Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pemodelan farmakofor adalah metode CADD (Computer-Aided Drug Design) berbasis ligan yang diketahui berperan penting dalam menjelaskan interaksi antara ligan dengan target makromolekul. Pemodelan farmakofor memiliki beberapa keterbatasan, seperti sering dihasilkannya positif dan negatif palsu. Oleh karena itu, pengembangan diperlukan untuk memperoleh model yang lebih prediktif. Pada penelitian ini, pengembangan model farmakofor dilakukan menggunakan program LigandScout dan diaplikasikan pada antagonis reseptor adenosin A2B. Senyawa antagonis reseptor adenosin A2B yang diperoleh dari ChEMBL dengan nilai Ki ≤ 10 nM sebanyak 88 ligan digunakan sebagai kontrol positif dan nilai Ki > 10 nM sebanyak 1.530 ligan digunakan sebagai kontrol negatif. Model farmakofor dibentuk dari kontrol positif yang dijadikan sebagai training set divalidasi menggunakan test set yang merupakan gabungan dari kontrol positif dan negatif. Kemudian dilakukan analisis statistik dengan mengelompokkan hasil berdasarkan klasifikasi biner untuk dihitung beberapa parameter analisis. Dari penelitian ini, diperoleh model farmakofor antagonis reseptor adenosin A2B yang memiliki fitur satu AR (cincin aromatik), satu H (interaksi hidrofobik), dan dua HBA (akseptor ikatan hidrogen). Nilai AUC100% sebesar 0,65; EF1% sebesar 6,9; EF5% sebesar 2,3 diperoleh sebagai parameter validasi model. Berdasarkan analisis statistik, diperoleh akurasi sebesar 0,4067; error rate sebesar 0,5993; sensitivitas sebesar 0,8295; spesifisitas sebesar 0,3824; presisi sebesar 0,0717; tingkat penemuan palsu sebesar 0,9283; dan nilai prediksi negatif sebesar 0,9500. Dari hasil ini, model farmakofor dengan penurunan weight sebesar 0,1 pada fitur farmakofor AR didapatkan sebagai model yang memiliki hasil optimasi terbaik.

---

Pharmacophore modeling is a ligand-based CADD (Computer-aided Drug Design) method that is known to represent the important role of ligands interactions with macromolecular targets. Pharmacophore modeling has several limitations, such as often false positives and negatives values are generated. Thus, model development is needed to obtain a more predictive model. In this study, the development of a pharmacophore model was carried out using LigandScout and applied to adenosine A2B receptor antagonists. The adenosine A2B receptor antagonist compounds obtained from ChEMBL with Ki value ≤ 10 nM (88 ligands) were used as positive controls and Ki value > 10 nM (1.530 ligands) were used as negative controls. The pharmacophore model was formed from positive controls that were used as a training set, validated using a test set which is a combination of positive and negative controls, and statistical analysis was carried out by grouping the results based on binary classification and calculating several analytical parameters. From this study, a pharmacophore model of adenosine A2B receptor antagonist was obtained and had one AR (aromatic ring), one H (hydrophobic interaction), and two HBA (hydrogen bond acceptor) features. The values of AUC100% (0.65); EF1% (6.9); EF5% (2.3) were obtained from model validation parameters. In addition, the values of accuracy (0.4067); error rate (0.5993); sensitivity (0.8295); specificity (0.3824); precision (0.0717); false discovery rate (0.9283); and negative predictive value (0.9500) were obtained from statistical analysis. From these results, the optimized pharmacophore model with 0.1 feature Weight deduction on AR feature gave the best results."

"PCSK9 atau Proprotein Convertase Subtilisin Kexin 9 merupakan protein manusia yang memiliki peran dalam regulasi lipid dengan meningkatkan konsentrasi LDL dalam tubuh. Terjadinya kenaikan lipid dalam tubuh melebihi kadar normal dapat menyebabkan penyakit dalam tubuh. Saat ini telah terdapat beberapa obat untuk mengobati penyakit karena kelebihan kadar lipid tetapi masih sangat terbatas obat yang bekerja untuk menghambat aktivitas dari PCSK9 sebagai salah satu cara pengobatan. Pencarian obat untuk menghambat PCSK9 dapat dilakukan melalui penggunaan kembali obat dengan menggunakan pemodelan farmakofor. Pada penelitian ini digunakan senyawa training set dan test set PCSK9 dari beberapa dokumen paten dan senyawa decoy set dari DUDE. Senyawa test set dan decoy set digunakan untuk memvalidasi model yang terbentuk. Senyawa training set digunakan untuk membentuk model farmakofor dengan menggunakan perangkat lunak LigandScout. Hasil dari pembentukan, validasi dan optimasi diperoleh model farmakofor terbaik hasil modifikasi feature weight +0.1, memiliki 1 fitur gugus aromatis, 1 fitur hidrofobik, 1 fitur gugus akseptor ikatan hidrogen, dan 1 fitur gugus donor ikatan hidrogen, dengan nilai AUC100% sebesar 0,93; nilai EF1% dan EF5% sebesar 34,0 dan 6,00; nilai sensitivitas sebesar 1; dan nilai spesifisitas sebesar 0,857. Model farmakofor terpilih dijadikan sebagai kueri penapisan virtual database obat FDA-approved dari BindingDB dengan hasil penapisan didapatkan 12 senyawa hasil pemeringkatan terbaik berdasarkan nilai pharmacophore fit score tertinggi yaitu gefitinib, clozapine, carbamazepine, phenylephrine hydrochloride, phenelzine sulfate, bupropion hydrobromide, guanfacine hydrochloride, zaleplon, dapagliflozine, methamphetamine hydrochloride, amoxicillin, lorcaserine hydrochloride. 12 senyawa hasil pemeringkatan dari penelitian adalah senyawa kandidat obat inhibitor PCSK9.

