BAB II.

TINJAUAN PUSTAKA

II.1. Hepatoprotektif

Hepatoprotektif (pelindung hati) adalah senyawa obat yang memiliki efek teurapeutik,
untuk memulihkan, memelihara, dan mengobati kerusakan dari fungsi hati antara lain hepatitis,
sirosis hati, kanker hati, perlemakan hati, abses hati, tumor hati, hemochromatosis, koleasis atau
jaundice (Yusuf dkk., 2017). Senyawa antioksidan dapat menurunkan radikal bebas dengan
kemampuan memblok proses kerusakan oksidatif yang disebabkan oleh radikal bebas dan
menghambat induksi mediator inflamasi dengan memblok pembentukan prostaglandin dengan
jalan menginhibisi enzim COX pada daerah yang terluka dengan demikian mengurangi
pembentukan mediator nyeri (Kurniawan & Bangsawan, 2014).

Hepatoprotektif adalah senyawa obat yang dapat memberikan efek perlindungan pada
hati dari kerusakan fungsi hati. Salah satu cara mengetahui fungsi hati dengan mengukur
aktivitas enzim Serum Glutamic Oxaloacetic Transaminase (SGOT) dan Serum Glutamic
Pyruvic Transaminase pemeriksaan kandungan senyawa – senyawa dalam tubuh dan
pemeriksaan imunokimia, pada SGPT digunakan spektrofotometri dengan mekanisme kerja
mengkatalis reaksi antara L-alanine dan 2-oksoglutarat (Yusuf dkk., 2018).
Hepatoprotektor adalah obat yang mengacu pada obat yang dapat meningkatkan fungsi
hati, regenerasi sel hati dan meningkatkan detoksifikasi yang memperbaiki fungsi hati yaitu N-
Acetylcysteine dan Gluthation. Menurut mekanisme kerja hepatoprotektif dapat dibagi menjadi
obat detoksifikasi, antiinflamasi dari mekanisme asam glycyrrhizin yang dihidrolisis in vivo
oleh glucuronidase menjadi asam glucuronic, pelindung membran dengan memberikan
fosfolipid endogen untuk memperbaiki sel hati dan membran organel yang rusak sehingga dapat
mengembalikan fungsi membran dan meningkatkan fluiditas dan stabilitas membran sel, dan
antioksidan dengan penghambatan ekspersi dan aktivitas NF-κB, IL-1β, IL-18, TNF-α, TGF-β1
(Li dkk., 2022).
II.1.1 Etiologi
Pemeriksaan ekstensif untuk etiologi ALF direkomendasikan, karena ini memandu terapi
terarah dan membantu menentukan hasilnya. Hepatitis virus dan hepatitis yang diinduksi obat
adalah dua penyebab paling umum dari ALF di seluruh dunia. Penyebab lain termasuk cedera
hati akibat hipoksia, sindrom Budd-Chiari akut, penyakit veno-oklusif, konsumsi jamur,
 autoimun, perlemakan hati akut kehamilan, sindrom HELLP (hemolisis, peningkatan enzim
hati, trombosit rendah), sengatan panas dan infiltrasi ganas (dengan metastasis dari kanker
payudara, kanker paru-paru sel kecil dan limfoma) hati (Gawande dkk., 2019). ALF
didefinisikan sebagai perkembangan cedera hati akut yang parah dengan ensefalopati dan
gangguan fungsi sintetik (INR 1,5 atau lebih tinggi) pada pasien tanpa sirosis atau penyakit hati
yang sudah ada sebelumnya dan dengan durasi penyakit kurang dari 26 minggu (Dong dkk.,
2020).
Etiologi gagal hati meliputi hepatotoksisitas Paracetamol, drug-Induced Liper Injury
(DILI), infeksi virus hepatitis maupun non hepatotropik penyakit autoimune oklusi paskular
hepatitis iskemik, Wilson Disease, infiltrasi keganasan, serta kehamilan, sedangkan gagal hati
akut menuju kronis dipengaruhi dua faktor yakni intrahepatik (hepatitis akut dan alkohol) dan
ekstrahepatik (infeksi) (Hadem dkk., 2012).
Infeksi yang disebabkan oleh peritonitis spontan bakteri adalah penyebab paling sering
terjadi yang mampu mempresipitasi kondisi gagal hati akut menjadi kronik. Peritonitis sekunder
dan pneumonia juga mampu mempresipitasi kondisi ini. Sedangkan hepatitis akut yaitu
reaktivasi hepatitis B, koinfeksi hepatitis A dan hepatitis E, penggunaan obat hepatotoksik,
flare-up pada hepatitis autoimun, kondisi iskemia hati yang berlanjut menjadi hipotensi berat
mampu mepresipitasi gagal hati acute on choronic dan konsumsi alkohol (alcohol use disorder)
aktif dapat memicu terjadinya gagal hati akut. Prevalensi dan tingkat keparahan gagal hati akut
lebih tinggi pada sirosis alkoholik yang mengkonsumsi alkohol secara aktif dibandingkan
sirosis alkoholik tanpa konsumsi alkohol aktif maupun sirosis non alkoholik (Soleimanpour
dkk., 2015).
II.1.2 Patofisiologi
Patofisiologi tergantung pada etiologi ALF. Sebagian besar kasus ALF (kecuali
perlemakan hati akut pada kehamilan dan sindrom Reye) akan mengalami nekrosis hepatosit
masif atau apoptosis yang menyebabkan gagal hati yang terjadi karena penapisan ATP yang
menyebabkan pembengkakan sel dan gangguan membran sel (Dong dkk., 2020).
Patofisiologi gagal hati akut juga disebabkan karena terjadinya nekrosis dan apoptosis
yang menyebabkan aktivitas kaskade semakin meningkatnya komponen setres oksidatif
sehingga kematian hepatosit semakin meningkat (Wendon dkk., 2017). Peristiwa gagal hati
acute on chronic terjadi dimana penurunan motilitas usus, peningkatan pH gaster, penurunan
konsentrasi asam empedu menyebabkan pertumbuhan bakteri abnormal yang disebut disbiosis
(Donnelly dkk., 2016). Disbiosis berperan dalam mengaktifkan sitokin inflamasi dan
menyebabkan kegagalan multiorgan yang terjadi.
Patofisiologi gagal hati sangat kompleks dan melibatkan berbagai mekanisme terutama
keterlibatan respon imun yang pada akhirnya menyebabkan komplikasi di berbagai organ tubuh.

