Hasil Pencarian  ::  Simpan CSV :: Kembali

"Latar Belakang: Cytomegalovirus (CMV) adalah virus yang dapat menginfeksi manusia dengan prevalens di populasi yang tinggi. Bukti terbaru menunjukkan bahwa CMV terkait dengan berbagai jenis kanker, termasuk kanker paru. Penelitian ini bertujuan untuk mengetahui kaitan antara CMV dengan kanker paru karsinoma bukan sel kecil (KPKBSK). Data dari penelitian ini diharapkan dapat berguna untuk penelitian lebih lanjut mengenai kaitan antara CMV dan kanker paru di masa depan. Metode: Penelitian ini adalah suatu penelitian observasional dengan metode potong lintang untuk mengetahui proporsi DNA cytomegalovirus pada sampel jaringan KPKBSK. Sampel jaringan merupakan sampel formalin-fixed paraffin-embedded (FFPE) yang diambil disimpan di RSUP Persahabatan pada 2017-2023. Deteksi DNA CMV dilakukan menggunakan polymerase chain reaction (PCR) dan elektroforesis. Data penyerta diambil dari rekam medis. Hasil: Sebanyak 87 sampel jaringan dari 87 subjek penelitian yang berbeda diikutkan dalam penelitian ini. Sebagian besar subjek penelitian adalah laki-laki perokok, memiliki indeks Brinkman berat dengan rerata usia 59,1 tahun. Proporsi DNA CMV yang terdeteksi pada sampel FFPE adalah 21%. Proporsi DNA CMV lebih tinggi pada sampel jaringan dengan mutasi EGFR positif meskipun tidak bermakna secara statistik (OR 2,63 (IK 95% 0,45 – 15,16)). Proporsi DNA CMV tidak berhubungan dengan status merokok, indeks Brinkman, metode pengambilan sampel jaringan, dan jenis KPKBSK. Proporsi DNA CMV lebih tinggi pada sampel jaringan dengan tanggal pengambilan yang lebih baru. Kesimpulan: Asam deoksiribonukleat CMV dapat ditemukan pada sampel FFPE KPKBSK dengan proporsi 21%. Proporsi DNA CMV lebih tinggi pada KPKBSK dengan mutasi EGFR.

---

Background: Cytomegalovirus (CMV) is a virus with high seroprevalence in general population. Recent evidence shows that CMV is linked to various types of cancer, including lung cancer. This study aims to determine the relationship between CMV and non-small cell lung carcinoma (NSCLC). We hoped that the data from this study will be useful for further research in elucidating the link between CMV and lung cancer. Method: This research is an observational study using a cross-sectional method to determine the proportion of CMV DNA in NSCLC tissue samples. Tissue samples are formalin-fixed paraffin-embedded (FFPE) samples taken and stored at Persahabatan Hospital on 2017-2023. The detection of CMV was carried out using polymerase chain reaction (PCR) and electrophoresis. Accompanying data was taken from medical records. Results: A total of 87 tissue samples from 87 different research subjects were included in this study. Most of the research subjects were male smokers, had a heavy Brinkman index with an average age of 59.1 years. The proportion of CMV DNA detected in FFPE samples was 21%. The proportion of CMV DNA was higher in tissue samples with positive EGFR mutations although not statistically significant (OR 2.63 (95% CI 0.45 – 15.16)). The proportion of CMV DNA was not related to smoking status, Brinkman index, tissue sampling method, and NSCLC subtype. The proportion of CMV DNA was higher in tissue samples with more recent collection dates. Conclusion:Cytomegalovirus DNA were detected in NSCLC FFPE samples with a proportion of 21%. The proportion of CMV DNA was higher in NSCLC with EGFR mutations."