---

PCSK9 or Proprotein Convertase Subtilisin Kexin 9 is a human protein that has a role in lipid regulation by increasing the concentration of LDL in the body. The occurrence of an increase in lipids in the body beyond normal levels can cause disease. Currently, there are several drugs to treat disease due to excess lipid levels, but there are still limited drugs that work to inhibit the activity of PCSK9 as a treatment method. The search for drugs to inhibit PCSK9 can be done through drug repurposing using pharmacophore modeling. In this research, the training and PCSK9 test set from several patent documents and the decoy set compound from DUDE used. A test and decoy set compound were used to validate the generated pharmacophore model. The training set compound was use to generated a pharmacophore model using the LigandScout. The results of generation, validation, and optimization of the pharmacophore model obtained the best pharmacophore model modified by feature weight +0.1, which has four feature (1AR, 1H, 1HBA, 1HBD). The value of AUC 100% 0,93; EF1% and EF5% value are 34,0 and 6,00; sensitivity and specificity values are 1 and 0,857. The selected pharmacophore model was used as a virtual screening query for the FDA-approved drug database from BindingDB. The result of the screening obtained 12 compounds with the best ranking based on the highest Pharmacophore fit score, that is gefitinib, clozapine, carbamazepine, phenylephrine hydrochloride, phenelzine sulfate, bupropion hydrobromide, guanfacine hydrochloride, zaleplon, dapagliflozin, methamphetamine hydrochloride, amoxicillin, lorcaserine hydrochloride."

"SIRT1 merupakan salah satu dari tujuh sirtuin manusia SIRT1-7 yang termasuk dalam HDAC kelas III. Sejumlah penelitian tentang SIRT1 telah banyak dibuktikan berperan dalam regulasi metabolisme seluler serta sering dihubungkan dengan pathogenesis penyakit seperti kanker dan penyakit nuerodegeneratif. Untuk menemukan kandidat obat yang baik beberapa menggunakan metode in silico sebagai tool yang cepat dalam menganalisis aktifitas biologis obat secara virtual.Metode in silico dalam penelitian ini dimulai dari penapisan virtual, penambatan molekul dan simulasi dinamika molekuler yang menggunakan database herbal Indonesia untuk menemukan senyawa kandidat yang berpotensi sebagai inhibitor SIRT1.Hasilnya diperoleh ada enam senyawa kandidat dari database Herbal Indonesia yang memiliki potensi sebagai inhibitor SIRT1 yaitu 5-oxocoronaridine, 3-oxocoronaridine, 5-hydroxy-6-oxocoronaridine, dregamine, isovoacristine dan tabernaemontanine.Hasil penambatan molekul senyawa kandidat terhadap dua makromolekul SIRT1 PDB ID: 4I5I dan 4ZZI menunjukkan nilai pengikatan energi bebas senyawa kandidat mendekati dan lebih tinggi dari senyawa ligand co-kristal. Dari analisis simulasi dinamika molekuler diperoleh energi bebas MMPBSA di atas -21 kkal/ mol sedangkan occupancy ikatan hidrogen residu Ile347 dan Asp348 diatas 80 .

---

SIRT1 is one of seven human sirtuins SIRT1 7 are included in class III of HDAC. A number studies of SIRT1 has been widely demonstrated a role in the regulation of cellular metabolism and linked to pathogenesis of diseases such as cancer and neurodegeneratif diseases. To find a good drug candidates could using in silico methods as a quick tool in analyzing the biological activity of drugs virtually.In silico methods in this research started from a virtual screening, docking and molecular dynamics simulations that use Indonesian herbal database to find potential candidate compounds as SIRT1 inhibitor.The result was obtained there are six candidates compound of Indonesian Herbal database that has potential as SIRT1 inhibitor that is 5 oxocoronaridine, 3 oxocoronaridine, 5 hydroxy 6 oxocoronaridine, dregamine, isovoacristine and tabernaemontanine.Docking results shown that molecule candidate compounds against two of macromolecules SIRT1 PDB ID 4I5I and 4ZZI have value of the candidate compound binding free energy approach and higher than the co crystal ligands. From the analysis of molecular dynamics simulations obtained free energy MMPBSA about 21 kcal mol while occupancy hydrogen bonding of residues Ile347 and Asp348 about 80 ."