Nekrosis terjadi apabila hepatosit mengalami depresi adenosin trifosfat sedangkan apoptosis
mengaktifkan jalur eskade dan berakibat kematian hepatosit. Stres oksisdifit yang terjadi akan
menghasilkan reactive oksigen species (ROS) akan mengaktifkan c-Jun n-N terminal kinase
(JNK) lewat kaskade sehingga terjadi difusi mitokondria dan nekrosis hepatosit berlanjut.
Kejadian ini akan menghasilkan Damage Associated Molecular Patterns (DAMPs) yang
mengaktifkan dan inflammasome. Multiprotein komplek intra sel yang disebut dengan
inflammasomme untuk merespon sinyal bahaya seluler dan mengaktifkan caspase serta
melepaskan IL-1b dan IL-18. Sitokin proinflamasi dikeluarkan sehingga semakin banyak sel
peradangan yang datang dan lebih banyak kematian hepatosit (Cai dkk., 2019).

Pada hati yang normal, amonia akan didetoksifikasi membentuk urea. Sedangkan pada
difusi hati terjadi hiperamonemia. Amonia akan melintasi sawar darah ke otak dan menyebabkan
asterosit sehingga menghasilkan glutamine yang dikatalisis oleh enzim glutamin sintase sebagai
sisa metabolisme. Penurunan sintesis faktor pembekuan darah, peningkatan penggunaan faktor
pembekuan dan penurunan jumlah thrombopoietin merupakan penyebab terjadinya koagulopati
pada gagal hati akut (Elwir & Rahimi, 2017).
 Gambar 1. Patofisiologi Hepatotoksik
II.2 Enzim Transaminase
Enzim ALT/SGPT terdapat pada sel hati, jantung, otot dan ginjal. Porsi terbesar
ditemukan pada sel hati yang terletak di sitoplasma sel hati. AST 30% terdapat didalam
sitoplasma sel hati dan 70% terdapat di dalam mitokondria sel hati. Tinggi kadar SGPT
berhubungan langsung dengan jumlah kerusakan sel. Kerusakan sel akan diikuti peningkatan
kadar SGPT dalam waktu 12 jam dan tetap bertahan dalam darah selam 5 hari (Rosida, 2016).
SGPT atau SGOT disebabkan perubahan permeabilitas atau kerusakan dinding sel hati
sehingga digunakan sebagai penanda gangguan integritas sel hati (hepatoseluler). Peningkatan
enzim sampai 300 U/L tidak spesifik untuk kelainan hati saja, tetapi jika didapatkan
peningkatan lebih dari 1000 U/L dapat dijumpai pada penyakit hati akibat virus, iskemik hati
yang disebabkan hipotensi lama dan gagal jantung akut dan kerusakan hati akibat obat atau zat
toksin. Rasio De Ritis ALT atau AST dapat digunakan untuk membantu dan melihat beratnya
kerusakan hati. Pada peradangan dan kerusakan akut hepatoseluler akan terjadi kebocoran
membran sel sehingga isi sitoplasma keluar menyebabkan ALT meningkat lebih tinggi
dibandingkan AST yang menandakan kerusakan ringan (Oh dkk., 2017).
Sebagai indikator kerusakan hati dapat dilakukan pemeriksaan kandungan senyawa –
senyawa dalam tubuh seperti SGOT, SGPT atau pemeriksaan imunokimia (bila diduga
disebabkan oleh virus) dan pemeriksaan lainnya. Metode yang digunakan pada SGPT yaitu
spektrofotometri dengan prinsip kerja uji menurut International Federation Of Clinical
Chemistry (IFCC), ALT mengkatalis reaksi antara L-alanine dan 2-oksoglutarat. Piruvat yang
terbentuk direduksi oleh NADH dalam satu reaksi dikatalisis oleh laktat dehidrogenase (LDH)
 untuk membentuk laktat dan NAD⁺. Pyridoxal phosphate berfungsi sebagai koenzim dalam
reaksi transferase amino ini memastikan aktivitas enzim penuh (Hermund, 2018).

L-Alanine + 2-oxoglutarate ALT

→
pyruvate + L-glutamate
+¿ LDH ¿
Pyruvate + NADH + H → L-lactate + NAD+¿ ¿

II.2.1 Terapi dan Pengobatan Agen Hepatoprotektif

Sejauh ini, tes Gamma Glutamyl Transferase (GGT) merupakan tes yang paling
akurat untuk mendeteksi kerusakan hati yang diakibatkan oleh alkohol, penggunaan obat –
obatan, virus dan racun. Tes ini juga merupakan tes lanjutan apabila uji fungsi hati yang lain
menunjukan hasil yang tinggi (Nakagawa dkk., 2012).

Sampai saat ini belum dilakukan uji coba klinis yang membuktikan keberhasilan
hepatoprotektif untuk menurunkan ALT, ada ketidaksesuaian antara pemanfaatan obat atau
suplemen hepatoprotektif dengan konsep dasar bukti tetapi apabila di yakini baik dapat
diteruskan seperti pada obat Acetylcysteine (NAC) disetujui FDA untuk mengurangi tingkat
cedera hati setelah overdosis acetaminophen yang digunakan sebagai pengobatan darurat
bekerja dengan bertindak sebagai anti hepatoprotektif dengan mengembalikan glutahtione hati
dan meningkatkan konjugasi sulfat beracun dari paracetamol (Utox Update 2005 Vol7_No1.pdf,
t.t.).

Jamu dapat membantu dalam kasus keracunan hati akibat zat kimia (karbon tetr klorida)
seperti eisenia bicyclis (Kim dkk., 2011). Penggunaan metode Pengobatan GFS yang dapat
menampilkan efek antioksidan yang bekerja langsung pada radikal bebas dapat menghasilkan
peningkatan aktivitas enzimatik darah dan kadar yang terhambat secara signifikan yang
ditunjukan dengan penilaian penandaan hati alanine aminotransferase (ALT) yang dapat
menurunkan bilirubin dan enzim hati ALT tingkat GT dan AST. Distribusi muatan negatif
gugus sulfat dapat membentuk pola yang mungkin mengenali target biologis yang mungkin
terlibat dalam beberapa peristiwa (Will Castro dkk., 2016).

II.3 Senyawa Florotanin

Florotanin adalah kelas khusus fitokimia dominan dalam Alga coklat habitat laut dan
muara seperti eiseni bicyclis. Florotanin dibentuk melalui polimerisasi residu phloroglucinol dan
turunannya melalui jalur poliketida (asetat-malonat). Beberapa dekade terakhir telah melibatkan
 florotanin dengan beberapa bioaktivitas, termasuk antioksidan, antimikroba dan anti human
immunodeficiency virus, sifat anti-HIV (Venkatesan dkk., 2019).

