme pasangan bahan aktif.
Perumusan Masalah
Penelitian mengenai bioaktivitas obat atau analisis komponen bahan aktif
yang terdapat dalam tanaman obat telah banyak dilakukan bahkan telah
terdokumentasi dengan baik dalam satu pangkalan data bioinformatika. Namun
penjelasan detail mengenai mekanisme kerja pada tingkat molekular dan aktifitas
farmakologi dari masing-masing senyawa yang terkandung dalam tanaman obat
tersebut serta interaksi senyawa yang terkandung dalam tanaman obat khususnya
pada ramuan jamu masih perlu dikembangkan (Sari 2014). Berbeda dengan TCM
(Traditional Chinese Medicine), perkembangan mekanisme kerja pada ramuan
jamu pada tingkatan molekuler belum banyak dikaji. Salah satu upaya
mengungkap mekanisme kerja jamu pada tingkatan molekuler dapat dilakukan
dengan pendekatan komputasi. Pendekatan komputasi pada penilitian ini mengkaji
sinergisme antar pasangan bahan aktif.

3
Tujuan Penelitian
Tujuan utama penelitian ini adalah:
1. Menduga kekuatan sinergis antar kombinasi bahan aktif melalui pendekatan
komputasi berbasis jejaring dengan protein target dengan metode NIMS
2. Menguji signifikansi kekuatan sinergis antar kombinasi bahan aktif
menggunakan metode resampling dengan teknik uji permutasi
Manfaat Penelitian
Penelusuran pasangan bahan aktif mana yang yang berinteraksi secara
bersinergi dapat dimanfaatkan dari kajian ini. Penelitian ini merupakan inisiasi
awal dalam upaya mengungkap mekanisme kerja jamu pada tingkatan molekular
melalui pendekatan komputasi. Pendekatan komputasi yang digunakan pada
penelitian ini mampu mengurangi biaya dan waktu penelitian dibandingkan
dengan melakukan pendekatan eksperimental. Selain manfaat praktis, kajian
teoritis statistika pada penelitian ini juga bermanfaat bagi kepentingan
pengembangan ilmu pengetahuan dan teknologi.
Ruang Lingkup Penelitian
Kajian sinergis antar bahan aktif pada tulisan ini berfokus pada ramuan jamu
yang terdiri atas empat tanaman yaitu: tanaman Bratawali (Tinospora crispa),
Jahe (Zingiber officinale), Pare (Momordica charantia), dan Sembung (Blumea
balsamivera). Formula jamu tersebut merupakan hasil penelitian sebelumnya oleh
Nurishmaya (2014) yang memprediksi formula jamu baru yang berkhasiat sebagai
antidiabetes. Khasiat ramuan jamu dibuktikan melalui uji di laboratorium
menggunakan ikan zebra sebagai hewan uji. Hasil penelitian tersebut cukup
menjanjikan sehingga mekanisme kerja formula Jamu tersebut layak untuk
ditelusuri lebih lanjut. Penelitian ini mengkaji efek sinergis antara bahan aktif
pada tanaman obat dan tidak mengkaji efek antagonis dan toksisitas yang
ditimbulkan oleh kombinasi bahan aktif pada tanaman obat.

4

5

2 TINJAUAN PUSTAKA
Efek Sinergis
Efek sinergis pada bahan aktif merupakan kondisi ketika efek yang
dihasilkan oleh bahan aktif secara bersama lebih besar daripada jumlah dari efek
tunggal dari masing-masing bahan aktif (Spinella 2002). Evaluasi efek sinergi
pada bahan aktif dapat diduga melalui pendekatan komputasi.
NIMS (Network target-based Identification of Multicomponent Synergy)
NIMS merupakan pendekatan komputasi untuk mengidentifikasi pasangan
agen sinergis pada tingkat molekuler. Disini “agen” dapat mengacu pada substansi
kimia seperti senyawa atau bahan aktif dengan aktifitas farmakologis atau bologis.
Konsep dasar NIMS yaitu mentransfer hubungan antar bahan aktif ke dalam
konteks topologi jejaring dengan memanfaatkan jejaring protein target dari bahan
aktif dan jejaring PPI (Gambar 1).
NIMS mengintegrasikan dua aspek yaitu berdasarkan fitur topologi
jejaring protein target bahan aktif dan kesamaan fenotipe (penyakit) dari protein
target bahan aktif. Skor sinergis antar dua pasang bahan aktif diperoleh dari
perkalian Topology Score ( ) dan Agent Score ( ) S 1,2 = TS 1,2 ×AS 1,2.

Gambar 1. Metode NIMS (Li et al. 2011)
DrugCIPHER-CS
Identifikasi profil protein target dari bahan aktif merupakan salah satu
langkah penting sebelum dilakukan pendekatan komputasi untuk mengevaluasi
pasangan agen sinergis. Profil protein target merupakan protein target yang diduga
mempunyai kemungkinan yang besar menjadi protein target dari bahan aktif.
Jejaring protein target akan terbentuk dari hasil identifikasi profil protein target
yang kemudian akan dimanfaatkan dalam evaluasi sinergis. Zhao S dan Li (2010)
mengusulkan metode drugCIPHER-CS untuk memprediksi profil protein target
dari bahan aktif dengan menghubungkan ruang farmakologi dan ruang genomik
(Gambar 2).