"Latar belakang: Terapi target dengan EGFR TKI merupakan terapi utama untuk kanker paru, khususnya KPKBSK. Selain permasalahan efektivitas harga, permasalahan lain terkait penggunaan EGFR TKI adalah resistansi primer dan sekunder seperti T790M, C797S dan insersi ekson 20. Penelitian in silico QSAR berbasis machine learning dan molecular docking dapat mempercepat penemuan senyawa EGFR TKI baru berbasis senyawa fitokimia.Metode: Penelitian ini adalah penelitian in silico untuk mengembangkan model QSAR berbasis machine learning yang dilanjutkan dengan molecular docking untuk penapisan senyawa fitokimia yang memiliki efek EGFR TKI terhadap mutasi T790M, C797S dan insersi ekson 20. Model machine learning dibuat untuk memprediksi nilai IC50 berdasarkan struktur kimia senyawa. Data pembelajaran berasal dari pangkalan data ChEMBL, data senyawa fitokimia dari KEGG, dan data makromolekul dari RCSB PDB. Simulasi molecular dynamics dilakukan untuk memvalidasi lebih lanjut hasil molecular docking.Hasil: Didapatkan 8627 senyawa EGFR TKI dari ChEMBL, yang dibagi menjadi set pembelajaran dan set uji dengan rasio 9:1. Model machine learning dengan algoritma LGBM berhasil dikembangkan dengan nilai R2 sebesar 73%. Lima senyawa fitokimia dengan nilai IC50 prediksi terbaik adalah orobol, norswertianin, isokaempferide, isoathyriol, dan norathyriol. Kelima senyawa memiliki profil farmakokinetik dan toksikologi yang cukupbaik. Hasil molecular docking menunjukkan norswertianin memiliki kemampuan ikatan terbaik terhadap EGFR mutasi T790M dan T790M/C797S/L858R, sedangkan orobol terhadap mutasi T790M/C797S dan insersi ekson 20. Kedua senyawa dapat membentuk ikatan yang stabil pada simulasi molecular dynamics.Kesimpulan: Model QSAR berbasis machine learning dengan algoritma LGBM dapat digunakan untuk memprediksi nilai IC50 EGFR TKI senyawa berdasarkan struktur kimianya. Senyawa fitokimia dapat digunakan sebagai dasar pengembangan EGFR TKI baru. Senyawa norswertianin dan orobol memiliki potensi terbesar sebagai EGFR TKI yang efektif untuk mutasi T790M, C797S dan insersi ekson 20.

---

Background: Targeted therapy with EGFR TKI has been the mainstay of lung cancer treatment, especially NSCLC. Besides the poor cost-effectiveness, primary and secondary resistances, such as T790M, C797S, and exon 20 insertion mutation, have been problematic in EGFR TKI clinical utilization. In silico research, such as machine learning-based QSAR dan molecular docking, has the potential to hasten the discovery of novel EGFR TKI based on phytochemicals.

Method: This study is an in silico research to develop a machine learning-based QSAR model, followed by molecular docking experiments for virtual screening of phytochemicals that have bioactivity as EGFR TKI against T790M, C797S, and exon 20 insertion mutation. A machine learning model will be developed to predict IC50 based on chemical structure. The learning set is sourced from the ChEMBL database, phytochemical data from KEGG, and macromolecule data from RCSB PDB. Molecular dynamic simulation is carried out to validate the molecular docking result further.

Results: A total of 8627 compounds was procured from ChEMBL database, which was split into training and test sets with a ratio of 9:1. LGBM based machine learning model with considerable accuracy can be developed, with R2 of 73%. The five compounds with the best predicted IC50 value was orobol norswertianin, isokaempferide, isoathyriol, and norathyriol. All compounds possess a good pharmacokinetics and toxicology profile. The molecular docking result showed that norswertianin has the best binding affinity against EGFR with T790M and T790M/C797S/L8568R. Orobol has the best binding affinity against EGFR with T790M/C797S and exon 20 insertion. Both compounds can form a stable binding in molecular dynamics simulation.

Conclusions: Machine learning-based QSAR model utilizing the LGBM algorithm can predict IC50 value as EGFR TKI based on the compound’s chemical structure. Phytochemicals can be used as the basis for novel EGFR TKI. Norswertianin and orobol have the best EGFR TKI potential against T790M, C797S, and exon 20 insertion mutations."