net/publication/323655983
CITATIONS READS
0 4,160
3 authors:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Open for Submission - Special Issue "Metabolomics Application for Food Authentication and Quality Assessment" View project
All content following this page was uploaded by Filemon Jalu Nusantara on 09 March 2018.
Review Article
Abstrak
Metabolomik, penilaian kuantitatif secara global terhadap metabolit dalam sistem biologis,
telah memainkan peran penting dalam berbagai bidang sains di era pasca genomik ini. Me-
tabolit adalah hasil interaksi genom sistem dengan lingkungannya dan bukan hanya produk
akhir dari ekspresi gen, namun juga merupakan bagian dari sistem yang berlangsung secara
terpadu dan terintegrasi. Metabolomik melengkapi studi omik lainnya, seperti genomik,
transkriptomik dan proteomik yang merupakan hasil 'turunan' dari ekspresi gen, maka peru-
bahan di tingkat metabolome dianggap akurat untuk menggambarkan aktivitas sel pada ting-
kat fungsional. Sebagai salah satu teknologi omik, metabolomik memiliki aplikasi yang
menarik di berbagai bidang, termasuk ilmu kedokteran, ilmu biologi, farmasi, dan pemod-
elan prediktif sistem tumbuhan, hewan dan mikroba. Selain itu, aplikasi terintegrasi dengan
genomik, transkriptomik, dan proteomik memberikan pemahaman yang lebih besar tentang
sistem biologi global. Artikel ini memaparkan prinsip dasar metabolomik dan terapannya di
bidang ilmu pangan dan mikrobiologi.
Kata kunci: Metabolomik, Mikrobiologi, Ilmu Pangan, Bioteknologi, Metabolit
Abstract
Metabolomics is the study of global quantitative assessment of metabolites in a biological
system. Metabolites are the result of the interaction of the system’s genome with its environ-
ment and are not merely the end product of gene expression but also form part of the regu-
latory system in an integrated manner. As one of the “omics” technology, metabolomics has
exciting applications in varied fields, including medical science, synthetic biology, medicine,
and predictive modeling of plant, animal and microbial systems. Integrated applications
with genomics, transcriptomics, and proteomics provide greater understanding of global
system biology. Here, we review the basic principles of metabolomics and its applications in
microbiology and food sciences.
40 Bunga Rampai Forum Peneliti Muda Indonesia 2017
1. PENDAHULUAN
Metabolomik merupakan bidang ilmu yang melibatkan pengukuran metabolit secara kom-
prehensif dan merupakan studi ilmu yang menggabungkan ilmu biologi, kimia analitik dan
bioinformatik. Ada tiga pendekatan utama yang digunakan dalam metabolomik: (i) Targeted
approach yakni analisis yang ditargetkan komponen metabolitnya (pengukuran kuantitatif
dan tepat dari konsentrasi metabolit yang diketahui), (ii) Untargeted approach (pengukuran
metabolomik secara komprehensif), dan (iii) Metabolite fingerprinting (pengukuran cepat,
evaluasi total biochemical fingerprint untuk diskriminasi sampel yang berbeda dimana iden-
tifikasi metabolit tidak diperlukan). Kekuatan metabolomik terletak pada perolehan data
analitik dimana metabolit dalam sistem seluler dihitung secara keseluruhan, dan ekstraksi
elemen data yang paling berperan pada sampel dengan menggunakan berbagai jenis analisis
data menggunakan pendekatan statistik. Bidang metabolomik terus bertumbuh dengan cepat
selama dekade terakhir dan telah terbukti menjadi teknologi yang sangat kuat dalam mem-
prediksi dan menjelaskan fenotip kompleks dalam sistem biologis yang beragam. Penerapan
teknologi metabolomik di bidang biologi mencakup (i) analisis informatif untuk mengkarak-
terisasi dan mengidentifikasi senyawa yang diinginkan (disebut sebagai “metabolomik in-
formatif”), (ii) prediksi berbagai fenotip melalui analisis multivariat dengan menggunakan
data metabolom sebagai variabel penjelas (di sini disebut "metabolomik prediktif") dan (iii)
metabolomik komparatif untuk menentukan metabolit yang bertanggung jawab untuk klas-
ifikasi sampel menurut jenis atau untuk tujuan diskriminatif. Secara umum, alur kerja metab-
olomik terdiri dari pembuatan rancanngan penelitian, persiapan sampel biologis, analisis
dengan menggunakan berbagai instrumen, pengolahan data dan analisis data.