6

Gambar 2. Prinsip dasar drugCIPHER (Zhao & Li 2010)
Pada prinsipnya, drugCHIPER-CS melihat kedekatan bahan aktif terhadap
protein target dalam skala genomik yang besar dengan mengkorelasikan informasi
kemiripan struktur kimia bahan aktif pada ruang farmakologi dan interaksi antar
protein pada tubuh manusia (PPI) pada ruang genomik. Metode ini didasarkan
pada asumsi bahwa (i) obat dengan kemiripan struktur yang sama cenderung
mengikat protein yang terkait (ii) hubungan fungsional antara protein dapat diukur
dengan jarak pada jejaring interaksi protein. Profil protein target dari tiap bahan
aktif dihitung dari skor concordance :
cov CSb ,φp
ρbp =
σ CSb σ φp
dimana � merupakan matriks kemiripan struktur kimiawi antar bahan
aktif dan � merupakan matriks kedekatan antara protein dan bahan aktif
dengan basis jejaring PPI. Profil protein target untuk masing-masing bahan aktif
merupakan 100 protein target dengan skor concordance tertinggi pada masingmasing bahan aktif. 100 Protein target dengan skor concordance tertinggi pada
masing-masing bahan aktif diasumsikan sebagai likelihood (kemungkinan) dari
bahan aktif menargetkan protein target . Profil target ini menjadi penyusun
jejaring yang disebut jejaring protein target.
Kemiripan struktur kimiawi antar bahan aktif pada ruang farmakologi
dihitung dengan mengubah struktur data dua dimensi bahan aktif menjadi data
biner dengan bantuan 4860 fitur sidik jari molekuler unik yang merupakan
substruktur berbagai senyawa melalui berbagai jenis teknik fragmentasi disebut
sebagai sidik jari Kr. Data biner merupakan data yang berisikan dua nilai yaitu 0
dan 1. Nilai 0 menunjukkan ketidakhadiran substruktur pada bahan aktif dan nilai
1 menunjukkan kehadiran substruktur pada bahan aktif. Data biner antar dua
bahan aktif kemudian dihitung kemiripannya berdasarkan koefisien kemiripan
Tanimoto. Kemiripan dua bahan aktif berdasarkan koefisien Tanimoto:
a
CS1,2 =
a+b + a+c -a

7
dengan adalah frekuensi substruktur kedua bahan aktif bernilai 1, dan
adalah frekuensi substruktur salah satu bahan aktif bernilai 1 dan lainnya bernilai
0. substruktur adalah frekuensi kedua bahan aktif bernilai 0.
Matriks kedekatan antara protein dan bahan aktif dengan basis jejaring
PPI mengasosiakan ruang farmakologi dengan ruang genomik juga didefinisikan
pada persamaan berikut ini:
φbp =
dengan

2

e-Lppk
pk ϵT(b)

merupakan protein target yang dituju oleh bahan aktif b. �
2

merupakan jarak terpendek antara dan
pada jejaring PPI. −�
digunakan
untuk mengkonversi jarak antar protein menjadi kedekatan protein. Persamaan ini
menunjukkan bahwa kedekatan antara bahan aktif dan protein sama dengan
penjumlahan dari kedekatan antara protein dan semua protein target dari bahan
aktif . Jika dua protein tidak berhubungan, didefiniskan �
= ∞.

Topology Score (TS)
berasal dari fitur topologi jejaring yang dibangun berdasarkan protein
target bahan aktif dan interaksi antar protein. Ide dasar dari topology score adalah
dengan melihat kedekatan bahan aktif berdasarkan kedekatan protein penting dari
masing-masing bahan aktif dalam jejaring protein target. Berdasarkan perspektif
jejaring target, diasumsikan bahwa semakin penting protein target sebagai node
pada jejaring, maka semakin besar efek pengaruh bahan aktif terhadap protein
target tersebut. Skor �
dapat digunakan untuk menentukan seberapa penting
protein target sebagai node dalam jejaring, dengan mengintegrasikan derajat
(degree), keantaraan (betweenness), dan kedekatan (closeness).
Tiga indeks sentralitas jejaring tersebut digunakan untuk mendefinisikan
sifat jejaring protein target secara terpisah atau bersama. Jika pasangan bahan aktif
menghasilkan sinergi, seharusnya protein target dari bahan aktif tersebut
berdekatan dalam jejaring. Dengan demikian untuk mengevaluasi skor
kepentingan sebuah node � (�) dari protein target dari bahan aktif-1 , protein
target dari bahan aktif -2, dan jarak jejaring antara dua set protein target tersebut,
dapat diperoleh dengan persamaan
TS 1,2 =

1
2

i IP1

i ×exp⁡ -min di,j
i IP1

i

+

j IP 2

j ×exp⁡ -min dj,i
j IP2

j

di mana �1 merupakan dari protein target dari bahan aktif-1 dan �2
merupakan dari protein target dari bahan aktif-2 yang dihitung dengan
mengintegrasikan degree, betweenness, dan closeness melalui analisis komponen
utama (AKU). Fungsi eksponensial negatif digunakan untuk memboboti interaksi
dua protein target berdasarkan panjang lintasan terpendek. min , merupakan
lintasan terpendek dari protein target-i dari bahan aktif-1 terhadap semua protein
target-2, sementara min , merupakan lintasan terpendek dari protein target-j
dari bahan aktif-2 terhadap semua protein target-1. Skor topologi juga berada pada
kisaran 0-1. Semakin tinggi nilai skor topologi maka semakin tinggi kekuatan
sinergi pasangan bahan aktif berdasarkan kedekatan protein target bahan akatif
tersebut.