Gambar 2. Struktur florotanin 2D

Florotanin menurut keterkaitannya dengan unit phloroglucinol (PGU). Ada tiga

kelompok utama florotanin yaitu fucol, floroethol dan fucofloroethol dengan bertambahnya
jumlah PGU, keberagaman dan kompleksitas struktur meningkat, karena keterkaitan PGU dapat
bersifat linier atau bercabang atau keduanya (Hermund, 2018).
Ada enam kelas berbeda berdasarkan pengikatan monomer yang ditemukan di cincin
glucinol. Kehadiran ikatan eter memunculkan floroethol dan fuhalol ( isofuhalol dan isoform-
nya) yang memiliki ikatan eter dan fenil dikategorikan sebagai fukofloroethol, yang memiliki
ikatan fenil sebagai fukol. Keterkaitannya di benzodioksil memunculkan floroeckol. Floroethol
terbentuk dari ikatan eter cincin phloroglucinol pada pirsi yang berbeda. Eckol memiliki jenis
guggus -OH yang ditemukan di fuhalol. Eckol ini termasuk phloroeckols, eckol dan dieckol,
fucophloroeckol (eckmaxol, 6, 6′-biekol dan 8, 8′ - bieckol), fucofuroeckol (florofucofuroeckol-
A, florofucofuroeckol-B, dan florofucofuroeckol) dan dioxinodehydroeckol (Okeke dkk., 2021).
II.3.1 Aktivitas Farmakologi Senyawa Florotanin
Florotanin menunjukan aktivitas biologis yang menjanjikan seperti antioksidan yang dapat
memberikan efek salah satunya pemulungan radikal bebas dan perlindungan hati karna sifat
 strukturalnya. Aktivitas antioksidan turunan alami dianggap aman untuk kesehatan manusia.
Florotanin memiliki kemampuan mengais spesies oksigen reaktif (ROS). Kandungan florotanin
yang lebih tinggi menunjukan aktivitas antioksidan yang lebih tinggi, florotanin eisenia bicylis
memiliki aktivitas pemulungan radikal bebas yang signifikan terhadap anion superoksida, yang
lebih efektif dibandingkan asam askorbat dan tokoferol dan lima kali lebih kuat dibandingkan
katekin (Okeke dkk., 2021). Menggabungkan lima senyawa eckol(1), 6,6′-bieckol(2), 8,8′-
bieckol(3), dieckol(4) dan phlorofucofuroeckol A(5) yang dimurnikan menunjukan aktivitas
perlindungan terkuat . Hal ini memunculkan spekulasi bahwa senyawa turunan florotanin dapat
dikembangkan sebagai kandidat potensial untuk agen hepatoprotektif alami (Kim dkk., 2011).
Florotanin erat kaitannya dengan antioksidan karena memiliki kemampuan untuk
mencegah radikal bebas. Mekanisme pencegahan radikal bebas oleh flavonoid dibagi menjadi
tiga yaitu, memperlambat pembentukan reactive oxygen species (ROS), memecah ROS, dan
meregulasi atau proteksi dengan antioksidan juga menstimulasi enzim antioksidan internal,
supresi enzim trkait pembentukan radikal bebas dan mengikat logam. Gugus hidroksil yang
terdapat pada cincin B dianggap mempunyai peran penting dalam pemecahan ROS (Moon dkk.,
2010).
Gugus hidroksi diyakini paling berperan dalam proses pemecahan radikal bebas karena
dapat melakukan proses donor hidrogen yang dapat menstabilkan radikal bebas. Kapasitas
flavonoid sebagai antioksidan secara in vitro telah terbukti dianggap memiliki potensi untuk
dilakukan pengembangan pada industri obat maupun makanan (Panche dkk., 2016).

II.4 Metode Pencarian Senyawa Baru

II.4.1 Virtual Skrining
Virtual skrining hanya dibatasi oleh sifat – sifat dari senyawa yang dapat dihitung secara
komputasi. Perlu pertimbangan lebih lanjut pada skala waktu untuk perhitungan dari database
yang cukup besar atau sampai satu juta senyawa. Ketentuan untuk menggambarkan proses
analisis komputasi dari kumpulan senyawa besar untuk memprioritaskan senyawa yang disintesis
untuk pengujian (Vyas, 2008).
Virtual skrining adalah teknik komputasi yang menggunakan program komputer untuk
mencari hits potensial dari perpustakaan fragmen virtual. Ada dua pendekatan yang banyak
digunakan untuk virtual skrining metode berbasis struktur (docking) dan metode berbasis ligan.
 Virtual skrining disatu sisi cepat dan hemat biaya. ZINC sebagai salah satu database
menawarkan berbagai pustaka yang seperti fragmen termasuk pustaka berorientasi target untuk
virtual skrining (H. Chen dkk., 2017).
Metode yang digunakan tergantung informasi yang didapat sebagai input dan tipe dari
hasil yang dibutuhkan sebagai output. Jika struktur tiga dimensi diketahui, maka penambatan
molekul dapat digunakan, untuk skrining berdasarkan reseptor atau struktur berbasis virtual
skrining. Bila struktur tiga dimensi dan reseptor tidak diketahui maka gunakan model farmakofor
datri ligan bioaktif, metode ini disebut virtual skrining berbasis ligan (Hou & Xu, 2004).

II.4.2 Jenis – jenis Virtual skrining yang gunakan:

A. Pencarian senyawa baru
Penyaringan virtual skrining berbasis kesamaan struktur mengasumsikan bahwa
semua senyawa dalam database yang mirip dengan senyawa kueri memiliki aktivitas biologis
yang serupa. Untuk mencapai efikasi tinggi dari penyaringan basis data dengan kesamaan yang
mengandung jutaan senyawa struktur molekul biasanya diwakili oleh sidik jari ukuran tetap atau
ukuran variabel. Kunci struktural berbasis fragmen cukup baik untuk menangani basis data
kimia kecil dan menengah sedangkan pemrosesan berbasis data besar dilakukan dengan sidik
jari yang memiliki kerapatan informasi yang jauh lebih tinggi (Marchand-Maillet dkk., 2018).
Sebagian besar pendekatan pencarian kesamaan hanya membutuhkan struktur referensi
tunggal, mengambil struktur yang berisi sekumpulan fitur farmakofor yang sudah ditentukan,
Dalam pemetaan dinamis fitur posisi konsensus dipilih dengan menemukan posisi umum dalam
string bit untuk semua senyawa aktif. Algoritma DMC senyawa skala potensi untuk modifikasi
DMC dimana aktivitas senyawa diperhitungkan dan dua metode diakhir dapat dianggap sebagai
penengah antara pencarian kesamaan konvensional dan pendekatan SAR probabilistik (Batista
dkk., 2006).
Metode yang diterapkan secara luas untuk menghitung fitur kimia geometris situs aktif
dan pengaturan substituen ligan dalam ruang 3D. Ada enam fitur farmakofor bawaan yang
tersedia pada dalam modul PHASE hidrogen donor ikatan (D), akseptor ikatan hidrogen (A),
gugus hidrofobik (H), cincin aromatik (R), terionisasi negatif gugus (N) dan gugus terionisasi
positif (P). Fitur umum farmakofor tersedia diantara semua konformer investigasi dari senyawa
yang digunakan membangun situs farmakofor menggunakan pohon algoritma partisi dalam hal
ini dinilai dan diberikan peringkat, selama penilaian dan fase peringkat hipotesis terbaik
diidentifikasi. Algoritma penilaian dalam modul PHASE didasarkan pada kontribusi dari
penyelarasan vektor dan situs poin, selektivitas, tumpang tindih, energi konformasi relatif,
jumlah ligan yang cocok dan biologis aktivitas. Selama analisis farmakofor PHASE berdasarkan
skor dan keselarasan antara keseluruhan hipotesis yang dihasilkan, hipotesis terbaik dipilih yang
memiliki hipotesis lima poin yang terdiri dari donor (D), cincin aromatik (R) yaitu (DRRR. 61.).
Hipotesis yang dipilih memiliki situs skor, skor vektor, skor volume yang memenuhi syarat
ketentuan (Yadav dkk., 2020). Perangkat lunak yang memiliki penilaian yang baik dalam virtual
skrining biasanya menggunakan perangkat lunak Discovery Studio Catalyst, GALHAD, MOE,
PHASE, LiganScout dan Pharmagist (Singh, 2020).
Pharmagist bertujuan untuk mendeteksi farmakofor 3D yang berikatan dengan reseptor,
secara efisien mencari farmakofor dengan skor tertinggi, farmakofor dideteksi dengan
penjajaran fleksibel ganda dari ligan input, dimana fleksibilitas ligan diperlukan secara eksplisit
dan dengan cara deterministik dalam proses penyelarasan dapat digunakan pada situs web
(Pharmagist: http://bioinfo3d.cs.tau.ac.il/PharmaGist/php.php) keuntungan lain dari metode ini
adalah kemampuan untuk mendeteksi farmakofor ligan input, karakteristik terhadap outlier dan
beberapa mode pengikatan (Schneidman-Duhovny dkk., 2008).