Dalam beberapa dekade terakhir, usaha yang signifikan telah dilakukan untuk mengem-
bangkan prosedur analisis kualitas produk pangan dan minuman dengan menggunakan data
instrumen, dimana data tersebut dapat berfungsi sebagai data penyempurna ataupun data
yang dapat menggantikan uji sensori. Akibat dari tingginya kompleksitas produk pangan,
penggunaan metode matematika sederhana seperti analisis regresi tidak cocok bila
digunakan dalam mengkontrol kualitas makanan. Namun, pemanfaatan perkembangan in-
strumen analitik yang dikombinasikan dengan metode pengenalan pola multivariat (chemo-
metric), memungkinkan kita untuk memahami kompleksitas sampel dan mengekstrak ele-
men terpenting untuk analisis.
Analisis multivariat yang paling umum digunakan untuk analisis prediktif adalah pendeka-
tan berbasis Projection to Latent Structure (PLS) yang meliputi Partial Least Square-Dis-
criminative Analysis (PLS-DA), PLS orthogonal, dan lain-lain. Metode-metode tersebut
mendeskripsikan variasi yang terdapat dalam matriks variabel respon (Y) dengan
menggunakan informasi yang diperoleh dari variabel penjelas. Jika matriks Y memiliki var-
iabel yang spesifik, seperti evaluasi kualitas makanan dengan uji sensori, maka pendekatan
PLS sangat membantu dalam mengekstrak metabolit penting yang berkaitan dengan variabel
Y (Putri et al, 2013).
Prediksi berbasis PLS yang menggunakan data metabolom sangat berguna dalam mempred-
iksi atribut sensori dari berbagai macam sampel makanan seperti teh hijau (Pongsuwan et al,
2007), keju (Ochi et al, 2012), kecap (Song et al, 2010; Yamamoto et al, 2012) ataupun
produk laut seperti udang. Prinsip dari permodelan prediktif sensori untuk makanan, terletak
pada penggunaan model statistik dimana profil metabolit berperan sebagai variabel penjelas
dan atribut sensori sebagai variabel respon. Data metabolom yang di plot sebagai variabel
penjelas dapat diperoleh dengan metode analisis target (pengukuran secara kuantitatif ke-
lompok metabolit tertentu), pemrofilan metabolit (identifikasi metabolit yang belum
diketahui) dan sidik jari metabolit (evaluasi sidik jari biokimia tanpa memerlukan identifi-
kasi metabolit) (Putri et al, 2013). Kerangka kerja utama dari studi ini meliputi beberapa
poin, dimulai dari melakukan analisis metabolit dengan menggunakan instrumen analitik
dan analisis multivariat; membuat pemodelan prediktif sensori yang menjelaskan keterkaitan
antara analisis sensori deskriptif dan set data metabolit; dan mengklasifikasi komponen-
komponen yang berkontribusi terhadap model prediktif.