8

Sentralitas Perantara Betweenness Centrality ( ) adalah ukuran sentralitas
node dalam sebuah jejaring. Ukuran ini tidak hanya berisi informasi lokal namun
mencerminkan peran sebuah node dalam struktur jejaring global.
dihitung
sebagai pembagian lintasan terpendek antara pasangan node yang melewati node
yang diberikan. Untuk graf : = (�, ) dengan n node, dapat dituliskan sebagai
berikut:
sst i
1
Bi =
sst
(n-1)(n-2)
s≠i≠t∈V

jumlah
di mana
adalah jumlah lintasan terpendek dari ke , dan
lintasan terpendek dari ke yang melewati node i. Langkah ini dinormalisasi
dengan jumlah pasang node tanpa node i, yaitu ( − 1) ( − 2).
Sentralitas Kedekatan (Closeness Centrality) ( ) mengukur seberapa
dekat node i terhadap semua node lain yang terdapat dalam jejaring yang
didefinisikan sebagai rataan lintasan terpendek antara node i dan semua node lain
yang dapat dicapai oleh node i:
n
Ci =
j∈V d (i, j)
di mana ( , ) adalah lintasan terpendek antara node i dan j, dan n adalah
jumlah node dalam jejaring. Rataan lintasan terpendek didefinisikan sebagai ratarata banyaknya langkah sepanjang lintasan terpendek untuk semua kemungkinan
pasangan node pada jejaring. Ukuran ini menunjukkan efisiensi arus informasi
dalam jejaring (Nacher & Schwartz 2008).
Agent Score (AS)
AS digunakan untuk mengukur nilai kesamaan antar pasangan bahan aktif
berdasarkan fenotipe (penyakit) yang dihasilkan dari produk gen (protein target).
Pasangan bahan aktif dengan mekanisme kerja yang independen namun
mengobati penyakit yang sama akan lebih cenderung untuk menghasilkan efek
sinergis. Jika protein target terdokumentasi memiliki eksperesi genetik berupa
fenotipe dalam pangkalan data OMIM, fenotipe ini akan diidentifikasi sebagai
agen fenotipe untuk agen yang diberikan. AS untuk pasangan bahan aktif-1dan
bahan aktif-2
i,j PSi,j
AS 1,2 =
N
Dimana � , adalah nilai kesamaan antara fenotipe-i dari bahan aktif-1 dan
fenotipe-j dari bahan aktif-2, dan N adalah jumlah total pasangan fenotipe (Li et al.
2011).
Phenotype Similarity (Kesamaan Fenotipe)
Fitur fenotipe terkait dengan gen dan penyakit berperan peran penting
dalam studi terkait penyakit. Informasi fenotipe dari protein target tertentu
tersedia pada pangkalan data OMIM berupa teks. Namun informasi dengan
kosakata standar dan terkontrol yang meliputi kelainan fenotipe (penyakit) belum
dapat ditemukan pada pangkalan data OMIM. Sehingga diperlukan kosakata
standar dan terkontrol yang meliputi kelainan fenotipe pada penyakit manusia, dan
menjadi sumber daya yang komprehensif untuk analisis komputasi fenotipe
penyakit manusia termasuk dalam melihat kesamaan fenotipe. Human Phenotype

9
Ontology (HPO) menyediakan kosakata standar dan terkontrol yang disusun pada
sebuah struktur HPO berbentuk directed acylic graph (DAG) atau biasa disebut
multitree yang merupakan graf berarah tanpa siklus. Setiap individu dinamakan
term. Struktur HPO terdiri atas lebih 10.000 terms dimana sekitar 99% dari HPO
terms berada pada sub-ontologi Phenotypic Abnormality (PA). Struktur HPO
memungkinkan terms untuk memiliki beberapa parent terms. Gambar contoh
struktur HPO dapat dilihat pada Gambar 3.

Gambar 3. Contoh Struktur HPO (Phenomizer)
Kesamaan antara dua fenotipe dapat dihitung berdasarkan kesamaan
berpasangan dari dua set HPO term yang menjelaskan kedua fenotipe tersebut.
Lord dalam Deng Y et al. 2015 mengusulkan metode untuk menggabungkan
beberapa kesamaan antara dua terms menjadi satu kesamaan antara dua fenotipe
dengan konsep maksimum. Misalkan fenotipe 1 dijelaskan oleh set HPO term
HPO1 = {t11 , t12 , . . . , t1 } dan fenotipe 2 dijelaskan oleh set HPO term HPO2 =
berisi semua skor
{t 21 , t 22 , . . . , t 2 }. Maka matriks kesamaan terms T= tij
m×n
kesamaan berpasangan dari terms pada HPO1 dan HPO2 . Kesamaan fenotipe
dihitung dengan skor maksimum dari semua pasangan HPO terms pada dua set
terms, didefinisikan sebagai berikut:
PSi,j = max tij
1≤i≤m, 1≤j≤n