Gambar 3. Fitur Pharmagist halaman yang menjelaskan kandidat farmakofor skor teratas
II.5 Protein Data Bank (PDB)
Kumpulan arsip tunggal mengenai satu struktur makromolekul biologi dapat diakses pada
protein data bank (PDB: http://www.pdb.org). Penemuan struktur molekul protein pada PDB
diperoleh menggunakan data eksperimen. Data yang berasal dari kristalogi sinar-X atau
spektroskopi nuclear magnetic resonance (NMR). Program komputer dilakukan untuk membuat
model molekul yang paling sesuai dengan data eksperimen (berman 2002.pdf, t.t.).
Web untuk mengembangkan analisis, visualisasi, dan merupakan sumberdaya dengan arsip
PDB dengan database yang memuat informasi komputasi yang memberikan gambaran struktur
biologis dapat diperoleh dari RSCB protein data bank dan RSCB PDB database di situs (RSCB
PDB, http://www.rscb.org) (Rose dkk., 2012).
Basis data ligan atau untuk sumber database ligan juga dapat menggunakan web situs
PubCham untuk informasi tentang zat kimia dan aktivitas biologisnya terdiri dari tiga database
yang saling terkait, substansi, senyawa dan BioAssay (S. Kim dkk., 2016).
II.6 Database dan Dataset
Database yaitu sekumpulan data yang dikelola berdasarkan ketentuan yang saling berkaitan
sehingga memudahkan dalam pengelolaannya yang dapat digunakan dalam virtual skrining
untuk memperbanyak senyawa aktif biologis untuk mempermudah penggunaan analisis berbasis
data dari protein database (PDB) (Watty dkk., 2017).
Dataset adalah kumpulan data dari senyawa aktif dan tidak aktif yang disajikan dan
digunakan untuk virtual screening berguna untuk memperbanyak senyawa aktif biologis baru
yang mengandung molekul aktif dan tidak aktif digunakan untuk perkembangan (Tran-Nguyen
dkk., 2020).
ZINC merupakan database berisi senyawa yang tersedia secara komersial untuk penyaringan
virtual screening yang tersedia dalam format 3D yang siap berlabuh dengan molekul yang
diwakili dalam bentuk relevan secara biologis. Subset yang berfokus pada target, kemotipe dan
vendor. Situs ini gratis dan dapat diunduh pada situs web (ZINC : http://zinc.docking.org) (Irwin
dkk., 2012).
COCONUT natural product (coconut: https://coconut.naturalproduct.net) yang berisi
kumpulan data gabungan dari natural product yang dijelaskan dan diprediksi yang dikumpulkan
dari sumber terbuka untuk mencari, menelusuri dengan mengunduh secara mudah dan cepat
 (Sorokina dkk., 2021). Dalam metode model farmakofor diperlukan tiga database utama yaitu
active set compound, decoy set compound dan database uji untuk pengerjaan virtual skrining.
II.6.1 Active Set Compound
Senyawa yang sudah terbukti aktif dan memiliki aktivitas sesuai yang diinginkan dari
database. Pemilihan active set compound dapat diakses secara langsung pada ChEMBL (Bai
dkk., 2008). Diantara banyak aplikasi lain, data tersebut memungkinkan peneliti untuk
menyelidiki data SAR yang tersedia untuk target, menyelidiki data fenotipik yang terkait dengan
senyawa serupa dan mengidentifikasi potensi efek diluar target dari kemotip spesifik (Gaulton
dkk., 2017).
ChEMBL merupakan database yang berisikan informasi, ADMET dan fungsional dalam
jumlah besar untuk senyawa bioaktif dapat membantu penerjemahan informasi genom menjadi
senyawa baru yang efektif dari basis data 5,4 juta pengukuran bioaktivitas lebih dari 1 juta
senyawa dan 5.200 target protein yang dipilih sesuai dengan skor yang dihitung dari frekuensi
terjadinya sub struktur melingkar di ChEMBL diikuti dengan pengambilan sampel yang seragam
diseluruh ukuran molekul streocenter dan heteroatom (Bento dkk., 2014).
Penggunaan subset molekul dengan nilai data yang tinggi dilaporkan dari aktivitas pada
target protein tunggal. Kemudian memfilter dengan nilai batas untuk CLscore, diikuti dengan
pengambilan sampel seragam dari subset yang dihasilkan untuk mendapatkan data mencakup
poin yang ditentukan. Molekul dengan probabilitas bioaktivitas yang lebih tinggi memberikan
titik awal yang sangat berbeda untuk dijadikan sebagai sumber inspirasi untuk desain molekuler
(Bühlmann & Reymond, 2020).
Dari kode yang dipilih pada senyawa aktif karena senyawa tersebut memiliki aktivitas yang
sudah terbukti aktif dan dapat menginhibisi dan memilih 40 senyawa aktif yang dilihat dari nilai
IC50 dan memiliki aktivitas yang baik.
II.6.2 Decoy Set Compound
Dataset yang berisi senyawa yang dipastikan tidak aktif dan tidak memiliki aktivitas sebagai
obat yang diinginkan. Decoy set compound dapat diperoleh dari bantuan perangkat lunak
DecoyFinder dapat diunduh melalui situs (http://dude.docking.org) (Cereto-Massagué dkk.,
2012).
DecoyFinder alat untuk menemukan kumpulan molekul umpan untuk kelompok ligan aktif
tertentu dengan menemukan molekul yang memiliki ikatan rotasi, akseptor secara kimiawi
 berbeda, ditentukan oleh ambang nilai tanimoto maksimum antara ligan aktif dan molekul
umpan MACCS sidik jari. Secara opsional ambang nilai maksimum tanimoto dapat diatur
diantara umpan untuk memastikan keragaman bahan kimia dalam rangkaian umpan (Adrià dkk.,
2012).
Algoritma yang digunakan oleh DecoyFinder untuk mencari set umpan akan dijelaskan
secara rinci dan penerapannya di jelaskan dan dibahas. Evaluasi kapasitas untuk memisahkan
senyawa aktif dari umpan adalah metrik kinerja penting yang terkait dengan docking molekuler
atau alur kerja penyaringan virtual. Directory of Useful Decoys (DUD) dan versi yang
disempurnakan (DUD-E) memberikan tolak ukur untuk docking molekuler. DecoyFinder dirilis
untuk mengkonpensasi keterbatasan DUD atau DUD-E untuk membuat set umpan khusus target
(Wang dkk., 2016).
II.6.3 Database Uji
Database yang merupakan data senyawa aktif yang diatur sedemikian rupa dalam virtual
skrining untuk memperbanyak senyawa aktif biologis dan keperluan analisis salah satunya untuk
penggunaan basis data adalah Protein Data Bank, Sekumpulan data yang diatur sehingga dapat
digunakan untuk memudahkan analisis (Marchand-Maillet dkk., 2018).
Database natural Product yaitu terdiri dari AfroDB sebagai database senyawa alami,
AnalytiCon Discovery NP untuk mengembangkan database senyawa, Herbal Ingrediens In-Vivo
Metabolism memberikan informasi mengenai desain obat, farmakognosi, metabolisme obat dan
lain sebagainya, Herbal Ingridients Targets merupapan database yang komprehensif dan
terakurasi untuk melengkapi sumber protein target sebagai obat yang disetujui FDA, IBScreen
NP, Indofine Natural Product yang berisikan senyawa sintetis kompleks heterosiklik dan
senyawa natural products baik untuk derivatif maupun analog, terintegrasi dengan database uji
diperoleh dapat diunduh pada web situs dari coconut natural product (coconut:
https://coconut.naturalproducts.net/download) (Irwin dkk., 2012).
Basis data COCONUT gratis dan terbuka webnya memungkinkan pencarian sederhana
yang beragam berdasarkan nama molekul, InChl, kunci InChl, SMILES, struktur gambar, rumus
molekul, pencarian lanjutan berdasarkan fitur molekuler, bersama dengan pencarian substruktur
dan kesamaan. Basis data dapat diqueri secara terprogram. Antarmuka web, back-end dan
database yang digunakan sebagai wadah docking, untuk menghosting kumpulan natural product
lain dan diterapkan pada instalasi lokal (Sorokina dkk., 2021b). Dalam pengerjaan virtual
 skrining berbasis farmakofor modelling diperlukan 3 dataset dan database utama yaitu senyawa
aktif, senyawa pengecoh dan database uji
II.7 Validasi Virtual Skrining Farmakofor
Metode ini dapat membatasi jumlah senyawa yang akan dievaluasi oleh HTS (High
Throughput Screening) ke subset molekul yang menghasilkan “hit” ketika disaring. Virtual
skrining dapat mengidentifikasi senyawa “hit” yang berpotensi. Docking virtual skrining
berbasis struktur melibatkan ligan dan target protein atau reseptor untuk dapat memperkirakan
afinitas ikatan ligan dan reseptor melalui penilaian (Zhao dkk., 2009).
Validasi farmakofor dilakukan 14 kali validasi farmakofor untuk mendapat nilai yang
terbaik. Hal ini dikarenakan jumlah fitur farmakofor yang terlalu banyak yaitu 17 fitur
farmakofor sehingga model yang dihapus sampai 14 model. 12 fitur terdiri dari interaksi 1
hidrofobik, 1 cincin aromatik, 4 H bond donor dan 6 H bond acceptor yang menghasilkan kurva
ROC yang valid dihasilkan penghapusan. Fitur – fitur farmakofor yang terbentuk menandakan
bahwa pada model 12 memiliki potensi interaksi aktif dari ikatan antar ligan terhadap reseptor
(Suherman dkk., 2020).
Kurva AUC-ROC adalah pengukuran kinerja klasifikasi berbagai pengaturan ambang batas.
ROC adalah kurva probabilitas dan AUC mewakili tingkat keterpisahan. Semakin tinggi nilai
AUC semakin baik model dalam prediksi kurva dapat divisualisasikan sebagai garis lurus
horizontal ke arah sudut kanan atas dimana semua senyawa aktif dan tidak aktif diambil sesuai
dengan spesifisitas dan sensitifitas.Tampilan informasi yang dapat dikenali oleh aplikasi yang
biasa dengan senyawa hit, kurva plot hasil validasi, nilai AUC serta presentasi hasil EF (Arba
Muhammad, 2020).
Pada penelitian hasil nilai ROC lebih dari 0.5 yaitu pada penghapusan 12 fitur. Dari 12 fitur
tersebut, didapatkan jumlah hits dengan nilai AUC dan EF. Fitur farmakofor tersebut memiliki
skor sebesar 58.59 yang akan digunakan untuk proses skrining dan mengurutkannya berdasarkan
nilai skor farmakofor tersebut. Maka, model tersebut dijadikan sebagai ligan yang berinteraksi
dengan reseptor (Muschelli, 2020).
Berdasarkan fitur validasi farmakofor dengan kurva ROC yang valid, kemudian dilakukan
virtual skrining dan didapatkan kandidat senyawa yaitu 1.345 senyawa dari 151.837 senyawa
ZINC Natural Product dan hasil fit skor yang didapatkan yaitu 58.81. Jika nilai fit skor
farmakofor lebih dari 50% fitur tersebut memiliki kereaktifan yang baik. Sedangkan, fitur
 senyawa tersebut dianggap memiliki aktivitas yang kurang apabila nilai skor fit farmakofor 35-5-
%. Rentang nilai skor berkaitan dengan tingkat keaktifan fitur – fitur dari senyawa reseptor
(Elwir & Rahimi, 2017).

