Study Docking Senyawa Turunan Flavonoid Sebagai Inhibitor Enzim

Aldose Reductase (ALR2) Untuk Komplikasi Diabetes

Bayu Anjasmara1, Diana Tri Fitaloka1, Emil Nur Arifah1,

Yona Vista Viana1, Yunisa Nurmalasari Syarifah1
1
Fakultas Farmasi, Universitas Bhakti Kencana, Bandung

e-mail : fakultasfarmasi@bku.ac.id

Abstrak
Diabetes mellitus adalah salah satu penyakit metabolik kronis yang paling umum, ditandai
oleh hiperglikemia kronis, perkembangan patologi mikrovaskuler dan makrovaskular khusus
diabetes. Hiperglikemia yang berkepanjangan adalah faktor penyebab utama dari beberapa
komplikasi diabetes.U ntuk pengobatan diabetes melitus dapat digunakan obat-obat yang mampu
mempengaruhi protein Aldosa Reduktase (ALR2) (Boukarai,dkk., 2017). Enzim Aldosa Reductase
(ALR2) adalah enzim yang terdapat di beberapa bagian tubuh dan berfungsi dalam metabolisme
glukosa jalur poliol yang bertanggung jawab dalam pembentukan fruktosa dan glukosa. Protein
ALR2 dapat berikatan dengan obat diabetes menyebabkan terjadinya peristiwa glukosa pada sel
diubah menjadi sorbitol fruktosa. Penelitian ini bertujuan untuk menentukan interaksi antara
senyawa turunan flavonoid sebagai agen inhibitor ALR2 untuk komplikasi diabetes. Study HKSA
dilakukan untuk menentukan senyawa turunan atau senyawa baru yang akan diujikan. Molecular
docking dilakukan menggunakan program AutoDock 4.2 dan protein aldose reductase (PDB ID :
2PDB) sebagai makromolekul. Hasil docking senyawa baru menunjukan semua senyawa dapat
berinteraksi dengan sisi aktif enzim aldose reductase. Interaksi terbaik ditunjukkan pada senyawa 2
dan 7 dengan nilai binding energy -5,42 dan -6,35. Interkasi antar molekul ikatan hydrogen dengan
residu asam amino yang paling mirip dengan ligan alami adalah seyawa 2 dengan residu asam
amino TRP 20, TYR 40, CYS 298, LEU 300, HIS 110, CYS 303 dan senyawa 7 dengan residu asam
aminoTYR 48, LEU 300, TRP 20, CYS 303, dan HIS 110.

Kata Kunci: Aldose Reductase (ALR2), Komplikasi Diabetes, Turunan Flavonoid, Molekular
Docking

Abstract
Diabetes mellitus is one of the most common chronic metabolic diseases, characterized by
chronic hyperglycemia, the development of diabetes-specific microvascular and macrovascular
pathologies. Prolonged hyperglycemia is a major causative factor of several diabetic complications.
For the treatment of diabetes mellitus medications can be used that can influence the protein Aldosa
Reductase (ALR2) (Boukarai, et al., 2017). The Aldosa Reductase (ALR2) enzyme is an enzyme found
in several parts of the body and functions in the glucose metabolism of the polyol pathway responsible
for the formation of fructose and glucose. ALR2 protein can bind to diabetes drugs causing glucose
events in cells to be converted into sorbitol fructose. This study aims to determine the interaction
between flavonoid derivatives as ALR2 inhibitor agents for diabetes complications. The HKSA study
was carried out to determine the derivative compounds or new compounds to be tested. Molecular
docking was carried out using the AutoDock 4.2 program and aldose reductase protein (PDB ID:
2PDB) as macromolecules. The results of the docking of new compounds show that all compounds
can interact with the active side of the aldose reductase enzyme. The best interactions are shown in
compounds 2 and 7 with binding energy values of -5.42 and -6.35. Interaction between hydrogen
bonding molecules with amino acid residues that are most similar to natural ligands is compound 2
with amino acid residues TRP 20, TYR 40, CYS 298, LEU 300, HIS 110, CYS 303 and compound 7
with amino acid residues TRYR 48, LEU 300 , TRP 20, CYS 303, and HIS 110.
Keyword: Aldose Reductase (ALR2), Diabetes Complications, Flavonoid Derivatives, Molecular
Docking

