Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Sirtuin 1 (SIRT1) adalah famili  kelas III dari protein histon deasetilasi (HDAC) dan reaksinya bergantung  dengan  NAD⁺. Aktivator SIRT1 menyerupai pembatasan kalori merupakan pendekatan terapi untuk diabetes mellitus tipe 2. Pencarian obat dapat dilakukan dengan metode  in silico untuk mempercepat dan memfasilitasi identifikasi kandidat senyawa terbaik dan karakteristik fisikokimia dan pemilihan hit-to-lead.

Penelitian ini bertujuan untuk mengeksplorasi dan mengidentifikasi senyawa tanaman obat yang menyerupai CR (calorie restriction mimetic) dari Basis Data Herbal Indonesia (HerbalDB) http://herbaldb.farmasi.ui.ac.id yang berpotensi sebagai kandidat untuk aktivator SIRT1  melalui kombinasi metode in silico dan in vitro. Pemodelan farmakofor diperoleh dengan dua cara yaitu  menggunakan ko-kristal yang terikat pada daerah allosterik SIRT1 dan senyawa-senyawa yang digunakan sebagai aktivator SIRT1. Kemudian, model ini digunakan untuk penapisan virtual dengan HerbalDB. Senyawa yang diperoleh diidentifikasi menggunakan penambatan molekul dengan program AutoDock4Zn dan simulasi dinamika molekul 50-ns menggunakan program Amber. Simulasi dinamika molekuler dianalisis menggunakan metode MM-GB(PB) SA. Senyawa yang terpilih diuji secara in vitro menggunakan uji luminesensi SIRT-Glo^TM.

Analisis interaksi ikatan antara ligan dan reseptor SIRT1 (PDB ID 4zzj dan 5btr) menunjukkan selektivitas ligan adanya interaksi hidrofobik pada Leu206, Ile223, Ile227. Interaksi ikatan hidrogen antara [Glu230 dengan Arg446] dan Arg234 (daerah allosterik) dengan Arg446, Val459, His473, Asp475 (daerah katalitik), karena adanya interaksi ini menjadi dekat ke arah daerah substrat. Hasil penapisan virtual menggunakan model farmakofor berbasis struktur adalah mulberrin dan model farmakofor berbasis ligan adalah gartanin, kuinidin dan kuinina sebagai prediksi terbaik aktivator SIRT1. Analisis In silico, perhitungan MM-GB(PB)SA mengkonfirmasi bahwa mulberrin, gartanin, kuinidin, kuinina menunjukkan interaksi ikatan pada daerah allosterik dan uji in vitro nilai EC₅₀ masing-masing adalah 2,10; 1,79; 1,71; 1,14μM. Jadi, dari studi in silico dan in vitro senyawa mulberrin, gartanin. kuinidin, dan kuinina, menjadi kandidat potensial untuk aktivator SIRT1.

 

---

Sirtuin 1 (SIRT1) is a class III family of protein histone deacetylases involved in NAD⁺-dependent deacetylation reactions. It has been suggested that SIRT1 activators, in a therapeutic approach for type 2 diabetes mellitus. Drug design can be performed in silico using molecular dynamic approaches to accelerate and facilitate identification of the best compound candidates and their physicochemical characteristics and hit-to-lead selection.

This study aimed to explore and identify medicinal plant compounds calorie restriction mimetic from Indonesian Herbal Database (HerbalDB) that might potentially become a candidate for SIRT1 activators through a combination of in silico and in vitro methods. Two pharmacophore models were developed using co-crystalized ligands that allosterically bind with SIRT1 similar to the putative ligands used by SIRT1 activators. Then, these were used for the virtual screening of HerbalDB. The identified compounds were subjected to molecular docking with the AutoDock4Zn program and 50-ns molecular dynamics simulation using the Amber program. Molecular dynamics simulation was analyzed using MM-GB(PB)SA methods.  The compounds identified by these methods were tested in an in vitro study using a SIRT-Glo^TM luminescence assay. Interaction analysis between activator ligand and the SIRT1 receptor (PDB IDs 4zzj and 5btr) revealed the ligand’s selectivity for hydrophobic interaction at Leu206, Ile223, Ile227. Hydrogen bond interactions between [Glu230 with Arg446] and Arg234 (allosteric region) with Val459, His473, and Asp475 (catalytic region) brought them close to the bounding substrate area. Virtual screening using structure-based pharmacophores predicted that mulberrin as the best candidate SIRT1 activator. Virtual screening using ligand-based pharmacophores predicted that gartanin, quinidine and quinine to be the best candidates as SIRT1 activators. The molecular docking studies showed the important residues involved were Ile223 and Ile227 at the allosteric region. The MM-GB(PB)SA calculations confirmed that mulberrin, gartanin, quinidine, quinine showed activity at allosteric region and their EC₅₀ in vitro values are 2.10; 1.79; 1.71; 1.14µM, respectively. Thus, mulberrin, gartanin, quinidine, and quinine, to be a potential candidate for SIRT1 activators.