Gambar 3. Kurva ROC validasi

II.8 Molekular Docking Menggunakan Autodock Wizard dan Vina Wizard
Kelebihannya mempunyai kecepatan dua kali lipat dibandingkan software molekular
docking sebelumnya dan secara signifikan meningkatkan akurasi prediksi modus pengikatan. Hal
ini secara otomatis menghitung peta grid dan pengelompokan hasil secara transparan (Trott &
Olson, 2009).

Penggunaan software PyRx untuk menjalankan virtual skrining dari platform apapun
sehingga membantu dalam setiap langkah dari proses ini, bermanfaat dalam mendesain obat
secara komputasi juga sebagai mesin visualisasi kuat yang penting untuk mendesain obat
berbasis struktur. Penemuan obat secara komputasi yang dapat menyaring perpustakaan senyawa
terhadap sasaran obat yang potensial dapat diunduh dalam web situs (PyRx :
http://pyrx.sourceforge.net) (Dallakyan & Olson, 2015).

Selanjutnya untuk melihat validasi tahap protein dari vina Wizard dan Autodock dilihat
dari Root Mean Square Devination (RMSD). RMSD merupakan parameter untuk
menggambarkan besar perubahan interaksi protein dan ligan pada struktur yang sesudah re-
docking untuk menyamakan ukuran grid box. Sesuai ukuran gridbox dengan besarnya ligan yang
digunakan untuk docking, grid center untuk posisi gridbox pada proses docking. Vina wizard
berbeda dengan docking yang terlebih dahulu digunakan yaitu Vina Wizard karena memiliki
tingkat akurasi yang baik. Kemudian autodock wizard untuk mendapatkan senyawa yang lebih
baik lagi (Ramírez & Caballero, 2018).