1. PENDAHULUAN
Diabetes mellitus adalah salah satu penyakit metabolik kronis yang paling umum,
ditandai oleh hiperglikemia kronis dan perkembangan patologi mikrovaskuler dan
makrovaskular khusus diabetes. Hiperglikemia yang berkepanjangan adalah faktor penyebab
utama dari beberapa komplikasi diabetes. Studi klinis prospektif besar menunjukkan
hubungan yang kuat antara glikemia dan komplikasi mikrovaskuler diabetik pada diabetes
tipe 1 dan tipe 2. Untuk pengobatan diabetes melitus dapat digunakan obat-obat yang mampu
mempengaruhi protein Aldosa Reduktase (ALR2) (Boukarai,dkk., 2017).
Enzim Aldosa Reductase (ALR2) adalah enzim yang terdapat di beberapa bagian tubuh
dan berfungsi dalam metabolisme glukosa jalur poliol yang bertanggung jawab dalam
pembentukan fruktosa dan glukosa. Peningkatan aktivitas aldosa reduktease dapat memicu
peningkatan konsentrasi gula darah pada pasien diabetes sehingga insulin menjadi tidak
sensitif (Trueblood & Ramsay, 1998).
Dari penelitian sebelumnya diketahui bahwa Aldosa Reduktase (ALR2) tidak hanya
terikat dengan zopolrestat tetapi terdapat 4 molekul inhibitor yang terikat dengan protein. Hal
ini menunjukkan bahwa protein tersebut dapat berikatan dengan obat antidiabetes dan
membentuk konformasi struktur yang dapat menghambat ALR2 (Steuber et al., 2006).
Protein ALR2 dapat berikatan dengan obat diabetes menyebabkan terjadinya peristiwa
glukosa pada sel diubah menjadi sorbitol fruktosa. Enzim ini mengkonversi glukosa menjadi
polialkohol sorbitol dengan jalur reduksi gugus aldehid glukosa. Dalam keadaan normal
sorbitol dalam sel rendah tetap pada keadaan hiperglikemia kadar sorbitol dalam sel tinggi
dan akan diubah menjadi fruktosa oleh enzim sorbitol dehidrogenase.
Antidiabetes dapat diperoleh dari turunan senyawa flavonoid (Phenyl-benzopyrane) yang
sudah diketahui aktivitasnya sebagai antidiabetes. Flavonoid adalah produk tanaman berbobot
molekul rendah yang berlimpah, di mana-mana ditemukan di berbagai macam tanaman yang
dapat dimakan, buah-buahan, kacang-kacangan, biji-bijian, dan minuman yang berasal dari
tumbuhan, seperti jus dan the (Boukarai,dkk., 2017).
Docking molekular merupakan komputasi untuk memprediksi suatu hubungan apakah
senyawa tersebut mempunya aktifitas sebelum diujikan. Molecular docking dapat dilakukan
dangan banyak software yang berbayar maupun yang gratis. Penelitian in menggunakan
software autodock untuk docking. Percobaan ini bertujuan untuk mengetahui aktivitas
senyawa turunan flavonoid (phenyl benzopyrane) sebagai antidiabetes dalam menghambat
Enzim Aldose Reductase (ALR2). Berdasarkan uraian diatas, dilakukan penelitian tentang
study docking senyawa turunan flavonoid sebagai inhibitor enzim aldose reductase (ALR2)
untuk komplikasi diabetes.
2. METODE PENELITIAN
2.1 Metode Komputasi (Data Set)

Gambar 1. Struktur kimia umum

 Sebanyak 29 senyawa turunan phenyl-benzopyrane (Tabel 1 dan Gambar 1) sebagai agen
inhibitor diambil dari jurnal (Boukarai, Khalil, & Bouachrine, 2017) untuk kemudian diolah
kembali guna mendapatkan aktivitas dari senyawa turunan baru yang lebih baik lagi.
Aktivitas penghambatan dari 29 senyawa tersebut diinterpretasikan dalam bentuk pIC50
dimana pIC50 = −Log IC50.
Tabel 1. Struktur Kimia dan Aktivitas Senyawa Turunan phenyl-benzopyrane