"Inhibitor Dipeptidil peptidase 4 (DPP-4) merupakan salah satu golongan obat anti diabetes oral yang bekerja menghambat DPP-4 dalam menginaktivasi GLP-1 yang umumnya terjadi secara cepat. Namun, karena masih sedikit variasi obat antidiabetes golongan inhibitor DPP-4, membuka peluang untuk ditemukannya senyawa lain yang berfungsi sebagai inhibitor DPP-4. Studi ini bertujuan untuk mempelajari analisis penambatan molekul senyawa turunan arilmetilamin dengan DPP-4 dan menemukan parameter farmakofor yang optimum untuk proses selanjutnya yaitu, menemukan senyawa kandidat dari turunan arilmetilamin sebagai inhibitor DPP-4. Proses penambatan molekul dilakukan menggunakan software Autodock terhadap senyawa turunan arilmetilamin pada salah satu makromolekul kokristal DPP-4. Parameter farmakofor yang optimum didapatkan dari software LigandScout. Fitur farmakofor yang dihasilkan dari 33 senyawa turunan arilmetilamin divalidasi menggunakan test set yang terdiri dari senyawa actives dan decoy yang didapatkan dari DUD-E. Sebanyak 33 senyawa turunan arilmetilamin yang diuji dengan metode penambatan molekul menunjukan interaksi dengan triad katalitik (Glu 205, Glu 206, Ser 630) dari DPP-4 dan memiliki energi ikatan yang baik (G) yaitu dibawah-8,00 kkal/mol. Model farmakofor terbaik dengan nilai model farmakofor 0,9666 yang divalidasi dengan 1.079 active dan 41.373 decoy menghasilkan nilai parameter EF1% = 3,1, EF5% = 3,1, dan AUC100% = 0,50. Nilai tersebut di bawah parameter yang terdapat DUD-E. Oleh karena itu, dapat disimpulkan bahwa senyawa turunan arilmetilamin memiliki potensi sebagai inhibitor DPP-4 terbukti dari analisis interaksi yang terjadi dalam penambatan molekul, namun belum didapatkan fitur farmakofor yang optimum untuk proses penemuan senyawa kandidat senyawa turunan arilmetilamin sebagai DPP-4 inhibitor.

---

Dipeptydil Peptidase 4 (DPP-4) inhibitor is a class of oral antidiabetic drugs that works to inhibit activity of DPP-4 in process of inactivating GLP-1 which occurs quickly. However, there are few variations of antidiabetic drugs in that class, it opens up opportunities for other compounds to be developed as DPP-4 inhibitors. This study aims to learn about molecular docking analysis of arylmethylamine derivatives with DPP-4 and to find the optimum pharmacophore parameter for the next process. Therefore, this study can found lead compound from arylmethylamine derivatives as DPP-4 inhibitors. The molecular docking process was carried out using Autodock software. Meanwhile, the optimum pharmacophore parameters were obtained from LigandScout software. The pharmacophore features produced from arylmethylamine derivative compounds were validated using test set, consisting of actives and decoy compounds obtained from DUD-E. Molecular docking of 33 arylmethylamine derivative compounds show interactions with the catalytic triad (Glu 205, Glu 206, Ser 630) from DPP-4 and have good value of energy bond(G) which is below -8.00 kcal/mol. The best pharmacophore model with a value of scoring model pharmacophore 0.9666 was validated with 1,079 active and 41,373 decoys. This validation produced parameter values EF1% = 3.1, EF5% = 3.1, and AUC100% = 0.50 which are still below with parameters shown at DUD-E site. These results conclude that arylmethylamine derivatives have potential as DPP-4 inhibitors as showed by the interaction analysis that occurs in molecular docking, but the optimum pharmacophore feature has not been obtained for the process of finding arylmethylamine derivative lead compounds as DPP-4 inhibitors."

"Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) merupakan agen penyebab Coronavirus Disease 2019 (COVID-19) yang telah menginfeksi hampir dua ratus juta orang dan menyebabkan hampir empat juta kematian di dunia. Saat ini, belum ada obat yang spesifik ditemukan untuk virus ini. Drug repurposing merupakan salah satu alternatif strategi pengembangan obat di masa pandemi. Pada penelitian ini, non-structural protein 3 (NSP3) dan non-structural protein 13 (NSP13) SARS-CoV-2, yang mengkode papain-like protease dan helikase, terpilih sebagai target potensial yang berperan penting dalam replikasi virus. Drug repurposing berbasis pemodelan farmakofor dilakukan menggunakan program LigandScout. Ligan kokristal NSP3 dan NSP13 SARS-CoV-2 dari Protein Data Bank dipilih sebagai training set. Sebelumnya, sekuens protein disejajarkan dengan Clustal Omega dan interaksi protein-ligan diidentifikasi dengan Protein-Ligand Interaction Profiler. Model farmakofor divalidasi menggunakan test set yang terdiri dari ligan terpilih sebagai senyawa aktif dan decoy dari A Database of Useful Decoys-Enhanced sebagai senyawa inaktif. Model farmakofor NSP3 pada akhirnya tidak terbentuk karena sedikitnya ligan yang tersedia. Model farmakofor NSP13 yang memiliki satu cincin aromatik (AR), satu daerah hidrofobik (H), satu akseptor ikatan hidrogen (HBA), dan satu donor ikatan hidrogen (HBD) dengan penambahan feature tolerance sebesar 0,15 Å dan feature weight sebesar 0,1 pada fitur AR, H, dan HBA menghasilkan nilai AUC100%, EF1%, EF5%, sensitivitas, dan spesifisitas sebesar 0,83; 21,2; 8,8; 0,792; dan 0,790. Model ini digunakan sebagai kueri penapisan terhadap obat yang telah disetujui FDA dari The Binding Database. Ticarcillin, sulfisoxazole, lacosamide, sulfathiazole, cefaclor, penicillin G, cephalexin, carbenicillin, atenolol, dan tolazoline diperoleh sebagai senyawa kandidat dengan pharmacophore-fit score tertinggi.