Cara yang lazim digunakan untuk mengukur kesamaan pada sebuah
taxonomi ialah dengan cara mengevaluasi jarak antar node yang ingin
dibandingkan. Semakin pendek lintasan dari satu node ke node yang lainnya,
maka semakin besar kesamaan antar node tersebut. Resnik 2010 mengusulkan
kesamaan antara dua node dengan konsep peluang serta mempertimbangkan
sejauh mana kedua node tersebut memiliki informasi yang sama. Sehingga ukuran
untuk mendefinisikan kesamaan antara dua terms ialah IC dari ancestors yang
paling informatif untuk kedua terms.
HPO terms sim ti , tj =IC(tcommon )

10

dimana
adalah ancestors yang paling informatif untuk term 1 dan
.
IC
dari
terms
t
dalam HPO dapat didefinisikan sebagai berikut:
2
IC t =-log⁡ p t
dimana p
adalah probabilitas pada terms
yang diamati dan
keturunannya di semua gen / penyakit yang terhubung dengan sub-ontologi
tertentu pada HPO.
term

Uji Permutasi
Pengujian adalah langkah penting dari statistik inferensia yang
memungkinkan seseorang dalam menarik kesimpulan bahwa apakah dugaan
(statistik) yang diperoleh dari data yang diamati merupakan cerminan dari
populasi atau tidak. Dalam konteks pengujian skor sinergi yang diperoleh dari
pendekatan komputasi, uji signifikansi dilakukan untuk melihat pasangan bahan
aktif yang nyata bersinergi. Pengujian hipotesis pada skor sinergi tidak bisa
dilakukan dengan pendekatan parametrik karena informasi sebaran skor sinergi
yang tidak diketahui. Uji permutasi merupakan salah satu teknik untuk melakukan
pengujian hipotesis dengan metode resampling pada data yang tidak memenuhi
asumsi normal atau sebaran tertentu kecuali pengamatan yang menyebar
independen dan identik pada sebaran hipotesis nol (Smyth dan Phipson 2010).
Uji permutasi dapat digunakan untuk menguji signifikansi hubungan yang
melibatkan dua peubah (korelasi, regresi, dan hubungan lainnya yang terdifinisi
dengan jelas). Ide dasar uji permutasi pada dua peubah ialah dengan mengubah
urutan salah satu peubah dengan pengacakan secara konsisten pada data yang
diamati. Sehingga jika diasumsikan bahwa kedua peubah mempunyai hubungan,
maka diharapkan setelah dilakukan pengacakan maka hubungan antar dua peubah
tersebut hilang. Hipotesis nol menyatakan tidak ada hubungan antar dua peubah.
Ketika pengacakan dilakukan berulang-ulang maka diperoleh sebaran statistik uji
yang merupakan kondisi sebaran hipotesis nol. Sebaran hipotesis nol sebaiknya
dibangun dalam jumlah yang besar. �
− � merupakan proporsi data
resampling permutasi dengan nilai statistik uji ≥ statistik amatan (Hesterberg et al.
2003).

Gambar 4. Ilustrasi metode resampling teknik uji permutasi

11

3 METODE
Data

Penelitian ini berfokus pada ramuan jamu yang sedang dikembangkan di
Pusat Studi Biofarmaka untuk pengobatan diabetes mellitus tipe 2. Struktur data
yang digunakan secara komperehensif dapat diilustrasikan pada Gambar 5.

Gambar 5. Ilustrasi struktur data penelitian
Ramuan jamu terdiri atas empat tanaman yaitu tanaman Bratawali
(Tinospora crispa), Jahe (Zingiber officinale), Pare (Momordica charantia), dan
Sembung (Blumea balsamivera). Ramuan jamu tersebut merupakan hasil prediksi
formula jamu baru yang berkhasiat sebagai antidiabetes oleh Nurishmaya (2014).
Prediksi tersebut menggunakan model PLSDA, metode support vector machine
(SVM), dan koefisien PLSDA multiways. Ramuan jamu dipilih sebagai upaya
untuk mengungkap mekanisme kerja ramuan jamu yang telah dibuktikan
khasiatnya sebagai ramuan jamu antidiabetes melalui uji di laboratorium. Khasiat
dibuktikan menggunakan ikan zebra sebagai hewan uji.
Pengumpulan data dilakukan dengan mengumpulkan informasi dari
berbagai sumber pangkalan data (Lihat 4.1 Tahapan Pengumpulan Data). Tahapan
tersebut terdiri atas : 1) mengumpulkan daftar bahan aktif yang terkandung pada
masing-masing tanaman formula jamu, 2) mengumpulkan daftar protein target
yang terdokumentasi memiliki interaksi dengan bahan aktif, 3) mengumpulkan
daftar fenotipe (penyakit) yang dihasilkan dengan terlibatnya protein target pada
tahapan ke-dua, 4) mengumpulkan kosa kata terstandar mengenai fenotipe
(penyakit) pada tahapan ke-tiga. Upaya ini merupakan pendekatan komputasi
dalam mengukur seberapa mirip fenotipe (penyakit) satu dengan fenotipe
(penyakit) lainnya (Lihat 2 Tinjauan Pustaka).
Metode Analisis
I. Prediksi protein target yang merupakan dugaan protein target dari bahan aktif
menggunakan metode drugCIPHER-CS
a. Menghitung matriks kesamaan struktur kimiawi antar dua bahan aktif
� 55×55
Kemiripan struktur kimiawi antar bahan aktif dihitung dengan
mengubah struktur dua dimensi menjadi data biner dengan bantuan 4860 fitur

12

sidik jari Kr. Data biner antar dua bahan aktif kemudian dihitung
kemiripannya berdasarkan koefisien kemiripan Tanimoto, yaitu :
a+b
CSi,j =
;i=1,2,…,55 ;j=1,2,…,55
b.

a+2(b+c)+d

Menghitung matriks kedekatan antara protein
φbp =

c.