2.2 Optimasi Geometri Senyawa dan Perhitungan Deskriptor

Pada setiap senyawa dari total 29 senyawa, dilakukan optimasi geometri menggunakan
perangkat lunak Chem3D dan Gaussian 09 dengan metode semi empiris (AM1) untuk
mengetahui nilai HOMO-LUMO dan sifat fisikokimia lainnya. Selanjutnya pada setiap
struktur senyawa yang telah dioptimasi dilakukan penginputan seluruh variabel ke perangkat
lunak SPSS versi 18 untuk di olah guna mendapatkan calon deskriptor. Dari hasil pengolahan
data tersebut nantinya akan didapatkan beberapa kombinasi descriptor beserta nilai R,
kemudian dari data tersebut dipilih kombinasi dengan nilai R terbaik yang mendekati 1, guna
mendapatkan data yang linier. Adapun deskriptor yang digunakan dalam penelitian ini
adalah energi total, entropi, MR, Connolly Molecular Area (CMA), dengan R=0,757.
Pemilihan deskriptor tersebut dilakukan dengan mempertimbangkan sifat elektronik, sifat
hidofobisitas, dan sifat sterik senyawa, yang ketiganya menentukan farmakokinetika dan
farmakodinamika obat.

2.3 Identifikasi Senyawa Outlier

Senyawa outlier yaitu senyawa yang nilai aktivitasnya berada di luar daerah kurva
distribusi normal, karena itu biasanya sebelum dilakukan analisis lebih lanjut, senyawa
tersebut dieliminasi dari data set untuk mendapatkan nilai R yang lebih baik atau mendekati
1. Sebelum dilakukan eliminasi dataset dihitung terlebih dahulu nilai LogIC50 prediksinya.
Kemudia dihitung kembali regresi liniernya, jika nilai R2 < 0,81 maka dilanjutkan dengan
mengeliminasi beberapa seyawa outlier (Qubinyi, 1993). Selanjutnya senyawa
dikelompokkan ke dalam training set yang digunakan untuk membangun model HKSA, dan
test set yang digunakan untuk validasi eksternal model HKSA yang telah dibangun.
2.4 Membangun Model HKSA
Model HKSA dibangun dengan menggunakan analisis regresi multi linear dengan
bantuan perangkat lunak SPSS versi 19. Model HKSA menghubungkan deskriptor sebagai
variabel bebas (X) dan nilai LogIC50 aktivitas penghambatan sebagai variabel terikat.
Validitas model HKSA diuji dengan parameter nilai r dan Fhitung/ Ftabel. Persyaratan
statitistik dipenuhi bila nilai r ≥ 0,8 dan nilai F mengindikasikan tingkat signifikansi lebih
baik dari 95% (Qubinyi 1993). Nilai r dan Fhitung didapat dari hasil analisis perangkat lunak
SPSS versi 18 sedangkan nilai Ftabel didapat menggunakan rumus:
F(1-P) = FINV (P, dfq, dfv) (1)
P adalah asas kepercayaan, dfq adalah k-1 dan dfv adalah n-k, k adalah jumlah 4ndicato
dan n adalah jumlah senyawa. Setelah didapat persamaan yang paling baik lalu dihitung
kuadrat koefisien validasi silang (q2) yang merupakan 4ndicator performansi dan stabilitas
model terhadap keseluruhan senyawa yang dianalisis. Untuk model yang dapat dipercaya,
kuadrat koefisien validasi silang q2 sebaiknya ≥ 0,5, dihitung dengan rumus:
( )
Q2 = 1- ( )
(2)
Dimana y adalah aktivitas senyawa , ӯ adalah aktvitas eksperimen rata-rata, y’ adalah
aktivitas prediksi dari senyawa , yang dikomputasi melalui persamaan regresi baru setiap
penghilangan satu nilai data. Pada setiap senyawa data set yang telah dioptimasi kemudian
dilakukan perhitungan nilai descriptor dengan menggunakan aplikasi SPSS. Deskriptor yang
digunakan dalam penelitian ini meliputi 4 deskriptor yang mewakili 3 parameter utama yaitu
parameter hidrofobik, elektronik dan sterik. Deskriptor yang digunakan meliputi Etotal,
Entropi, MR dam CMA. Hasil perhitungan nilai descriptor tiap senyawa yang telah
didapatkan dari hasil perhitungan menggunakann aplikasi SPSS digunakan untuk
membangun persamaan HKSA dengan melakukan regresi multi linier.
Selanjutnya 15 model yang terpilih divalidasi untuk membuktikan apakah model yang
terpilih tersebut benar-benar merupakan model persamaan HKSA yang valid dan prediktif. 15
model tadi yang diperoleh dari analisis regresi multilinier kemudian divalidasi menggunakan
teknik validasi silang (Cross validation). Cara pengujian teknik validasi silang yaitu dengan
menerapkan Leave One Out (LOO) menggunakan kriteria q2. Dengan teknik LOO, setiap
senyawa yang digunakan di hilangkan data aktivitas eksperimennya Setelah dilakukan
analisis dan diperoleh nilai q2 yang telah valid atau memenuhi syarat sehingga maka
persamaan ini bisa dipakai untuk ketahap selanjutnya.