Daftar Pustaka
Adrià, C. M., Garcia-Vallvé, S., & Pujadas, G. (2012). DecoyFinder, a tool for finding decoy
molecules. Journal of Cheminformatics, 4(S1), P2, 1758-2946-4-S1-P2.
https://doi.org/10.1186/1758-2946-4-S1-P2
Arba Muhammad, N. O. (2020). Identification of potential inhibitors for Bruton’s Tyrosine
Kinase (BTK) based on pharmacophore-based virtual screening. Biointerface Research
in Applied Chemistry, 10(3), 5472–5477. https://doi.org/10.33263/BRIAC103.472477
Bai, N., He, K., Roller, M., Zheng, B., Chen, X., Shao, Z., Peng, T., & Zheng, Q. (2008). Active
Compounds from Lagerstroemia speciosa , Insulin-like Glucose
Uptake-Stimulatory/Inhibitory and Adipocyte Differentiation-Inhibitory Activities in
3T3-L1 Cells. Journal of Agricultural and Food Chemistry, 56(24), 11668–11674.
https://doi.org/10.1021/jf802152z
Batista, J., Godden, J. W., & Bajorath, J. (2006). Assessment of Molecular Similarity from the
Analysis of Randomly Generated Structural Fragment Populations. Journal of Chemical
Information and Modeling, 46(5), 1937–1944. https://doi.org/10.1021/ci0601261
Bento, A. P., Gaulton, A., Hersey, A., Bellis, L. J., Chambers, J., Davies, M., Krüger, F. A.,
Light, Y., Mak, L., McGlinchey, S., Nowotka, M., Papadatos, G., Santos, R., &
Overington, J. P. (2014). The ChEMBL bioactivity database: An update. Nucleic Acids
Research, 42(D1), D1083–D1090. https://doi.org/10.1093/nar/gkt1031
Berman2002.pdf. (t.t.).
Bühlmann, S., & Reymond, J.-L. (2020). ChEMBL-Likeness Score and Database
GDBChEMBL. Frontiers in Chemistry, 8, 46. https://doi.org/10.3389/fchem.2020.00046
Cai, J., Wang, K., Jiang, H., & Han, T. (2019). Characteristics, Risk Factors, and Adverse
Outcomes of Hyperkalemia in Acute-on-Chronic Liver Failure Patients. BioMed
Research International, 2019, 1–9. https://doi.org/10.1155/2019/6025726
Cereto-Massagué, A., Guasch, L., Valls, C., Mulero, M., Pujadas, G., & Garcia-Vallvé, S.
(2012). DecoyFinder: An easy-to-use python GUI application for building target-specific
decoy sets. Bioinformatics, 28(12), 1661–1662.
https://doi.org/10.1093/bioinformatics/bts249
Chen, H., Zhou, X., Gao, Y., Chen, H., & Zhou, J. (2017). Fragment-Based Drug Design:
Strategic Advances and Lessons Learned. Dalam Comprehensive Medicinal Chemistry
III (hlm. 212–232). Elsevier. https://doi.org/10.1016/B978-0-12-409547-2.12319-4
Dallakyan, S., & Olson, A. J. (2015). Small-Molecule Library Screening by Docking with PyRx.
Dalam J. E. Hempel, C. H. Williams, & C. C. Hong (Ed.), Chemical Biology (Vol. 1263,
hlm. 243–250). Springer New York. https://doi.org/10.1007/978-1-4939-2269-7_19
Dong, V., Nanchal, R., & Karvellas, C. J. (2020). Pathophysiology of Acute Liver Failure.
Nutrition in Clinical Practice, 35(1), 24–29. https://doi.org/10.1002/ncp.10459
Donnelly, M. C., Hayes, P. C., & Simpson, K. J. (2016). Role of inflammation and infection in
the pathogenesis of human acute liver failure: Clinical implications for monitoring and
therapy. World Journal of Gastroenterology, 22(26), 5958.
https://doi.org/10.3748/wjg.v22.i26.5958
Elwir, S., & Rahimi, R. S. (2017). Hepatic Encephalopathy: An Update on the Pathophysiology
and Therapeutic Options. Journal of Clinical and Translational Hepatology, XX(XX), 1–
10. https://doi.org/10.14218/JCTH.2016.00069
Gaulton, A., Hersey, A., Nowotka, M., Bento, A. P., Chambers, J., Mendez, D., Mutowo, P.,
Atkinson, F., Bellis, L. J., Cibrián-Uhalte, E., Davies, M., Dedman, N., Karlsson, A.,
Magariños, M. P., Overington, J. P., Papadatos, G., Smit, I., & Leach, A. R. (2017). The
ChEMBL database in 2017. Nucleic Acids Research, 45(D1), D945–D954.
https://doi.org/10.1093/nar/gkw1074
Gawande, A., Gupta, G. K., Gupta, A., Wanjari, S. J., Goel, V., Rathore, V., Bhardwaj, H., &
Nijhawan, S. (2019). Acute-on-Chronic Liver Failure: Etiology of Chronic and Acute
Precipitating Factors and Their Effect on Mortality. Journal of Clinical and Experimental
Hepatology, 9(6), 699–703. https://doi.org/10.1016/j.jceh.2019.04.050
Hadem, J., Tacke, F., Bruns, T., Langgartner, J., Strnad, P., Denk, G. U., Fikatas, P., Manns, M.
P., Hofmann, W. P., Gerken, G., Grünhage, F., Umgelter, A., Trautwein, C., & Canbay,
A. (2012). Etiologies and Outcomes of Acute Liver Failure in Germany. Clinical
Gastroenterology and Hepatology, 10(6), 664-669.e2.
https://doi.org/10.1016/j.cgh.2012.02.016
Hermund, D. B. (2018). Antioxidant Properties of Seaweed-Derived Substances. Dalam
Bioactive Seaweeds for Food Applications (hlm. 201–221). Elsevier.
https://doi.org/10.1016/B978-0-12-813312-5.00010-8
Hou, T., & Xu, X. (2004). Recent Development and Application of Virtual Screening in Drug
Discovery: An Overview. Current Pharmaceutical Design, 10(9), 1011–1033.
https://doi.org/10.2174/1381612043452721
Irwin, J. J., Sterling, T., Mysinger, M. M., Bolstad, E. S., & Coleman, R. G. (2012). ZINC: A
Free Tool to Discover Chemistry for Biology. Journal of Chemical Information and
Modeling, 52(7), 1757–1768. https://doi.org/10.1021/ci3001277
Kim, S. M., Kang, K., Jeon, J.-S., Jho, E. H., Kim, C. Y., Nho, C. W., & Um, B.-H. (2011).
Isolation of Phlorotannins from Eisenia bicyclis and Their Hepatoprotective Effect
 against Oxidative Stress Induced by tert-Butyl Hyperoxide. Applied Biochemistry and
Biotechnology, 165(5–6), 1296–1307. https://doi.org/10.1007/s12010-011-9347-3
Kim, S., Thiessen, P. A., Bolton, E. E., Chen, J., Fu, G., Gindulyte, A., Han, L., He, J., He, S.,
Shoemaker, B. A., Wang, J., Yu, B., Zhang, J., & Bryant, S. H. (2016). PubChem
Substance and Compound databases. Nucleic Acids Research, 44(D1), D1202–D1213.
https://doi.org/10.1093/nar/gkv951
Kurniawan, J., & Bangsawan, P. I. (2014). HEPATOPROTECTOR EFFECT ETANOLIC
EXTRACT OF ALOE VERA AGAINST MALONDIALDEHYDE (MDA) LEVELS IN
PLASMA MALE WISTAR RAT (Rattus norvegicus) INDUCED PARACETAMOL.
2015, 3, 1–18.
Li, M., Luo, Q., Tao, Y., Sun, X., & Liu, C. (2022). Pharmacotherapies for Drug-Induced Liver
Injury: A Current Literature Review. Frontiers in Pharmacology, 12, 806249.
https://doi.org/10.3389/fphar.2021.806249
Marchand-Maillet, S., Silva, Y. N., & Chávez, E. (Ed.). (2018). Similarity Search and
Applications: 11th International Conference, SISAP 2018, Lima, Peru, October 7–9,
2018, Proceedings (Vol. 11223). Springer International Publishing.
https://doi.org/10.1007/978-3-030-02224-2
Moon, S.-Y., Chung, D. R., Kim, S.-W., Chang, H. H., Lee, H., Jung, D. S., Kim, Y.-S., Jung, S.
I., Ryu, S. Y., Heo, S. T., Moon, C., Ki, H. K., Son, J. S., Kwon, K. T., Shin, S. Y., Lee,