Meskipun pendekatan metode analisis target dapat berguna dalam memprediksi atribut sen-
sori makanan, pemahaman yang komprehensif mengenai hubungan antara komposisi kimia
keseluruhan dan karakteristik sensori sulit untuk dicapai sebagai akibat banyaknya kompo-
nen di dalam makanan yang dapat mempengaruhi rasa dan karakteristiknya (Cevallos-Ce-
vallos dan Reyes-De-Corcuera, 2012). Di sisi lain, pemrofilan metabolit (analisis tanpa tar-
get) dapat menawarkan karakterisasi properti makanan yang komprehensif dan memung-
kinkan pengidentifikasian senyawa baru terkait dengan karakteristik makanan tersebut tanpa
bias. Studi yang dilakukan oleh Ochiet al, dapat mengilustrasikan dengan jelas, bagaimana
cara memprediksi karakteristik sensori dari proses pematangan keju menggunakan prinsip
metabolomik (Ochi H et al, 2012). GC-MS TOF digunakan untuk pemrofilan metabolit
(tanpa target) yang bersifat hidrofilik dan bermassa molekul rendah, seperti asam amino,
42 Bunga Rampai Forum Peneliti Muda Indonesia 2017
asam lemak, asam organik, dan sakarida dalam keju. PLS kemudian dikonstruksi untuk
memprediksi hubungan antara profil metabolit dan atribut sensori, dimana model tersebut
membantu dalam mengidentifikasi metabolit yang berhubungan dengan rasa yang spesifik.
Konsep yang sama juga dilakukan untuk memprediksi kualitas udang putih (L. vannamei)
yang diekspor dari Indonesia ke Jepang. Tingginya permintaan udang dan ketatnya per-
saingan antara negara pengekspor udang ke Jepang menjadikan re-evaluasi kualitas udang
ekspor hal yang penting. Variabel respon yang diperoleh dari data Quantitative Descriptive
Analysis (QDA) akan diprediksi menggunakan PLS. Analisis korelasi antara matriks profil
metabolit dan data QDA akan menunjukkan senyawa utama yang berkontribusi terhadap cita
rasa udang dan terkorelasi erat dengan data QDA. Metabolit tersebut merupakan marka yang
dapat digunakan sebagai umpan balik dalam hal mendesain kualitas udang serta manajemen
budidayanya.
2.2 Metabolomik Diskriminatif
Mikroorganisme merupakan sampel yang sangat penting dalam bidang metabolomik, karena
banyak digunakan sebagai organisme modeluntuk pengembangan teknik metabolomik.
Studi metabolomik merupakan analisis metabolit yang sangat akurat dan memerlukan kon-
disi penelitian yang terkendalikan dengan baik serta optimum. Contoh dari kondisi yang
harus sangat dikontrol ketika melakukan metabolomik menggunakan mikroba adalah kon-
disi pertumbuhan saat kultivasi harus terjaga agar selalu konstan. Oleh karena itu, validasi
metode serta optimasi kondisi pertumbuhan mikroorganisme sangat penting untuk menge-
tahui metabolisme suatu mikroba secara menyeluruh dan optimum, terutama untuk preparasi
sampel (Putri et.al, 2013).
Pendinginan dengan injeksi Sampel langsung diinjeksikan Cepat Metabolit yang hilang atau Banyak digunakan untuk S.
ke dalam larutan pendingin tidak dapat terdeteksi cerevisiae
dan disentrifugasi
Pemilihan metode ekstraksi yang tepat amat harus dipertimbangkan kaitannya dengan sifat
sel mikroorganisme, seperti jenis membran sel, sifat kimia dari analit dan reaktivitas target
dari enzim. Metode yang paling umum adalah ekstraksi dengan pelarut organik,
menggunakan metanol dan kloroform dan perlakuan kondisi lain seperti suhu yang tinggi
atau suhu yang sangat rendah turut digunakan. Dalam studi awal ekstraksi metabolit dari
44 Bunga Rampai Forum Peneliti Muda Indonesia 2017
Escherichia coli menggunakan metanol dingin (-40o) menunjukan hasil yang lebih baik da-
ripada menggunakan metanol panas, ethanol panas, asam perklorat atau metanol/kloroform.