---

Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2), causal agent of Coronavirus Disease 2019 (COVID-19), has infected almost two hundred millions of people and caused nearly four millions of deaths worldwide. Currently, no treatment has been identified to be effective against the virus. In the outbreak, drug repurposing emerges as a promising strategy to develop efficient therapeutics. This study selected SARS-CoV-2 non-structural protein 3 (NSP3) and non-structural protein 13 (NSP13), that encodes papain-like protease and helicase, respectively, as potential targets based on their crucial role in virus replication. Drug repurposing was carried out by LigandScout pharmacophore modeling using SARS-CoV-2 NSP3 and NSP13 co-crystallized ligands from Protein Data Bank as training set. Prior to that, crystal structures were aligned by Clustal Omega and analyzed by Protein-Ligand Interaction Profiler for interaction profiling. Generated pharmacophore model was validated by a test set consisting of above-mentioned ligands as actives and A Database of Useful Decoys-Enhanced decoys as inactives. Unfortunately, NSP3 model cannot be generated due to insufficient ligands. NSP13 model that has one aromatic ring (AR), one hydrophobic area (H), one hydrogen bond acceptor (HBA), and one hydrogen bond donor (HBD) features with 0,15 Å feature tolerance and 0,1 feature weight additions on AR, H, and HBA resulted AUC100%, EF1%, EF5%, sensitivity, and specificity of 0,83; 21,2; 8,8; 0,792; and 0,790. This model was chosen for screening against FDA-approved drugs from The Binding Database. Ticarcillin, sulfisoxazole, lacosamide, sulfathiazole, cefaclor, penicillin G, cephalexin, carbenicillin, atenolol, and tolazoline were obtained as hits with the highest pharmacophore-fit score."

"Analog Kurkumin Indazol merupakan senyawa analog berpotensi dikembangkan sebagai antikanker. Penelitian ini bertujuan untuk memperoleh senyawa baru analog kurkumin tetrahidro-indazol yang mempunyai akivitas penghambatan antikanker yang selektif. Penelitian diawali skrining in silico 186 senyawa disain didasarkan pada penapisan model farmakofor dan terpilih 14 senyawa, dilanjutkan penambatan molekular menghasilkan 10 senyawa hit. Kemudian dilakukan sintesis dengan reaksi kondensasi Clasein-Schmidth, dihasilkan enam analog indazole baru dari kurkumin dan dievaluasi aktivitas sitotoksiknya menggunakan uji proliferasi metil tiazolil tetrazolium terhadap sel kanker MCF-7, HeLa, WiDr, dan Vero. Struktur senyawa dikarakterisasi dengan FTIR, NMR, dan spektral massa. Hasil penelitian menunjukkan bahwa senyawa yang disintesis lebih aktif terhadap sel WiDr dibandingkan dengan sel MCF-7 dan HeLa. Aktivitas sitotoksik senyawa 3b, 3c, 3d, 5a terhadap sel WiDr lebih aktif dibandingkan kurkumin dan tamoxifen. Evaluasi lebih lanjut terhadap sel Vero (sel normal) untuk menentukan selektivitasnya menunjukkan beberapa senyawa hasil sintesis lebih selektif (nilai IS > 2) dibandingkan tamoxifen dan doksorubisin (nilai SI < 2,00). Tiga senyawa (3a, 3b, dan 3c) menunjukkan IS tinggi terhadap sel WiDr yaitu 3,74, 5,27, dan 4,39. Di antara senyawa yang disintesis, 3b menunjukkan aktivitas sitotoksik tertinggi, terutama terhadap garis sel WiDr (IC50 = 27,20 M) dengan selektivitas yang sangat baik (SI = 5,27).