-L2ppk

dan bahan aktif

e
pk ϵT(b)

�55×9650

Menghitung matriks skor concordance �55×9650
cov CSb ,φbp
ρbp =
σ CSb σ φbp
d. 100 Protein target dengan skor concordance tertinggi pada masing-masing
bahan aktif diasumsikan sebagai likelihood dari bahan aktif menargetkan
protein target .
II.
Pendugaan skor sinergi 55×55 antar kombinasi bahan aktif menggunakan
metode NIMS merupakan perkalian antara skor topologi (TS) dan skor agen
(AS)
a. Menghitung skor topologi yang merupakan skor kedekatan protein target
penting pada bahan aktif berdasarkan topologi jejaring
1. Membuat jejaring topologi yang terdiri atas jejaring protein target yang telah
diprediksi pada langkah I dan jejaring PPI.
2. Menghitung tiga indeks sentralitas, 1×9650 derajat (degree), 1×9650
keantaraan (betweenness), 1×9650 kedekatan (closeness).
sst i
1
n
dimana = 1,2, … 9650
Bi =
dan Ci =
s≠i≠t∈V
sst

(n-1)(n-2)

j∈V d

(i, j)

3. Mengukur tingkat kepentingan node �1×9650 dengan menggunakan metode
analisis komponen utama pada jejaring topologi berdasarkan tiga skor indeks
sentralitas di atas.
IP1×9650 =PCA ( B1×9650 , C1×9650 , D1×9650 )
4. Menghitung lintasan terpendek antar kombinasi bahan aktif min , dan
min ,
5. Menghitung matriks skor topologi 55×55
TS 1,2 =

1
2

i IP1

i ×exp⁡ -min di,j
i IP1

i

+

j IP2

j ×exp⁡ -min dj,i
j IP2

j

b.

Mengukur skor agen yang merupakan kesamaan bahan aktif berdasarkan
fenotipe (penyakit) berdasarkan struktur HPO
1. Menghitung Information Content (IC) untuk setiap terms pada struktur HPO
IC t =-log⁡ p t dimana = 1,2, … ,1000
2. Mengukur kesamaan antar HPO terms
,
HPO terms sim ti , tj =IC(tcommon ) = = 1,2, … ,1000
3. Mengukur kesamaan antar fenotipe � 346×346
PSi,j = max tij
1≤i≤m, 1≤j≤n

4. Mengukur kesamaan antar bahan aktif berdasarkan fenotipe penyakit �
i,j PSi,j
AS 1,2 =
N

55×55

13
III.
1.
2.
3.

4.
5.

Pengujian signifikansi skor sinergi menggunakan menggunakan metode
resampling dengan teknik uji permutasi.
Identifikasi hipotesis. Hipotesis nol H0 : Si,j =0 (bahan aktif-i dan bahan aktif-j
tidak bersinergi) dan hipotesis alternatif H1 : Si,j >0 (bahan aktif-i dan bahan
aktif-j bersinergi).
Statistik uji pada dataset asli merupakan skor sinergi Saktual (55×55) yang
diperoleh melalui pendekatan komputasi apada langkah II.
Menyusun ulang pengamatan
a. Menyusun set protein baru secara acak sehingga setiap bahan aktif
memiliki pasangan set protein baru setiap kali pengacakan
b. Menghitung ulang skor sinergi
c. Mengulang langkah 3a dan 3b sebanyak 1000 kali sehingga diperoleh
dataset matriks Spermutasi (55×55) sebanyak 1000
Menghitung proporsi setiap elemen Si,j (permutasi) ≥ Si,j (aktual)
Menghitung p-value dengan membandingkan dataset asli dan 1000 dataset
permutasi.
1000

p-value =
6.
7.

Tolak 0 jika p-value < α
Menarik kesimpulan

P Spermutasi ≥ Saktual /1000
i=1

Diagram Alir Penelitian
Metode analisis di atas dapat dilihat secara ringkas pada diagram alir
penelitian di bawah ini:

Gambar 6 Diagram alir penelitian

14

15

4 HASIL DAN PEMBAHASAN
Pengumpulan Data
Pengumpulan data dilakukan dengan menelusuri beberapa pangkalan data
yang menghimpun informasi dari publikasi ilmiah mengenai objek yang terkait.
Data dikumpulkan dari berbagai pangkalan data. Tabel 1 mendeskripsikan
berbagai jenis data, pangkalan data yang digunakan dalam penelusuran data
tersebut, sebagian informasi yang diperoleh dari pangkalan data (khususnya
informasi yang diperlukan dalam metode), dan hasil penelusaran pada pangkalan
data.
Tabel 1. Pangkalan data, informasi yang diperoleh, dan hasil penelusuran data
Jenis
Pangkalan
Informasi yang diperoleh Hasil penelusuran
data
data
dari pangkalan data
data
Senyawa