 

"

"Penggunaan antibodi monoklonal, seperti alirocumab dan evolocumab sebagai inhibitor PCSK9 telah disetujui oleh U.S. FDA dan European Medicines Agency karena mampu menurunkan kadar LDL. Tetapi, kedua obat ini hanya dapat diadministrasikan secara parenteral sehingga para peneliti masih mencari alternatif lain untuk mengatasi keterbatasan tersebut. Pada penelitian ini, senyawa dari golongan tetrahidroisoquinolin, fenilpiperazin, fenilalanin, dan benzofuran digunakan sebagai training set untuk mendapatkan model farmakofor yang berpotensi sebagai inhibitor PCSK9. Tahapan seperti pembuatan model farmakofor, validasi, optimasi, serta penapisan virtual dilakukan melalui LigandScout. Model farmakofor yang terbangkitkan memiliki skor 0,7031 dengan empat fitur farmakofor, yaitu satu AR, satu H, satu HBA, dan satu HBD. Model farmakofor kemudian dioptimasi menggunakan active set dari ligan terpilih dan decoy set dari DUD-E. Optimasi dengan penambahan feature weight sebesar 0,1 terhadap keempat fitur tersebut memberikan hasil validasi terbaik yang ditunjukkan dengan nilai AUC100%, EF1%, EF5%, sensitivitas, dan spesifisitas berturut-turut sebesar 0,93; 34,0%; 6,0%; 1,00; dan 0,79. Hasil penapisan virtual menggunakan model farmakofor tersebut kemudian dievaluasi berdasarkan kaidah Lipinski’s Rule of Five dengan KNIME. Sebelas senyawa bahan alam dari HerbalDB yang berpotensi untuk dikembangkan menjadi terapi anti-PCSK9 dalam bentuk sediaan peroral, antara lain morindone, gentisin, mesuaxanthone A, beta-phenethylamine, brazilin, pterofuran, n-cis- feruloyltyramine, bethanidine, 6-methoxykaempferol, gartanin, dan alizarin.

---

The use of alirocumab and evolocumab as PCSK9 inhibitors has been approved by U.S. FDA and European Medicines Agency because of their ability to reduce LDL levels. However, these monoclonal antibodies must be administered parenterally, so researchers are devising alternative strategies to overcome its limitation. In this study, tetrahydroisoquinoline, phenylpiperazine, phenylalanine, and benzofuran compound groups were used as training sets to obtain a pharmacophore model. The process of making a pharmacophore model, validation, optimization, and virtual screening were done using LigandScout. The generated pharmacophore model scored 0.7031 with four pharmacophore features, namely one AR, one H, one HBA, and one HBD. The model was then optimized using the active and decoy set from DUD-E. Optimization by increasing the feature weight by 0,1 to the four features gave the best validation result as indicated by the values of AUC100%, EF1%, EF5%, sensitivity, and specificity are 0.93; 34.0%; 6.0%; 1.00; 0.79 respectively. The virtual screening results using the optimized model were evaluated based on Lipinski’s Rule of Five with KNIME. Eleven natural compounds from HerbalDB that may be developed into anti-PCSK9 therapy in oral dosage form were obtained, including morindone, gentisin, mesuaxanthone A, beta-phenethylamine, brazilin, pterofuran, n-cis-feruloyltyramine, bethanidine, 6-methoxykaempferol, gartanin, and alizarin."

