Hasil Pencarian  ::  Simpan CSV :: Kembali

"COVID-19 sudah didetapkan sebagai pandemi oleh WHO, dan minat untuk meneliti mengenai pengobatan COVID-19 sangatlah tinggi. Akan tetapi, tidak hanya obat-obatan, minat untuk mempelajari tentang senyawa herbal, serta mencari kandidat senyawa untuk pengobatan juga tinggi. Dalam penelitian ini dilakukan investigasi potensi dari berbagai senyawa herbal yang memiliki efek anti-COVID-19, dan tidak hanya terhadap COVID-19 tetapi juga terhadap penyakit sistem imun. Dalam studi ini, peneliti menggunakan metode jejaring farmakologi. Metode ini dapat mengeksplorasi potensi efek yang dimiliki dari senyawa herbal dan target terkait untuk mengobati penyakti COVID-19. Target kandidat protein diprediksi melalui ChemBL, lalu dilakukan penelusuran terhadap penyakit dan validasi melalui website target validation. Jaringan dibentuk menggunakan Cytoscape 3.8.0 yang hasilnya merupakan jaringan senyawa-target, dan target-penyakit. Hasil konstruksi jaringan C-T-D menunjukkan 72 senyawa, 86 target, 1164 penyakit, dan 22 kategori penyakit. Terdapat 9 target potensial dan 69 senyawa yang terkait dengan COVID-19, selain itu ditemukan juga 286 spesies tanaman yang berpotensi. Pada penyakit sistem imun seluruh senyawa memiliki kaitan, lalu didapatkan 39 target yang berkaitan juga dengan 134 jenis penyakit sistem imun serta 318 spesies tanaman yang berpotensi. Dari penelitian ini diperoleh rekomendasi spesies tanaman yaitu Citrus maxima, Acronychia laurifolia, Santalum album yang masing-masing memiliki 12, 11, dan 6 interaksi dengan target atau senyawa.

---

COVID-19 has been declared a pandemic by the WHO, and interest in research on the treatment of COVID-19 is very high. However not only drugs, interest in learning about herbal compounds, as well as looking for candidate compounds for treatment is also high. In this study, we investigated the potential of various herbal compounds that have anti-COVID-19 effects, and not only against COVID-19 but also against diseases of the immune system. In this study, researchers used the pharmacology network method. This method can explore the potential effects of herbal compounds and related targets to treat COVID-19 disease. The target protein candidate is predicted through ChemBL, then a search for the disease is carried out and validation through the target validation website. Networks were formed using Cytoscape 3.8.0 which resulted in compound-target, and disease-target networks. The results of the C-T-D network construction showed 72 compounds, 86 targets, 1164 diseases, and 22 disease categories. There are 9 potential targets and 69 compounds associated with COVID-19, in addition, 286 potential plant species were found. In diseases of the immune system, all compounds are related, then 39 targets were obtained which are also related to 134 types of immune system diseases and 318 potential plant species. From this study, it was found that plant species recommendations were Citrus maxima, Acronychia laurifolia, Santalum album which each had 12, 11, and 6 interactions with targets or compounds."

"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."

"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."

"Senyawa lignan banyak ditemukan dalam tumbuhan dengan genus Phyllanthus, salah satunya meniran hijau (Phyllanthus niruri). Lignan yang terdapat pada meniran hijau berupa filantin. Pelarut ionic liquid merupakan salah satu pelarut alternatif yang banyak dilakukan percobaan dan pengembangan untuk pengesktraksian suatu tanaman. Tujuan dari penelitian ini adalah untuk mengetahui perbandingan efektifitas hasil ekstraksi senyawa filantin dari herba meniran menggunakan pelarut IL secara Microwave Assisted Extraction (MAE) dengan hasil ekstraksi yang menggunakan pelarut metanol secara maserasi, serta menentukan pelarut IL yang dapat menghasilkan kadar filantin tertinggi. Variabel bebas yang digunakan dalam proses optimasi adalah konsentrasi pelarut IL (0,25 M; 0,75 M; dan 1,25 M) dan rasio sampel:pelarut (1:10; 1:12; dan 1:14). Variabel dirancang dengan Response Surface Methodology (RSM). Penetapan kadar filantin menggunakan Kromatografi Cair Kinerja Tinggi (KCKT) dengan parameter yang telah divalidasi dengan fase gerak etanol:air sebesar 66:34 v/v dan dideteksi pada panjang gelombang 229 nm. Kondisi ektraksi optimal yang didapatkan menunjukkan hasil terbaik pada run 1 dengan konsentrasi 0,75 M dan rasio 1:14. Kadar filantin yang didapatkan sebesar 0,1783 mg/g. Berdasarkan hasil tersebut, penggunaan IL-MAE lebih efektif jika dibandingkan dengan metode maserasi metanol yang menarik filantin sebanyak 0,1319 mg/g.

---

Lignan can be found in plants of the Phyllanthus genus, one of which is green meniran (Phyllanthus niruri). The lignans found in green meniran are phyllanthin. Ionic Liquid (IL) is one of the alternative solvents that is being developed for the chemical extraction of a plant. The purpose of this study is to compare the effectiveness of the extraction of phyllanthin compounds from meniran herbs using IL solvent by Microwave Assisted Extraction (MAE) with methanol solvent by maceration method, and to determine IL that can produce the highest levels of phyllanthin. The independent variables used in the optimization process were concentration of IL solvent (0.25 M; 0.75 M; and 1.25 M) and sample:solvent ratio (1:10; 1:12; and 1:14). Variables are designed with Response Surface Methodology (RSM). Determination of phyllanthin content using High Performance Liquid Chromatography (HPLC) with parameters that have been validated with ethanol:water mobile phase of 66:34 v/v was detected at a wavelength of 229 nm. The optimal extraction conditions obtained showed that the best result was in the first run with optimal condition of 0.75 M concentration of solvent and a ratio of 1:14. This condition produced phyllanthin content of 0.1783 mg/g. Based on these results, IL-MAE method is more effective compared to methanol maceration method which attracts phyllanthin content of 0.1319 mg/g."

"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."