---

Indazole Analogs of Curcumin is an analog compound that has the potential to be developed as an anticancer. This study aims to obtain a new compound analogue of curcumin tetrahydro-indole which has selective anticancer inhibitory activity. The research began with the design of the curcumin analog compound tetrahydro-indazole in silico based on a pharmacophore model and 14 compounds were selected, then continued molecular docking to produce 10 hit compounds. Then the synthesis was carried out using the Clasein-Schmidth condensation reaction and produced a series of six novel indazole analogs of curcumin and evaluated their cytotoxic activity against MCF-7, HeLa, WiDr, and Vero cells. The structure of the compound was characterized by FTIR, NMR, and mass spectral. The results showed that the synthesized compound was more active against WiDr cells than MCF-7 and HeLa cells. The cytotoxic activity of compounds 3b, 3c, 3d, 5a against WiDr cells was more active than curcumin and tamoxifen. Further evaluation of Vero cells to determine their selectivity showed that some of the compounds synthesized were more selective (SI value>2) than tamoxifen and doxorubicin. Three compounds (3a, 3b, and 3c) showed high SI against WiDr cells, namely 3.74, 5.27, and 4.39. Among the synthesized compounds, 3b showed the highest cytotoxic activity, especially against the WiDr cell line (IC50 = 27.20 M) with excellent selectivity (SI = 5.27)."

"Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) merupakan agen penyebab Coronavirus Disease 2019 (COVID-19) yang telah menginfeksi hampir dua ratus juta orang dan menyebabkan hampir empat juta kematian di dunia. Saat ini, belum ada obat yang spesifik ditemukan untuk virus ini. Drug repurposing merupakan salah satu alternatif strategi pengembangan obat di masa pandemi. Pada penelitian ini, non-structural protein 3 (NSP3) dan non-structural protein 13 (NSP13) SARS-CoV-2, yang mengkode papain-like protease dan helikase, terpilih sebagai target potensial yang berperan penting dalam replikasi virus. Drug repurposing berbasis pemodelan farmakofor dilakukan menggunakan program LigandScout. Ligan kokristal NSP3 dan NSP13 SARS-CoV-2 dari Protein Data Bank dipilih sebagai training set. Sebelumnya, sekuens protein disejajarkan dengan Clustal Omega dan interaksi protein-ligan diidentifikasi dengan Protein-Ligand Interaction Profiler. Model farmakofor divalidasi menggunakan test set yang terdiri dari ligan terpilih sebagai senyawa aktif dan decoy dari A Database of Useful Decoys-Enhanced sebagai senyawa inaktif. Model farmakofor NSP3 pada akhirnya tidak terbentuk karena sedikitnya ligan yang tersedia. Model farmakofor NSP13 yang memiliki satu cincin aromatik (AR), satu daerah hidrofobik (H), satu akseptor ikatan hidrogen (HBA), dan satu donor ikatan hidrogen (HBD) dengan penambahan feature tolerance sebesar 0,15 Å dan feature weight sebesar 0,1 pada fitur AR, H, dan HBA menghasilkan nilai AUC100%, EF1%, EF5%, sensitivitas, dan spesifisitas sebesar 0,83; 21,2; 8,8; 0,792; dan 0,790. Model ini digunakan sebagai kueri penapisan terhadap obat yang telah disetujui FDA dari The Binding Database. Ticarcillin, sulfisoxazole, lacosamide, sulfathiazole, cefaclor, penicillin G, cephalexin, carbenicillin, atenolol, dan tolazoline diperoleh sebagai senyawa kandidat dengan pharmacophore-fit score tertinggi.

---

Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2), causal agent of Coronavirus Disease 2019 (COVID-19), has infected almost two hundred millions of people and caused nearly four millions of deaths worldwide. Currently, no treatment has been identified to be effective against the virus. In the outbreak, drug repurposing emerges as a promising strategy to develop efficient therapeutics. This study selected SARS-CoV-2 non-structural protein 3 (NSP3) and non-structural protein 13 (NSP13), that encodes papain-like protease and helicase, respectively, as potential targets based on their crucial role in virus replication. Drug repurposing was carried out by LigandScout pharmacophore modeling using SARS-CoV-2 NSP3 and NSP13 co-crystallized ligands from Protein Data Bank as training set. Prior to that, crystal structures were aligned by Clustal Omega and analyzed by Protein-Ligand Interaction Profiler for interaction profiling. Generated pharmacophore model was validated by a test set consisting of above-mentioned ligands as actives and A Database of Useful Decoys-Enhanced decoys as inactives. Unfortunately, NSP3 model cannot be generated due to insufficient ligands. NSP13 model that has one aromatic ring (AR), one hydrophobic area (H), one hydrogen bond acceptor (HBA), and one hydrogen bond donor (HBD) features with 0,15 Å feature tolerance and 0,1 feature weight additions on AR, H, and HBA resulted AUC100%, EF1%, EF5%, sensitivity, and specificity of 0,83; 21,2; 8,8; 0,792; and 0,790. This model was chosen for screening against FDA-approved drugs from The Binding Database. Ticarcillin, sulfisoxazole, lacosamide, sulfathiazole, cefaclor, penicillin G, cephalexin, carbenicillin, atenolol, and tolazoline were obtained as hits with the highest pharmacophore-fit score."