"Methicillin-resistant Staphylococcus aureus (MRSA) telah menyebar luas dan menjadi penyebab utama infeksi, baik di masyarakat maupun rumah sakit. MRSA tidak hanya berdampak bagi kesehatan, tetapi juga menimbulkan implikasi ekonomi serius dengan perkiraan kontribusi yang signifikan terhadap kematian dalam dekade mendatang. Penicillin-binding Protein 2a (PBP2a) merupakan protein tambahan pada membran bakteri Staphylococcus aureus yang bertanggung jawab atas resistensinya terhadap antibiotik β-laktam, termasuk metisilin. Dalam penelitian ini, senyawa yang diketahui memiliki aktivitas sebagai inhibitor PBP2a digunakan sebagai training set dan active set. Training set digunakan untuk membuat model farmakofor menggunakan metode shared dan merged pada perangkat lunak LigandScout. Model dari metode shared menghasilkan skor tertinggi sebesar 0,8525 dengan fitur dua daerah hidrofobik (H) dan satu akseptor ikatan hidrogen (HBA). Sementara itu, Model dari metode merged menghasilkan skor tertinggi sebesar 0,8053 dengan fitur empat akseptor ikatan hidrogen (HBA). Setelah dilakukan optimasi dan validasi menggunakan active set dan decoy set, model farmakofor terbaik berasal dari model yang dibangun menggunakan metode shared dengan penurunan weight sebesar 0,1 pada fitur farmakofor H1. Parameter analisis yang diperoleh adalah AUC100%; EF1%; EF5%; sensitivitas; dan spesifisitas yang berturut-turut senilai 0,67; 3,9; 3,1; 0,65; dan 0,60. Model farmakofor terbaik digunakan untuk melakukan penapisan virtual pada pangkalan data HerbalDB. Pemeringkatan senyawa kandidat dilakukan berdasarkan pharmacophore-fit score tertinggi. Senyawa kandidat yang termasuk dalam peringkat sepuluh tertinggi adalah Trigonelloside C, (S)-6-Gingerol, Epicatechin-(4β→6)-epicatechin-(4β→8)-catechin, Mesuol, Scutellarein 7-glucosyl-(1→4)-rhamnoside, trans-p-Ferulyl alcohol 4-O-[6-(2-methyl-3-hydroxypropionyl)] glucopyranoside, 3’-Deoxymaysin, 15-HETE, Proanthocyanidin A1, dan Anhydrosafflor yellow B.

---

Methicillin-resistant Staphylococcus aureus (MRSA) has spread widely and become a major cause of infections in both the community and hospitals. MRSA not only impacts health but also has serious economic implications, with a significant contribution to mortality expected in the coming decade. Penicillin-binding Protein 2a (PBP2a) is an additional protein on the membrane of the Staphylococcus aureus responsible for its resistance to β-lactam antibiotics, including methicillin. In this study, compounds known to have activity as PBP2a inhibitors were used as the training set and active set. The training set was used to create pharmacophore models using the shared and merged methods in the LigandScout software. The model from the shared method achieved the highest score of 0.8525 with features of two hydrophobic regions (H) and one hydrogen bond acceptor (HBA). Meanwhile, the model from the merged method achieved the highest score of 0.8053 with features of four hydrogen bond acceptors (HBA). After validation and optimization using the active set and decoy set, the best pharmacophore model was obtained from the shared method with a weight reduction of 0.1 on the H1 pharmacophore feature. The analysis parameters obtained were AUC100%; EF1%; EF5%; sensitivity; and specificity which score were 0,67; 3,9; 3,1; 0,65; dan 0,60 respectively. The best pharmacophore model was used for virtual screening on the HerbalDB database. Candidate compounds were ranked based on the highest pharmacophore-fit score, with the top ten candidate compounds being Trigonelloside C, (S)-6-Gingerol, Epicatechin-(4β→6)-epicatechin-(4β→8)-catechin, Mesuol, Scutellarein 7-glucosyl-(1→4)-rhamnoside, trans-p-Ferulyl alcohol 4-O-[6-(2-methyl-3-hydroxypropionyl)] glucopyranoside, 3’-Deoxymaysin, 15-HETE, Proanthocyanidin A1, dan Anhydrosafflor yellow B."