J. S., Lee, S. S., Rhee, J.-Y., Lee, J.-A., … Song, J.-H. (2010). Changing etiology of
community-acquired bacterial meningitis in adults: A nationwide multicenter study in
Korea. European Journal of Clinical Microbiology & Infectious Diseases, 29(7), 793–
800. https://doi.org/10.1007/s10096-010-0929-8
Muschelli, J. (2020). ROC and AUC with a Binary Predictor: A Potentially Misleading Metric.
Journal of Classification, 37(3), 696–708. https://doi.org/10.1007/s00357-019-09345-1
Nakagawa, H., Isogawa, A., Tateishi, R., Tani, M., Yoshida, H., Yamakado, M., & Koike, K.
(2012). Serum gamma-glutamyltransferase level is associated with serum superoxide
dismutase activity and metabolic syndrome in a Japanese population. Journal of
Gastroenterology, 47(2), 187–194. https://doi.org/10.1007/s00535-011-0477-8
Oh, R. C., Hustead, T. R., Ali, S. M., & Pantsari, M. W. (2017). Mildly Elevated Liver
Transaminase Levels: Causes and Evaluation. 96(11), 1–7.
Okeke, E. S., Nweze, E. J., Chibuogwu, C. C., Anaduaka, E. G., Chukwudozie, K. I., & Ezeorba,
T. P. C. (2021). Aquatic Phlorotannins and Human Health: Bioavailability, Toxicity, and
Future Prospects. Natural Product Communications, 16(12), 1934578X2110561.
https://doi.org/10.1177/1934578X211056144
Panche, A. N., Diwan, A. D., & Chandra, S. R. (2016). Flavonoids: An overview. Journal of
Nutritional Science, 5, e47. https://doi.org/10.1017/jns.2016.41
Ramírez, D., & Caballero, J. (2018). Is It Reliable to Take the Molecular Docking Top Scoring
Position as the Best Solution without Considering Available Structural Data? Molecules,
23(5), 1038. https://doi.org/10.3390/molecules23051038
Rose, P. W., Bi, C., Bluhm, W. F., Christie, C. H., Dimitropoulos, D., Dutta, S., Green, R. K.,
Goodsell, D. S., Prlić, A., Quesada, M., Quinn, G. B., Ramos, A. G., Westbrook, J. D.,
Young, J., Zardecki, C., Berman, H. M., & Bourne, P. E. (2012). The RCSB Protein Data
Bank: New resources for research and education. Nucleic Acids Research, 41(D1), D475–
D482. https://doi.org/10.1093/nar/gks1200
Rosida, A. (2016). Pemeriksaan Laboratorium Penyakit Hati. Berkala Kedokteran, 12(1), 123.
https://doi.org/10.20527/jbk.v12i1.364
Schneidman-Duhovny, D., Dror, O., Inbar, Y., Nussinov, R., & Wolfson, H. J. (2008).
PharmaGist: A webserver for ligand-based pharmacophore detection. Nucleic Acids
Research, 36(Web Server), W223–W228. https://doi.org/10.1093/nar/gkn187
Singh, D. B. (Ed.). (2020). Computer-Aided Drug Design. Springer Singapore.
https://doi.org/10.1007/978-981-15-6815-2
Soleimanpour, H., Safari, S., Rahmani, F., Nejabatian, A., & Alavian, S. M. (2015). Hepatic
Shock Differential Diagnosis and Risk Factors: A Review Article. Hepatitis Monthly,
15(10). https://doi.org/10.5812/hepatmon.27063
Sorokina, M., Merseburger, P., Rajan, K., Yirik, M. A., & Steinbeck, C. (2021a). COCONUT
online: Collection of Open Natural Products database. Journal of Cheminformatics,
13(1), 2. https://doi.org/10.1186/s13321-020-00478-9
Sorokina, M., Merseburger, P., Rajan, K., Yirik, M. A., & Steinbeck, C. (2021b). COCONUT
online: Collection of Open Natural Products database. Journal of Cheminformatics,
13(1), 2. https://doi.org/10.1186/s13321-020-00478-9
Suherman, M., Prasetiawati, R., & Ramdani, D. (2020). (Tamarindus indica L.) ON SELECTIVE
INHIBITOR. 11(2).
Tran-Nguyen, V.-K., Jacquemard, C., & Rognan, D. (2020). LIT-PCBA: An Unbiased Data Set
for Machine Learning and Virtual Screening. Journal of Chemical Information and
Modeling, 60(9), 4263–4273. https://doi.org/10.1021/acs.jcim.0c00155
Trott, O., & Olson, A. J. (2009). AutoDock Vina: Improving the speed and accuracy of docking
with a new scoring function, efficient optimization, and multithreading. Journal of
Computational Chemistry, NA-NA. https://doi.org/10.1002/jcc.21334
Utox Update 2005 Vol7_No1.pdf. (t.t.).
Venkatesan, J., Keekan, K. K., Anil, S., Bhatnagar, I., & Kim, S.-K. (2019). Phlorotannins.
Dalam Encyclopedia of Food Chemistry (hlm. 515–527). Elsevier.
https://doi.org/10.1016/B978-0-08-100596-5.22360-3
Vyas, V. (2008). Virtual Screening: A Fast Tool for Drug Design. Scientia Pharmaceutica,
76(3), 333–360. https://doi.org/10.3797/scipharm.0803-03
Wang, L., Pang, X., Li, Y., Zhang, Z., & Tan, W. (2016). RADER: A RApid DEcoy Retriever to
facilitate decoy based assessment of virtual screening. Bioinformatics, btw783.
https://doi.org/10.1093/bioinformatics/btw783
Watty, M., Syahdi, R. R., & Yanuar, A. (2017). DATABASE COMPILATION AND VIRTUAL
SCREENING OF SECONDARY METABOLITES DERIVED FROM MARINE FUNGI
AS EPIDERMAL GROWTH FACTOR RECEPTOR TYROSINE ABSTRACT
KINASE INHIBITORS. Asian Journal of Pharmaceutical and Clinical Research, 10(17),
142. https://doi.org/10.22159/ajpcr.2017.v10s5.23118
Wendon, J., Cordoba, J., Dhawan, A., Larsen, F. S., Manns, M., Nevens, F., Samuel, D.,
Simpson, K. J., Yaron, I., & Bernardi, M. (2017). EASL Clinical Practical Guidelines on
the management of acute (fulminant) liver failure. Journal of Hepatology, 66(5), 1047–
1081. https://doi.org/10.1016/j.jhep.2016.12.003
Will Castro, L. S. E. P., Gomes Castro, A. J., da S. Nascimento Santos, M., de Sousa Pinheiro,
T., de Quevedo Florentin, K., Alves, L. G., Soriano, E. M., Araújo, R. M., & Leite, E. L.
(2016). Effect of galactofucan sulfate of a brown seaweed on induced hepatotoxicity in
rats, sodium pentobarbital-induced sleep, and anti-inflammatory activity. Journal of
Applied Phycology, 28(3), 2005–2017. https://doi.org/10.1007/s10811-015-0698-y
Yadav, D. K., Kumar, S., Teli, M. K., & Kim, M. (2020). Ligand‐based pharmacophore
modeling and docking studies on vitamin D receptor inhibitors. Journal of Cellular
Biochemistry, 121(7), 3570–3583. https://doi.org/10.1002/jcb.29640
Yusuf, M. I., Muthmainnah, A., & Parawansah, P. (2017). EFEK HEPATOPROTEKTOR
EKSTRAK ETANOL DAUN GALING (Cayratia trifolia L.Domin) PADA TIKUS
PUTIH (Rattus norvegicus). WARTA FARMASI, 6(1), 19–27.
https://doi.org/10.46356/wfarmasi.v6i1.68
Yusuf, M. I., Tee, S. A., Karmila, K., & Jabbar, A. (2018). Efek Hepatoprotektor Ekstrak
Terpurifikasi Batang Galing (Cayratia trifolia L.Domin) Pada Tikus Putih Wistar Jantan
(Rattus noervegicus). Jurnal Mandala Pharmacon Indonesia, 4(1), 13–19.
https://doi.org/10.35311/jmpi.v4i1.18
Zhao, W., Hevener, K. E., White, S. W., Lee, R. E., & Boyett, J. M. (2009). A statistical
framework to evaluate virtual screening. BMC Bioinformatics, 10(1), 225.
https://doi.org/10.1186/1471-2105-10-225