"Pemodelan farmakofor merupakan suatu metode perancangan obat dengan pendekatan komputasi (in silico) yang berperan penting untuk mengetahui aksi spesifik antara ligan dengan target makromolekul. Pemodelan farmakofor memiliki beberapa keterbatasan, seperti sering dihasilkannya senyawa positif palsu dan negatif palsu dalam rasio yang tinggi. Oleh sebab itu, pengembangan perlu dilakukan untuk memperoleh model farmakofor yang lebih prediktif. Pada penelitian ini, dilakukan pengembangan model farmakofor yang diaplikasikan pada senyawa antagonis reseptor adenosin A2A menggunakan perangkat lunak LigandScout. Senyawa antagonis reseptor adenosin A2A diperoleh dari ChEMBL dengan nilai Ki ≤ 10 nM sebanyak 94 ligan digunakan sebagai training set dan nilai Ki > 10 nM sebanyak 3.556 ligan digunakan sebagai decoy set. Pembentukan model farmakofor dan optimasi dilakukan menggunakan training set dan divalidasi menggunakan test set yang merupakan gabungan dari training set dan decoy set. Kemudian, dilakukan analisis statistik melalui perhitungan beberapa parameter analisis berdasarkan kelompok klasifikasi biner. Dari penelitian ini, diperoleh empat fitur farmakofor dari model antagonis reseptor adenosin A2A yang mencakup 1 H (Hydrophobic Interaction), 2 HBA (Hydrogen Bond Acceptor), dan 1 HBD (Hydrogen Bond Donor). Selain itu, diperoleh nilai parameter validasi model yaitu AUC100% sebesar 0,65; EF1% sebesar 4,3; dan EF5% sebesar 3,6 serta nilai ketujuh parameter analisis statistik yaitu akurasi sebesar 0,3789; error rate sebesar 0,6211; sensitivitas sebesar 0,9894; spesifisitas sebesar 0,3684; presisi sebesar 0,0326; nilai prediksi negatif sebesar 0,9974; dan false discovery rate sebesar 0,9674. Nilai dari parameter-parameter tersebut diperoleh dari hasil optimasi model farmakofor yang berbeda-beda sehingga belum ditemukan satu model yang memiliki nilai terbaik untuk semua parameter.

---

Pharmacophore modeling is a drug design method with a computational approach (in silico) that represents the important role of ligand's specific actions with macromolecular targets. Pharmacophore modeling has several limitations, such as frequent false positives and false negatives in high ratios. Therefore, model development is needed to obtain a more predictive pharmacophore model. In this study, the development of a pharmacophore model was applied to the adenosine A2A receptor antagonist compound using LigandScout. The adenosine A2A receptor antagonist compound obtained from ChEMBL with Ki value ≤ 10 nM (94 ligands) was used as a training set and a Ki value > 10 nM (3,556 ligands) was used as a decoy set. The pharmacophore model and its optimization were formed from a training set, validated using a test set which is a combination of a training set and a decoy set. Then, statistical analysis is carried out by calculating several parameters based on the analysis of binary classification groups. From this study, four pharmacophore features of the adenosine A2A receptor antagonist model were obtained, consisting of 1 H (Hydrophobic Interaction), 2 HBA (Hydrogen Bond Acceptor), and 1 HBD (Hydrogen Bond Donor). In addition, the values of AUC100% (0.65); EF1% (4.3); and EF5% (3.6) were obtained from model validation parameters and the values of accuracy (0.3789); error rate (0.6211); sensitivity (0.9894); specificity (0.3684); precision (0.0326); negative predictive value (0.9974); and a false discovery rate (0.9674) were obtained from the seven statistical analysis parameters. The value of these parameters were obtained from the optimization results of different pharmacophore models. Accordingly, the model that has the best values for all parameters has not been determined."

"

Pada overtraining, adaptasi fisiologis menjadi tertunda atau bahkan menghasilkan suatu adaptasi yang patologis, salah satunya efek pada sistem kardiovaskuler. Penelitian ini bertujuan menilai pengaruh overtraining dan efek pemberian H. Sabdariffa L (HSL) pada kondisi overtraining terhadap indeks hipertrofi, kadar BNP dan PGC-1α jantung tikus. Penelitian ini menggunakan 25 ekor tikus jantan dewasa strain Wistar (Rattus-norvegicus), yang dibagi secara acak menjadi lima kelompok, yaitu kelompok kontrol yang diberi perlakuan placebo (K), kelompok kontrol yang diberi HSL 500mg/kgBB/hari (K-Hib), kelompok tikus dengan latihan aerobik (A), kelompok tikus dengan latihan fisik dengan kondisi overtraining (OT), serta kelompok tikus dengan latihan fisik dengan kondisi overtraining dan HSL 500mg/kgBB/hari (OT-Hib). Perlakuan dilakukan lima kali seminggu, selama 11 minggu. Indeks hipertrofi ditentukan dengan menghitung rasio berat jantung/berat badan, berat ventrikel/berat badan, dan berat ventrikel kiri/berat badan. Kadar BNP dan PGC-1α diukur menggunakan metode ELISA. Hasil penelitian didapatkan kelompok overtraining memiliki indeks hipertrofi dan kadar BNP jantung yang lebih tinggi, serta kadar PGC-1α jantung yang lebih rendah dibandingkan kelompok kontrol dan aerobik. Pemberian HSL pada kondisi overtraining cenderung mencegah penurunan indeks hipertrofi dan kadar BNP jantung tikus, meskipun tidak meningkatkan kadar PGC-1α jantung. Kondisi overtraining mengarahkan adaptasi jantung ke arah patologis dan tidak tertutup kemungkinan bahwa HSL memiliki potensi untuk mencegah terjadinya hipertrofi patologis.