Hal ini berdasarkan pertimbangan reproduksibilitas, kemudahan, serta jumlah metabolit
yang data terdeteksi. Metode ekstraksi lain juga dapat dikembangkan dan disesusaikan
dengan target analisis serta mikroorganisme yang akan diteliti. Seperti untuk Saccharomyces
cerevisiae, metode dengan menggunakan kloroform dan metanol panas lebih baik karena
lebih efisien dalam mendapatkan metabolit dari sel dibandingkan dengan ekstraksi metanol
dingin dan asetonitril-metanol (Maharjan et.al, 2003).
Mikroorganisme yang paling banyak digunakan dalam studi metabolomik saat ini adalah E.
coli. Studi sebelumnya dikenal dengan metode TLC (Thin layer chromatography) atau kro-
matografi lapis tipis dan 14C-glucose yang digunakan untuk menganalisa hubungan antara
metabolisme sel dan regulasinya secara menyeluruh. Studi tersebut menjelaskan ragam me-
tabolit seperti glutamat, aspartat, trehalosa, adenosin, gula-UDP dan putresin dalam variasi
tingkatan dengan perbedaan spesifik tingkat pertumbuhan di bawah kondisi chemostat. Hub-
ungan antara asimilasi amonia dan perturbasi nutrisi dipelajari dengan kombinasi dari
kuantifikasi absolut dan simulasi fluks (Yukihira et.al, 2010). Studi ini melaporkan dua sen-
yawa penting yakni 2-oksoglutarat dan glutamin untuk asimilasi amonia. Baru-baru ini, be-
berapa penelitian dari grup kami melaporkan penggunaan teknik metabolomik untuk
pengembangan produktivitas mikroba yang digunakan sebagai cell-factory. Pada umumnya,
mikroba yang berperan dalam proses industri terus dikembangkan karakteristiknya agar
lebih produktif dan efisien dalam memproduksi senyawa biokimia ataupun biofuel di indus-
tri. Secara konvensional, proses pengembangan dan peningkatan produktivitas strain dapat
dilakukan melalui metode pendekatan rasional, dimana metabolisme suatu mikroba
direkayasa sedemikian rupa berdasarkan pengetahuan tentang proses biokimia, komponen
genetika dan teknologi fermentasi mikroba. Pada umumnya proses ini berlangsung lama dan
seringkali tidak sesuai dengan harapan. Pendekatan kedua adalah pendekatan non rasional,
dimana proses pengembangan strain dilakukan secara random lewat metode mutagenesis
dimana proses pengembangan dapat dilakukan secara cepat namun mekanisme secara detil
tentang bagaimana fenotip baru dapat dihasilkan tidak dapat diketahui. Pendekatan yang be-
rada di antara kedua pendekatan yang telah dijabarkan diatas adalah pendekatan semi ra-
sional, seperti contohnya pendekatan menggunakan bidang ilmu omik. Pendekatan metabo-
lomik untuk pengembangan mikroba yang digunakan sebagai cell factory merupakan salah
satu aplikasi metabolomik yang paling terbaru. Pendekatan ini berdasarkan analisa
komparatif di level omik, seperti genomik, transkriptomik, proteomik ataupun metabolomik.
Perbedaan di level omik ini bisa dengan cepat memberikan informasi perbedaan signifikan
antar dua mikroorganisme yang pada akhirnya bisa ditelaah lebih lanjut untuk menentukan
target gen untuk peningkatan fenotip ataupun karakteristik dari mikroorganisme tersebut.