Bahan aktif

KNApSAcK
family
dan
The Dictionary
of
Natural
Products
(DNP)
PubChem

Interaksi
PubChem
bahan aktif BioAssay
dengan
protein target
Interaksi
Human
antar protein Protein
target
Reference
Database
(HPRD)
Integrasi
pangkalan
data

biological
DataBase
network
(bioDBnet)

Daftar senyawa alami
yang
terdapat
pada
tanaman tertentu. (Afendi
et al. 2012; Running
1993)
Informasi lebih rinci
mengenai bahan aktif
berupa struktur kimia,
nama
kanonik
(Canonical
SMILES),
Nomor CID (PubChem
CID), serta aktifitas
farmakologisnya. (Wang
et al. 2009)
Daftar protein
yang
menjadi target dari bahan
aktif dengan identitas
protein
sebagai
“gi
numbers” (Wang et al.
2009)
Daftar protein
yang
saling berinteraksi (Goel
et al. 2012)

Kumpulan
informasi
mengenai ID protein
target pada database yang
berbeda (Mudunuri et al.
2009)

595 senyawa pada
4 tanaman yaitu 18
pada
Bratawali,
291 pada Jahe, 245
pada Pare, dan 41
pada Sembung.
595
senyawa
tersebut ditelusuri
dan diperoleh 55
senyawa
sebagai
senyawa
aktif
(bahan aktif) yang
mempunyai
aktifitas
farmakologis.
Terdapat
1297
interaksi dari 55
bahan aktif yang
menuju 205 protein
yang menjadi target
bahan aktif
Interaksi
antar
protein
(PPI)
sebanyak 37.080
dari 9.650 protein
yang terdapat pada
HPRD
Konversi
ID
protein target pada
PubChem berupa
“gi
numbers”
menjadi HPRD ID.

16

Jenis
data

Pangkalan
data

Informasi yang diperoleh
dari pangkalan data

Informasi rinci mengenai
protein target termasuk
keterlibatannya
dalam
penyakit (Apweiler et al.
2004)
Online
Kumpulan
informasi
Mendelian
mengenai penyakit pada
Inheritance in gen/protein lebih rinci.
Man (OMIM) (Hamosh et al. 2005;
dan
Human Robinson dan Mundlos
Phenotype
2010)
Ontology

Hasil penelusuran
data

Protein target Universal
Protein
Resource
(UniProt)

Daftar gen dan
fenotipe
yang
terkait
dengan
protein target

Fenotipe

Masing-masing
protein
target
ditelusuri
daftar
fenotipe (penyakit)
sebanyak 346 jenis
fenotipe
serta
interaksi
antar
protein
targetfenotipe sebanyak
358

Eksplorasi data awal
Prediksi protein target diawali dengan tahapan pengumpulan data awal
yaitu daftar senyawa yang dikandung pada ramuan jamu pada pangkalan data
KNApSAcK family dan The Dictionary of Natural Products (DNP). Penyaringan
senyawa menghasilkan 55 senyawa aktif dari 595 senyawa yang dikumpulkan dari
kedua pangkalan data tersebut. 55 bahan aktif tersebut diidentifikasi sebagai
senyawa yang mempunyai aktifitas farmakologis (Lampiran 1). Masing-masing
bahan aktif kemudian ditelusuri interaksinya terhadap protein target yang telah
terdokumentasi pada pangkalan data PubChem. Daftar bahan aktif pada ramuan
jamu, jumlah protein target yang dituju oleh bahan aktif, dan interaksi pasangan
bahan aktif -protein target (Lampiran 2) secara ringkas disajikan pada tabel
berikut:
Tabel 2. Daftar bahan aktif pada tanaman, protein target, dan interaksinya.
Tanaman
Bratawali (Tinospora crispa)
Jahe (Zingiber officinale)
Pare (Momordica charantia)
Sembung (Blumea balsamivera)
Jumlah

Bahan Jumlah protein Interaksi bahan aktif
aktif
target
- protein target
3
46
3
3
55

63
146
28
95
332 (205)

64
1064
28
141
1297

Bahan aktif, protein target, dan interaksi bahan aktif dengan protein target
dapat dideskripsikan dalam bentuk jejaring. Jejaring mampu merepresentasikan
informasi “hubungan” antar bahan aktif dan protein target. Jejaring terdiri atas dua
komponen utama, yaitu node dan edge. Node merupakan individu yang terlibat di
dalam sebuah jejaring yang dilambangkan dengan bentuk lingkaran. Edge

17
merupakan hubungan atau interaksi antar masing-masing individu yang
dilambangkan dengan garis yang menghubungkan antar dua individu yang saling
berhubungan. Dalam konteks farmakologi, sebuah node pada jejaring farmakologi
biasanya menunjukkan: (i) gen, produk gen seperti : protein target atau entitas
biologis pada jejaring biomolekuler (ii) tanaman, bahan aktif atau obat dalam
jejaring ramuan; (iii) fenotipe klinis penyakit dalam jejaring fenotipe (Li & Zhang
2013). Edge pada jejaring farmakologi biasanya menunjukkan interaksi antara
entitas gene, produk gen, bahan aktif, fenotipe, dsb.
Gambar 7 merupakan jejaring yang terdiri atas 55 node sebagai bahan aktif
dan 205 node sebagai protein target unik. Protein target unik berasal dari 332
protein target yang tereduksi menjadi 205 protein target disebabkan oleh adanya
protein yang overlapping antara protein target yang berasal dari bahan aktif pada
tanaman yang berbeda. Masing-masing bahan aktif menargetkan paling sedikit
sebanyak satu dan paling banyak sebanyak 57 protein target. Hubungan interaksi
bahan aktif dan protein target tersebut dapat direpresentasikan sebagai edge pada
jejaring. Jumlah interaksi antar bahan aktif dan protein target yang diperoleh dari
dokumentasi pangkalan data PubChem sebanyak 1297.