 

Kata kunci: overtraining, H. Sabdariffa L, indeks hipertrofi, BNP, PGC-1α

---

Overtraining causes physiological adaptation becomes delayed or even produces a pathological adaptation, one of which is the effect on the cardiovascular system. The aims of this study are to elucidate the effect of overtraining and administration of H. Sabdariffa L (HSL) in overtraining condition on the hypertrophy index, levels of BNP and PGC-1α in the rats' hearts. This study used 25 Wistar (Rattus norvegicus) adult male rats, which were divided randomly into five groups, namely the control group given placebo treatment (K), the control group given HSL 500mg/kgBW/day (K -Hib), groups of rats with aerobic exercise (A), groups of rats with overtraining physical exercise (OT), and groups of rats with physical exercise overtraining and HSL 500mg/kgBB/day (OT-Hib). Treatment is done five times a week, for 11 weeks. Hypertrophy index is determined by calculated the ratio of heart weight/body-weight, ventricular weigh/body-weight, left ventricular weight/body-weight). BNP and PGC-1α levels were measured using the ELISA method. The results of this study showed that overtraining increased the hypertrophy index and heart BNP levels while reducing the levels of PGC-1α of rats compared to the control and aerobic groups. HSL administration tended to decrease the hypertrophy index and BNP levels although not increase the levels of PGC-1α in overtraining condition. Overtraining condition tend to the heart adaptation to the pathological direction and it is possible that HSL has potency to prevent pathological hypertrophy.

 

Keywords: overtraining, H. Sabdariffa L, hypertrophy index, BNP, PGC-1α

;

Diabetes mellitus merupakan penyakit yang belum dapat disembuhkan secara total, sehingga pengidap penyakit diabetes diharuskan menjalani pengobatan seumur hidup. Hal tersebut tentu akan menimbulkan efek samping bagi pasien yang menjalani pengobatan diabetes. Salah satu golongan obat antidiabetes adalah inhibitor dipeptidil peptidase-4 (DPP-4) yang bekerja dengan cara menghambat inaktivasi glucose like peptide (GLP-1). Golongan obat penghambat DPP-4 memiliki kemajuan yang pesat dalam perannya sebagai obat anti diabetes, namun variasi dari obat penghambat DPP-4 masih sedikit. Hal tersebut merupakan peluang untuk menemukan senyawa yang dapat berfungsi sebagai obat antidiabetes dengan golongan penghambat DPP-4. Pada penelitian ini dilakukan analisis interaksi senyawa turunan tetralin sulfonamida dengan makromolekul DPP-4 menggunakan program AutoDock. Selanjutnya dilakukan pencarian fitur farmakofor menggunakan program LigandScout untuk dijadikan training set yang digunakan untuk penapisan virtual berbasis farmakofor. Penapisan virtual ini divalidasi menggunakan test set yang disediakan oleh situs basis data DUD-E dengan 1.075 senyawa aktif 41.317 senyawa pengecoh. Hasil yang didapatkan adalah empat (4) dari delapan belas (18) senyawa turunan tetralin sulfonamida yang diuji, memiliki interaksi dengan triad katalitik dari makromolekul DPP-4 yaitu Ser630, Glu205, dan Glu206. Selain interaksi senyawa turunan tetralin sulfonamida dengan DPP-4, diperoleh sepuluh (10) model farmakofor dengan nilai tertinggi adalah 0,9692. Validasi tersebut menghasilkan nilai EF1% = 0,4 ; EF5% = 0,5 ; dan AUC100% = 0,45. Dapat disimpulkan bahwa beberapa senyawa turunan tetralin sulfonamida memiliki potensi sebagai inhibitor DPP-4 dilihat dari interaksi yang dihasilkan, akan tetapi belum didapatkan fitur farmakofor untuk penapisan virtual berbasis farmakofor.