Kombinasi data metabolom dan analisis data multivariat seperti Principal Component Anal-
ysis atau Partial Least Square regression dapat menunjukkan metabolit-metabolit mana yang
paling banyak memberikan kontribusi pada fenotip tertentu (Nitta et.al, 2017). Oleh karena
itu, konsentrasi metabolit dapat bertindak sebagai variabel prediktor kuantitatif untuk fe-
notip-fenotip penting terkait mikrobiologi industri. Contoh penggunaan analisis metabolom
non-target untuk peningkatan fenotip yang penting untuk industri, yakni toleransi terhadap
Bunga Rampai Forum Peneliti Muda Indonesia 2017 45
pelarut kimia, dilaporkan dalam makalah terbaru kami. Secara singkat, berbagai strain mu-
tan delesi tunggal S. cerevisiae dikultivasi di dalam cekaman 1-butanol untuk mengukur tol-
eransi mereka terhadap 1-butanol. Strain ini juga dikultivasi di bawah kondisi non-stres un-
tuk analisis metabolom. Data metabolisme dan toleransi digabungkan untuk membangun
model regresi, yang memberikan informasi tentang metabolit yang sangat terkait dengan
toleransi. Dengan asumsi bahwa metabolit memiliki hubungan kausal dengan toleransi, tar-
get gen yang diprediksi untuk dapat mengubah pool metabolit di dalam sel yang pada
akhirnya bisa meningkatkan tingkat toleransi terhadap 1-butanol dapat diidentifikasi.
Akhirnya, strain delesi baru diperoleh, dan tingkat toleransi dan metabolitnya diukur untuk
memvalidasi model yang telah dibuat sebelumnya. Strain baru menunjukkan tingkat toler-
ansi terhadap 1-butanol yang lebih tinggi, sehingga memvalidasi hubungan antara metabolit
ini dan toleransi 1-butanol. Gambaran tentang penelitian ini dapat dilihat pada Gambar 1.
Gambar 1. Ilustrasi pendekatan metabolomik untuk mengidentifikasi gen untuk strain im-
provement (1). http://creativecommons.org/licenses/by/4.0/
Pendekatan berbasis metabolomik lainnya untuk mengidentifikasi target gen adalah dengan
menggunakan pendekatan kuantitatif yang ditargetkan (quantitative and targeted approach)
untuk pengukuran dengan resolusi yang lebih tinggi. Bila sudah ditentukan pathway di da-
lam alur metabolisme yang penting untuk peningkatan produksi senyawa tertentu, maka pen-
gukuran konsentrasi absolut senyawa intermediet di pathway tersebut dapat memberi wawa-
san yang kuat mengenai langkah pembatas laju di jalur. Selanjutnya, penggunaan profil ki-
netik seperti metabolite turnover analysis (3) sangat berguna untuk mengamati dinamika
seluler untuk optimasi pathway. Salah satu contoh strategi tersebut dijelaskan dalam laporan
lain (4) di mana penggunaa analisis target kuantitatif dan profil kinetik difokuskan kepada
46 Bunga Rampai Forum Peneliti Muda Indonesia 2017
senyawa intermediet yang penting untuk mengidentifikasi langkah pembatas laju dalam sis-
tem rekayasa untuk produksi 1-butanol dalam cyanobacteria. Produksi 1-butanol di
mikroorganisme fotosintetik cyanobacteria merupakan sistem model penting untuk konversi
langsung CO2 ke bahan bakar dan bahan kimia. Produksi 1-butanol dicapai dengan mem-
perkenalkan pathway Koenzim A (CoA) yang dimodifikasi dari spesies Clostridium yang
menghasilkan rekayasa genetika Synechococcus elongatus yang dapat mengubah CO2 di at-
mosfer menjadi 1-butanol (Toshiyuki et.al, 2017). Upaya untuk meningkatkan titer masih
terfokus pada jalur CoA, oleh karena itu, pendekatan yang ditargetkan untuk menguji inter-
mediet CoA menghasilkan wawasan yang sangat berguna untuk meningkatkan produktivitas
1-butanol. Kesimpulannya, pendekatan berbasis metabolisme sangat bermanfaat untuk
mengembangkan strategi untuk mengoptimalkan kinerja jalur dalam produksi kimia
mikroba.