2.5 Desain Senyawa Baru dan Penambatan Molekul

Desain senyawa baru dilakukan dengan cara penambahan subtituen pada senyawa aktif
yang dipilih. Senyawa aktif dipilih dari senyawa yang memiliki aktivitas penghambatan
paling tinggi dengan nilai LogIC50 paling rendah. Desain senyawa baru ini dilakukan dengan
subtitusi pada cincin benzena rantai samping (gugus R). Subtituen dipilih dengan tidak
menggunakan pendekatan metode Craig atau Topliss dengan pertimbangan karena denga
metode tersebut tidak menjamin senyawa yang dihasilkan memiliki aktivitas yang lebih baik.
Studi penambatan molekul dilakukan dengan bantuan perangkat lunak AutoDock 1.5.6.
pada protein ZST yang strukturnya diunduh dari Protein Data Bank dengan kode akses
2PDB. Sisi aktif protein dibuat mengikuti sisi pengikatan ligan alami lebar grid 40 x 36 x 22
pada sisi X Y Z dengan grid point spacing 0.375 Å. Parameter lain digunakan mengikuti nilai
default. Visualisasi hasil penambatan molekul dilakukan dengan Discovery Studio Visualizer
2016.
 3. HASIL DAN PEMBAHASAN
3.1 HKSA
HKSA merupakan hubungan aktivitas antara diskriptor dengan aktivitas atau sifat
biologi, sifat fisik dan sifat toksik suatu senyawa. Model HKSA dibangun menggunakan
teknik regresi multilinier untuk mendapatkan variable yang paling berpengaruh pada kativitas
senyawa dan validasi model HKSA dilakukan menggunakan teknik validasi silang leave one
out (LOO) yang di indikasikan dengan diperolehnya nilai koefisien validasi silang (Q2).
Hasil perhitungan nilai descriptor tiap senyawa menggunakann aplikasi SPSS digunakan
untuk membangun persamaan HKSA dengan regresi multi linier. Analisis multi regresi linier
ini menggunakan variable bebas yang meliputi nilai 4 deskriptor yaitu Etotal, Entropi, MR
dan CMA, variable terikat berupa nilai LogIC50 eksperimen dari masing-masing senyawa
training set.
Model yang terpilih divalidasi untuk membuktikan apakah model yang terpilih benar-
benar merupakan model persamaan HKSA yang valid dan prediktif. Dari 15 model tersebut
kemudian divalidasi menggunakan teknik validasi silang (Cross validation). Nilai Q2 semakin
baik jika mendekati 1. Persamaan dapat diterima jika nilai Q2 ≥0,5 (Tropsha, 2010). Setelah
dilakukan analisis, diperoleh nilai Q2 dari model persamaan yaitu 0,97016 (tabel 2). Hasil
tersebut menunjukkan bahwa model persamaan tersebut telah valid atau memenuhi syarat
sehingga persamaan ini bisa dipakai untuk ketahap selanjutnya. Dengan persamaan yang
diperoleh yaitu :
Log IC50 = 11,929 - (29.925*ETotal) - (0,201*Entropi) + (0,526*MR) - (0,103*CMA) (3)

Tabel 2. Nilai q*2 dari senyawa turunan phenyl-benzopyrane

Log IC50
Senyawa eksperimen ETOTAL ENTROPI MR CMA q*2
(Y)
1 7.55 -0.37641856 161.991 86.708 283.499 0.97016
2 7.47 -0.28902763 180.495 109.726 335.234
3 7.41 -0.37921467 162.489 86.452 278.205
10 6.64 -0.31409452 155.276 83.037 263.658
11 6.62 -0.36355706 168.647 89.755 286.636
12 6.55 -0.31154797 154.472 83.037 263.192
13 6.52 -0.39201831 154.245 78.587 265.458
15 6.09 -0.44183328 167.999 84.676 288.802
17 5.92 -0.37731099 156.52 78.587 265.157
19 5.85 -0.24283802 144.907 83.064 270.217
24 3.54 -0.22087988 160.489 87.833 282.866
25 3.50 -0.30165875 170.862 89.527 293.910
27 3.00 -0.29878528 170.559 89.527 296.305
29 6.46 -0.2013136 130.780 71.832 223.766