---

Diabetes mellitus is a disease that cannot be completely cured, people with diabetes are required to have lifelong treatment. This will cause some side effects for patients undergoing diabetes treatment. One class of anti-diabetes drugs is a dipeptidyl peptidase-4 (DPP-4) inhibitor that works by inhibiting inactivation of glucose like peptide (GLP-1). DPP-4 inhibitor group has a rapid progress in its role as an anti-diabetic drug, but there is only a few variation of DPP-4 inhibitor drugs. This is an opportunity to find compounds that can function as antidiabetic drugs with DPP-4 inhibitors.This study aims to determine the interaction of tetralin sulfonamide derivative compounds with the DPP-4 macromolecule and find candidate compounds that are expected to have potential as anti-diabetic drugs with DPP-4 inhibitors. The process of analyzing the interaction of tetralin sulfonamide derivative compounds begins with docking of these compounds into the DPP-4 macromolecule using AutoDock. Furthermore, the discovery of pharmacophore feature was carried out using the LigandScout. This feature then was used for training set in ligand based virtual screening. This virtual screening was validated using a test set provided by the DUD-E database with 1,075 active compounds 41,317 decoys compounds. The results obtained four (4) of eighteen (18) tetraline sulfonamide derivative compounds, having interactions with catalytic triads of DPP-4 macromolecules namely Ser630, Glu205, and Glu206. In addition to the interaction of tetralin sulfonamide derivative compounds with DPP-4, ten (10) pharmacophore models were obtained with the best value being 0.9692. The validation produces an EF1% value = 0.4; EF5% = 0.5; and AUC100% = 0.45. It can be concluded that some tetralin sulfonamide derivative compounds have potential as DPP-4 inhibitors seen from the interactions produced, but the pharmacophore feature for ligand based virtual screening have not been obtained.

;

Diabetes mellitus merupakan penyakit yang belum dapat disembuhkan secara total, sehingga pengidap penyakit diabetes diharuskan menjalani pengobatan seumur hidup. Hal tersebut tentu akan menimbulkan efek samping bagi pasien yang menjalani pengobatan diabetes. Salah satu golongan obat antidiabetes adalah inhibitor dipeptidil peptidase-4 (DPP-4) yang bekerja dengan cara menghambat inaktivasi glucose like peptide (GLP-1). Golongan obat penghambat DPP-4 memiliki kemajuan yang pesat dalam perannya sebagai obat anti diabetes, namun variasi dari obat penghambat DPP-4 masih sedikit. Hal tersebut merupakan peluang untuk menemukan senyawa yang dapat berfungsi sebagai obat antidiabetes dengan golongan penghambat DPP-4. Pada penelitian ini dilakukan analisis interaksi senyawa turunan tetralin sulfonamida dengan makromolekul DPP-4 menggunakan program AutoDock. Selanjutnya dilakukan pencarian fitur farmakofor menggunakan program LigandScout untuk dijadikan training set yang digunakan untuk penapisan virtual berbasis farmakofor. Penapisan virtual ini divalidasi menggunakan test set yang disediakan oleh situs basis data DUD-E dengan 1.075 senyawa aktif 41.317 senyawa pengecoh. Hasil yang didapatkan adalah empat (4) dari delapan belas (18) senyawa turunan tetralin sulfonamida yang diuji, memiliki interaksi dengan triad katalitik dari makromolekul DPP-4 yaitu Ser630, Glu205, dan Glu206. Selain interaksi senyawa turunan tetralin sulfonamida dengan DPP-4, diperoleh sepuluh (10) model farmakofor dengan nilai tertinggi adalah 0,9692. Validasi tersebut menghasilkan nilai EF1% = 0,4 ; EF5% = 0,5 ; dan AUC100% = 0,45. Dapat disimpulkan bahwa beberapa senyawa turunan tetralin sulfonamida memiliki potensi sebagai inhibitor DPP-4 dilihat dari interaksi yang dihasilkan, akan tetapi belum didapatkan fitur farmakofor untuk penapisan virtual berbasis farmakofor.

---

Diabetes mellitus is a disease that cannot be completely cured, people with diabetes are required to have lifelong treatment. This will cause some side effects for patients undergoing diabetes treatment. One class of anti-diabetes drugs is a dipeptidyl peptidase-4 (DPP-4) inhibitor that works by inhibiting inactivation of glucose like peptide (GLP-1). DPP-4 inhibitor group has a rapid progress in its role as an anti-diabetic drug, but there is only a few variation of DPP-4 inhibitor drugs. This is an opportunity to find compounds that can function as antidiabetic drugs with DPP-4 inhibitors.This study aims to determine the interaction of tetralin sulfonamide derivative compounds with the DPP-4 macromolecule and find candidate compounds that are expected to have potential as anti-diabetic drugs with DPP-4 inhibitors. The process of analyzing the interaction of tetralin sulfonamide derivative compounds begins with docking of these compounds into the DPP-4 macromolecule using AutoDock. Furthermore, the discovery of pharmacophore feature was carried out using the LigandScout. This feature then was used for training set in ligand based virtual screening. This virtual screening was validated using a test set provided by the DUD-E database with 1,075 active compounds 41,317 decoys compounds. The results obtained four (4) of eighteen (18) tetraline sulfonamide derivative compounds, having interactions with catalytic triads of DPP-4 macromolecules namely Ser630, Glu205, and Glu206. In addition to the interaction of tetralin sulfonamide derivative compounds with DPP-4, ten (10) pharmacophore models were obtained with the best value being 0.9692. The validation produces an EF1% value = 0.4; EF5% = 0.5; and AUC100% = 0.45. It can be concluded that some tetralin sulfonamide derivative compounds have potential as DPP-4 inhibitors seen from the interactions produced, but the pharmacophore feature for ligand based virtual screening have not been obtained.

"

"

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.

 

"