Gambar 7 Jejaring bahan aktif - protein target awal

18

Karakterisasi jejaring bahan aktif dengan protein target yang diperoleh dari
bahan aktif pada empat tanaman dapat dilihat dengan degree distribution (Lihat
Gambar 8). Degree distribution merupakan peluang dari sebuah node pada jumlah
degree tertentu. Degree sendiri merupakan banyaknya node yang terhubung
langsung dengan suatu node. Sebuah node pada jejaring dapat memiliki degree
yang tinggi maupun degree yang rendah. Node yang memiliki degree yang tinggi
pada umumnya jumlahnya sangat sedikit sementara node yang memiliki degree
yang rendah pada umumnya jumlahnya banyak. Jejaring yang memiliki
karakteristik tersebut ialah jejaring yang alamiah terjadi disebut juga scale-free
network. Gambar 8 merupakan upaya dalam mengungkap karakter jejaring pada
Gambar 7.
Pola scale-free network pada degree distribution dicirikan dengan powerlaw distribution dimana pola yang dibentuk adalah trend linier kebawah. Gambar
8(b) menunjukkan bahwa degree dari protein target mengikuti power-law
distribution. Artinya, banyak protein target tertentu dituju oleh bahan aktif dalam
jumlah sedikit sementara sedikit protein target yang dituju oleh bahan aktif dalam
jumlah banyak. Sebaliknya, degree dari bahan aktif tidak menunjukkan pola
scale-free network. Hal tersebut disebabkan oleh terbatasnya ketersediaan
informasi kandungan bahan aktif tertentu dalam tanaman yang terkait dengan
popularitas tanaman.
Ketersediaan bahan aktif pada tanaman seperti pada Tabel 2 terkait dengan
popularitas tanaman. Jahe merupakan tanaman yang terdokumentasi mengandung
banyak bahan aktif. Hal tersebut dikarenakan Jahe memiliki popularitas yang
tinggi dibandingkan dengan tanaman lainnya. Penelitian ini merupakan inisiasi
awal untuk menyaring pasangan bahan aktif yang bersinergi dengan pendekatan
jejaring dengan protein target. Hasil yang diperoleh pada penelitian ini masih
bersifat sementara seiring dengan berkembangnya penelitian lain yang
memungkinkan bertambahnya jumlah daftar bahan aktif pada masing-masing
tanaman tersebut.

Gambar 8 (a) Degree dari bahan aktif (b) Degree dari protein target

19
Prediksi protein target dari bahan aktif
Prediksi protein target dari bahan aktif ramuan jamu diperoleh dengan
menggunakan metode drugCIPHER-CS. Metode ini digagas oleh Zhao dan Li
(2010) untuk memprediksi protein target dari bahan aktif dalam skala genomik
yang besar dengan performa yang baik. Metode drugCHIPER-CS mengurutkan
kemungkinan protein target tertentu yang menjadi target dari bahan aktif dengan
mengkorelasikan kemiripan struktur kimiawi pada bahan aktif dan kedekatan
antar protein target dalam jejaring PPI.
Kemiripan struktur kimiawi antar 55 bahan aktif dihitung dengan koefisien
Tanimoto berdasarkan struktur 2D berupa canonical smiles yang diperoleh dari
pangkalan data PubChem. Koefisien Tanimoto merupakan koefisen yang paling
sering digunakan dalam mengukur kemiripan struktur kimiawi. Namun, tidak
menutup kemungkinan masih terdapat koefisien lain yang memiliki performa
yang lebih baik digunakan selain koefisien Tanimoto. Sidik jari molekular yang
digunakan adalah sidik jari Klekota-Roth yang terdiri atas 4860 fitur. Selain sidik
jari Klekota-Roth terdapat pula sidik jari PubChem yang terdiri atas 881 fitur,
sidik jari estate 166 fitur, dan lainnya. Jumlah fitur sidik jari Klekota-Roth yang
lebih banyak diharapkan mampu memberikan prediksi yang lebih akurat dalam
mengukur indeks kemiripan struktur kimiawi.
Matriks kedekatan antara protein dan bahan aktif berbasis jarak antar
protein dihitung dengan melihat jarak terpendek berdasarkan jejaring PPI
(Lampiran 3). Jejaring PPI berbasis pangkalan data HPRD dapat dilihat pada
Gambar 9. Jejaring PPI dibangun berdasarkan interaksi antar protein (PPI)
sebanyak 37.080 dari 9.650 protein yang terdokumentasi pada Human Protein
Reference Database (HPRD). Beberapa protein target hanya berinteraksi dengan
sedikit protein target tertentu dan berinteraksi dengan protein yang juga tidak
memiliki interaksi yang berinteraksi dengan protein target yang lain sehingga
terpisahkan dari jejaring utama.
Kemiripan struktur kimiawi dan kedekatan matriks dikorelasikan sehingga
menghasilkan skor concordance untuk setiap kemungkinan pasangan masingmasing bahan aktif dan 9650 protein target yang ada. 100 protein target dengan
skor concordance tertinggi dari masing-masing bahan aktif dianggap telah mampu
mewakili profil dari protein target yang ditargetkan oleh bahan aktif. Hasil
prediksi protein target dari bahan aktif tidak hanya berasal dari 205 protein target
awal yang telah terdokumentasi. Prediksi protein target bahan aktif target yang
diperoleh menggunakan metode drugCIPHER-CS terdiri atas 1055 protein.
Protein target tersebut dapat dihimpun dalam sebuah jejaring. Jejaring bahan aktif
dengan protein target yang merupakan hasil prediksi metode drugCIPHER-CS
terdiri atas 1055 node yang menjadi protein target dan 5500 edge yang merupakan
interaksi dari protein target dan bahan aktif (Gambar 10). Banyaknya edge
sebanyak 5500 pada protein target yang berjumlah 1055 mengindikasikan adanya
protein target yang menjadi target oleh bahan aktif yang berbeda (overlapping).
Dengan kata lain bahwa terdapat protein target tertentu yang selalu menjadi target
dari bahan aktif yang berbeda. Kondisi tersebut dapat lebih rinci ditelusuri dengan
melihat degree dari protein target.