Senyawa turunan dibuat untuk menghasilkan senyawa baru dengan aktivitas tinggi.
Optimasi senyawa turunan baru dilakukan menggunakan skema Topliss dan juga cara bebas.
Semakin kecil nilai LogIC50 yang dihasilkan maka aktivitas biologi yang diperoleh dari
senyawa baru akan semakin besar. Dari proses tersebut diperoleh 7 senyawa baru yang
memiliki aktivitas biologi yang lebih besar dibandingkan dengan senyawa acuan yang dilihat
dari turunnya nilai LogIC50. Senyawa baru tersebut sebagai berikut (tabel 3) :
 Tabel 3. Optimasi Senyawa Turunan
Senyawa Log IC50
ETOTAL ENTROPI MR CMA
Turunan Prediksi
Acuan 4.931512597
5-Cl -0.2356 175.592 95.686 309.51 2.146264551
3,5-dikloro -0.2459 180.482 100.477 321.695 2.736704322
OH3 -0.0225 136.483 76.296 227.605 1.85817309
8-Cl -0.297 171.855 94.332 309.147 4.051317403
3-Cl -0.3016 173.993 94.319 308.942 3.772636396
3'-Cl -0.3014 171 94.332 305.714 4.635580577
5-CH3 -0.2402 175.912 95.922 312.728 2.003509673

3.2 Preparasi Reseptor protein ALR2

Gambar 2. Kompleks protein ALR2 dengan ligan inhibitor

(Sumber : Visualisasi Protein Data Bank)

Protein uji yang digunakan adalah protein Alsose Reductase (ALR2) dengan kode PDB
2PDB. Kompleks protein ini terdiri dari ligan alami ZST yang merupakan inhibitor yang
berikatan pada tempat aktif protein ALR2 dan komponen lainnya adalah hydrogen. Enzim ini
berasal dari manusia yang telah di kristalisasikan oleh Stuner H pada tahun 2006, yang
didapat dari metode X-ray diffraction dengan resolusi < 2 Å.

3.3 Preparasi Ligan Uji

Ligan uji berjumlah 7 senyawa turunan flavonoid yang diperoleh dari jurnal penelitian.
Keseluruhan ligan uji dibuat permodelan 2 dan 3 dimensi untuk mengetahui masing-masing
parameter fisikokimianya meliputi E Total, entropi, Molecule Relative (MR), Connoly
Moleculer Area (CMA), dan koefesien partisi (LogIC50).

Tabel 4. Hasil analisis parameter sifat fisikokimia ligan uji.

Ligan Uji ETOTAL ENTROPI MR CMA Log IC50

5-Cl 0.23558732 175.592 95.686 309.51 2.146264551

3,5-dikloro 0.24589037 180.482 100.477 321.695 2.736704322
OH3 -0.0225188 136.483 76.296 227.605 1.85817309
8-Cl 0.29703196 171.855 94.332 309.147 4.051317403
3-Cl 0.30160272 173.993 94.319 308.942 3.772636396
3'-Cl 0.30138164 171.355 94.332 305.714 4.635580577
5-CH3 0.24022836 175.912 95.922 312.728 2.003509673
 3.4 Simulasi Molecular Docking
Simulasi docking dilakukan untuk memprediksi interaksi anatar ligan uji dan reseptor
protein target yang memiliki afinitas terbaik. Reseptor protein yang digunakan adalah ALR2
yang diunduh dari web Protein Data Bank (kode PDB: 2PDB). Pada umumnya struktur
ptotein pada PDB mengandung molekul pelarut berupa air dan residu lainnya sehingga
diperlukan penghilangan molekul air agar tidak menganggu pada saat simulasi docking
dilakukan dan untuk memastikan bahwa benar-benar berinteraksi adalah ligan dan reseptor.
Selain itu juga perlu ditambahkan hydrogen pada protein karena protein tersebut dipreparasi
secara eksperimental melalui X-ray diffraction. Pada kristalografi sinar-X, atom hydrogen
tidak terlihat dalam percobaan. Oleh karena itu, pada sebagian besar file PDB hasil
kristalografi sinar-X dengan resolusi yang kurang baik, atom hydrogen tidak ada pada
struktur. Sehingga simulasi docking perlu dilakukan penambahan hydrogen untuk
mengoptimalkan posisi hydrogen dari struktur yang dihasilkan dan mampu mementukan
posisi yang diinginkan secara energitik dari atom-atom (Muttaqin, 2019).