Metabolomik untuk studi sistem biologis masih memiliki masa yang panjang dalam pengem-
bangannya sebelum mencapai kedewasaan sebagai bidang ilmu. Di masa depan, analisis
metabolisme dari mikroorganisme akan tetap ada dan tak ternilai harganya
Identifikasi atau anotasi senyawa adalah salah satu masalah yang harus diselesaikan untuk
pengembangan lebih lanjut dari penelitian metabolomik. Saat ini, identifikasi metabolit yang
tidak diketahui merupakan hambatan utama di bidang metabolomik. Meskipun ada ratusan
sampai ribuan metabolit yang terdeteksi, kebanyakan dari metabolit tetap tidak dikenal ka-
rena keterbatasan informasi metabolit di pustaka metabolit dan tidak tersedianya referensi
terstandardisasi. Oleh karena itu, terlepas dari kemajuan teknologi terkini dalam bidang
kimia analitik dan pengolahan data, masih banyak masalah yang harus diatasi untuk mem-
buat metabolomik menjadi studi yang sangat berguna bagi peneliti. Walaupun profil LC/MS
sekarang lebih informatif karena sensitivitas yang lebih tinggi dari instrumen MS yang baru
dirilis, hanya sebagian kecil dari metabolit yang dapat diidentifikasi dan digunakan untuk
interpretasi biologi di antara ribuan sinyal yang terdeteksi.
Upaya saat ini untuk memecahkan masalah ini melibatkan penambahan informasi dalam li-
brary, penggunaan ataupun gabungan berbagai platform instrumentalia (LC-NMR, LC-
TOFMS, GCTOF-MS13, CE-TOFMS14,15), pengembangan algoritma untuk perhitungan
retention index dan software untuk prediksi senyama secara in-silico.
DAFTAR REFERENSI
Atkinson, P. M. dan A. R. L. Tatnall. 1997. Neural Networks in Remote Sensing. International Jour-
nal of Remote Sensing. Vol. 18, No. 4: hal. 699-709.
Bosque-Sendra, JM., Cuadros- Rodriguez, L., Ruiz-Samblas, C., de la Mata, P. 2012. Combining
chromatography and chemometrics for the characterization and authentication of fats and
oils from triacylglycerol compositional data –a review. Anal. Chim. Acta. Vol 724: hal 1–11.
Cevallos-Cevallos, JM., dan Reyes-De-Corcuera, JI. 2012. Metabolomics in food science. Advance
Bunga Rampai Forum Peneliti Muda Indonesia 2017 47
quenching and extraction ofintracellular metabolites. Analytical Chemistry. Vol 80: hal.
2939-2948.
Yamamoto, S., Bamba, T., Sano, A., et al. 2012 Metabolite profiling of soy sauce using gas chroma-
tography with time-of-flight mass spectrometry and analysis of correlation with quantitative
descriptive analysis. Journal of Bioscience and Bioengineering. Vol 114: hal 170–175
Yukihira, D., Miura, D., Saito, K., Takahashi, K., Wariishi, H. 2010. MALDI-MS-based high
throughput metabolite analysis for intracellularmetabolic dynamics. Analytical Chemistry.
Vol 82: hal 4278-4282.
BIOGRAFI PENULIS
Dr. Sastia Prama Putri, M.Eng., S.Si
Sastia Prama Putri adalah Assistant Professor di Departemen Biote-
knologi, Fakultas Teknik, Osaka University dan dosen luar biasa di
Sekolah Ilmu dan Teknologi Hayati, Institut Teknologi Bandung.
Sastia mendapatkan gelar doktornya di bidang Bioteknologi di tahun
2010 dari International Center for Biotechnology, Osaka University.
Saat ini Sastia memimpin grup aplikasi metabolomik untuk biote-
knologi mikroba khususnya untuk produksi biofuel dan untuk produk
pangan khas Indonesia. Sastia bekerja di bawah naungan mentor
Prof. Eiichiro Fukusaki yang merupakan salah satu pioneer metabo-
lomik di ilmu pangan. Ia turut mendirikan Formind Institute di tahun
2016 dan saat ini aktif menjadi board member dari International Metabolomics Society sejak
tahun 2013. Ia memenangkan penghargaan L’Oreal for Women in Science di tahun 2015
untuk riset tentang aplikasi metabolomik untuk kopi Indonesia.