20

Gambar 9 Jejaring PPI (Protein-Protein Interaction)

21

Gambar 10 Prediksi jejaring bahan aktif dengan protein target

22

Log (banyaknya protein target)

Degree dari bahan aktif (Lihat Gambar 11) menunjukkan pola scale free
network. Artinya, banyak protein target yang dituju oleh bahan aktif yang sedikit
dan sedikit protein target yang dituju oleh bahan aktif yang banyak berdasarkan
hasil prediksi. Pola yang ditunjukkan oleh degree dari protein target yang telah
diprediksi lebih mulus dibandingkan dengan pola degree dari protein target yang
berasal dari hasil dokumentasi pada Gambar 9 (b).
3
Bratawali
Jahe

2.5

Pare

2

Sembung

1.5
1
0.5
0
0

0.5

1

1.5

2

Log ( banyaknya bahan aktif)

Gambar 11 Degree dari protein target (drugCIPHER)
Pendugaan Skor Sinergis
Untuk melihat potensi efek sinergis dari kombinasi pasangan bahan aktif
pada tingkatan molekuler digunakan metode NIMS. NIMS merupakan pendekatan
baru yang digunakan untuk mengukur kekuatan sinergis dari pasangan bahan aktif
tertentu dari tanaman dengan menentukan interaksi protein target dari bahan aktif
tersebut pada jejaring PPI. Kajian NIMS diterapkan pada 55 bahan aktif yang
dikumpulkan secara manual pada empat tanaman yang telah diprediksi menuju
atau menargetkan protein target tertentu (Lihat Tabel 1) yang yang terbentuk pada
NIMS adalah jejaring prediksi protein target berbasis jejaring PPI.
Topologi jejaring pada NIMS digunakan untuk menghitung skor topologi
yang merupakan ukuran kedekatan protein target dari masing-masing bahan aktif
berdasarkan tingkat kepentingan protein tersebut dalam jejaring. Semakin penting
protein target dalam jejaring maka semakin kuat pula efek yang dihasilkan oleh
bahan aktif yang menargetkan protein tersebut. Jejaring topologi NIMS dibangun
dari prediksi jejaring protein target dari bahan aktif berbasis jejaring PPI namun
node yang menjadi pusat perhatian adalah 1055 node yang diperoleh dari prediksi
drugCIPHER-CS. Jejaring PPI dimanfaatkan untuk melihat node tersebut secara
komprehensif melihat skor kepentingan suatu node.
Tiga ukuran sentralitas yang digunakan untuk melihat skor tingkat
pentingnya protein target sebagai sebuah node di dalam jejaring yaitu,
betweenness, closeness, dan degree. Gambar 12 menunjukkan plot antara ketiga
ukuran sentralitas pada 9.673 protein target pada jejaring PPI. Ukuran degree
menunjukkan fitur jejaring yang umum digunakan dan hanya mampu menangkap
informasi lokal dari sebuah node dengan melihat tetangga terdekat sementara
ukuran sentralitas betweenness tidak hanya berisi informasi lokal namun

23
mengidentifikasi sebuah node dalam sebuah struktur jejaring global (Nacher dan
Schwartz 2008). Gambar 12 menunjukkan bahwa protein target dengan ukuran
sentralitas betweenness yang tinggi juga mempunyai jumlah degree yang tinggi.
Hal tersebut mengindikasikan adanya korelasi linear positif antara ukuran
betweenness dan ukuran degree pada jejaring ini. Semakin banyak jumlah edge
atau jumlah protein target tetangga yang terhubung dengan protein target tertentu
semakin besar kecenderungan protein tersebut mempunyai pengaruh pada struktur
jejaring secara global. Ukuran yang lain yaitu ukuran kedekatan (closeness)
merupakan ukuran seberapa dekat sebuah node tertentu terhadap node yang
lainnya. Pada beberapa konteks, ukuran ini dapat dipahami sebagai ukuran
seberapa cepat arus informasi yang dapat tersebar dari sebuah node tertentu ke
semua node yang jauh pada jejaring.

Gambar 12 Plot betweenness, closeness, dan degree
Tiga ukuran sentralitas pada jejaring tersebut tidak dapat digantikan a