3.5 Validasi Metode Docking

Validasi docking dilakukan dengan cara docking ulang anatar ligan alami 2PDB (kode
:ZST) dengan reseptor ligan target ALR2 untuk pengecekan validitas parameter yang akan
digunakan untuk docking senyawa uji. Parameter validasi docking adalah ni;ai RMSD (Root
Mean Square Deviation). RMSD menggambarkan seberapa besar perubahan interkasi
protein-ligan pada struktur Kristal sebelum dan sesudah docking. Metode docking dikatakan
valid jika nilai RMSD 2 Å (Muttaqin, 2019).
Hasil validasi metode docking didapatkan grid box point (40 x 36 x 22) dan koordinat
grid box (x,y,z) 16,750 Å, 9,831 Å, -11,181 Å dan nilai RMSD sebesar 0,42 Å yang berarti
parameter metode tersebut memnuhi syarat. Semakin kecil nilai RMSD menunjukkan posisi
ligan hasil penambatan molekul ulang semkain mendekati posisi ligan hasil kristalografi.
Hasil validasi docking menunjukkan nilai binding energy -10,49, konstanta inhibisi (Ki)
sebesar 20,48 nM. Interaksi antar molekul yaitu terbentuknya ikatan hydrogen pada beberapa
residu asam amino yaitu Alanin (ALA), Histidin (HIS), Phenylalamin (PHE), Prolin (PRO),
Treonin (THR), Trytopan (TRP), Cystein (CYS), dan Leucin (LEU).

Tabel 5. Hasil validasi docking

Residu Asam Amino
Ligan alami RMSD Binding Ki Conventional Carbon
(ZST) (Å) Energi (nM) Van der Walls Hydrogen Hydrogen
Bond Bond
3,4-dihydro-4-oxo-3-
((5-trifluoromethyl-2- Cys298,
Ala299, His110,
benzothiazolyl)methyl Leu300,
0,42 -10,49 20,48 Phe115, Pro112, Pro310
)-1-phthalazine acetic Trp111,
Thr113, Trp219
acid Tyr48

3.6 Metode Docking Senyawa Uji

Docking diperoleh beberapa data yang menjadi parameter yang menentukan apakah
senyawa ini lebih baik dari ligan alami. Parameter tersebut diantaranya binding energy,
koefisien inhibisi, dan interaksi antar molekul. Proses docking ini juga bertujuan untuk
memastikan apakah betul senyawa dengan simpulan awal memiliki aktifitas yang lebih baik
 juga betul merupakan senyawa yang juga memiliki interaksi molekul yang mirip dengan ligan
alami dan koefisien inhibisi yang lebih baik atau tidak.
Pengamatan residu asam amino bertujuan untuk mengidentifikasi interaksi yang terjadi
antara ligand an reseptor. Ikatan hydrogen merupakan interkasi yang dapat menstabilkan
ikatan ligan dengan reseptor. Interkasi lain antar ligan yang dapat meningkatkan kestabilan
konformasi adalah interaksi elektrostatik dan interaksi van der Walls (Ferreira et al., 2015).
Interaksi melalui ikatan hydrogen antara ligan uji dengan residu asam amino yang sama
dengan ligan alami menunjukkan kemiripan jenis interaksi dalam hal ini menggambarkan
kemiripan aktivitas (Cosconati et al., 2010).
Menurut Suhadi, Rizarullah and Feriyani (2019) residu asam amino yang berpesan dalam
sisi aktif enzim ALR2 adalah TRP 111, HIS 110, TYR 48, TRP 20, TRP 219, PHE 122, CYS
298, LEU 300 dan CYS 303. Hasil docking senyawa baru memiliki aktivitas dan koefesien
inhibisi yang lebih baik dari ligan alami, namun interkasi antar molekul ikatan hydrogen
dengan residu asam amino yang paling mirip dengan ligan alami adalah seyawa 2 dengan
residu asam amino TRP 20, TYR 40, CYS 298, LEU 300, HIS 110, CYS 303 dan senyawa 7
dengan residu asam aminoTYR 48, LEU 300, TRP 20, CYS 303, dan HIS 110.

Gambar 3. Interaksi senyawa acuan

Gambar 4. Interkasi senyawa 2 Gambar 5. Interkasi senyawa 7

Tabel 6. Interaksi senyawa uji dengan residu asam amino.

Residu Asam Amino
Senyawa Binding Ki
Conventional Carbon Hydrogen
Uji Energy (nM) Van der Walls
Hydrogen Bond Bond
Asn136, His83,
Senyawa 1 -3.46 2.9 Asp136, Glu84 Thr140
Lys85
Phe115, Pro218,
Ala299, Cys298, Cys303,
Senyawa 2 -5.42 106.72 Thr113, Trp20,
Leu300 His110
Tyr48
Senyawa 3 -8.42 670.92 Cys298, His306, Trp20 -
 Phe115, Pro218,
Trp79, Tyr48,
Val47
Asp139, His83, Asn136, Asp134,
Senyawa 4 -4.28 727.8
Lys307, Thr140 Lys85 Glu84
Asn136, His83,
Senyawa 5 -3.93 1.31 Asp139, Glu84 Asp134, Lys85
Thr140
His83, Thr140,
Senyawa 6 -3.79 1.66 Asn136, Lys85 Asp139, Glu84
Lys307
Cys298,
His360,
Leu300, Cys303,
Senyawa 7 -6.35 22.31 Phe115,
Trp20 His110
Thr113, Trp79,
Tyr48, Val47

4. KESIMPULAN
Dari hasil penelitian yang dilakukan senyawa baru turunan dari derivate flavonoid dapat
berinteraksi dengan sisi aktif enzim aldose reductase. Dua ligan dengan interaksi terbaik
ditunjukkan oleh senyawa 2 dan 7 dengan nilai binding energy -5,42 dan -6,35. interkasi
antar molekul ikatan hydrogen dengan residu asam amino yang paling mirip dengan ligan
alami adalah seyawa 2 dengan residu asam amino TRP 20, TYR 40, CYS 298, LEU 300,
HIS 110, CYS 303 dan senyawa 7 dengan residu asam aminoTYR 48, LEU 300, TRP 20,
CYS 303, dan HIS 110.
DAFTAR PUSTAKA
Cosconati, S. et al. (2010) ‘Virtual screening with AutoDock: Theory and practice’, Expert
Opinion on Drug Discovery, 5(6), pp. 597–607
Ferreira, L. G. et al. (2015) Molecular docking and structure-based drug design strategies,
Molecules. doi: 10.3390/molecules200713384.
Muttaqin, F. Z. (2019) ‘Studi Molecular Docking, Molecular Dynamic, Dan Prediksi
Toksisitas Senyawa Turunan Alkaloid Naftiridin Sebagai Inhibitor Protein Kasein
Kinase 2-Α Pada Kanker Leukemia’, Pharmacoscript, 2(1), pp. 49–64.
Qubinyi, H. 1993. Hasch Analysis and Related Approaches, In: Mannhold R, Krogsgaars-
Larsen P, Timmerman H (eds.), VCH, Weinheim, 23-29.
Steuber, H., Zentgraf, M., Gerlach, C., Sotriffer, C.A., Heine, A. & Klebe, G. (2006). Expect
the Unextpected or Caveat for Drug Designers: Multiple Structure Determinations Usin
Aldose Reductase Crystals Treated under Varying Soaking and Co-crystalllisation
Conditions, Journal of Molecular Biology, 363(1): 174–187.
Suhadi, A., Rizarullah, R. and Feriyani, F. (2019) ‘Simulasi Docking Senyawa Aktif Daun
Binahong Sebagai Inhibitor Enzyme Aldose Reductase’, Sel Jurnal Penelitian
Kesehatan, 6(2). 55–65.
Tropsha A. 2010. Best Practice For QSAR Model Development, Validation And
Exploitation. Molecular Informatics. 29 : 476-488
Trueblood, N. & Ramasamy, R. (1998). Aldose Reductase Inhibition Improves Altered
Glucose Metabolism of Isolated Diabetic Rat Hearts, American Journal of Physiology -
Heart and Circulatory Physiology, 275(1): H75–H83.
Y. Boukarai, F. Khalil, M. Bouachrine. 2017. QSAR Study of Flavonoid Derivatives as in
Vitro Inhibitors Agents of Aldose Reductase (ALR2) Enzyme for Diabetic
Complications. JMES, 8 (5), P. 1532-1545.