Prediksi Potensi Senyawa pada Daun Kemuning sebagai Antiobesitas Menggunakan Multi-Network Clustering

Abstract

Penelitian ini menerapkan pendekatan farmakologi jaringan (network pharmacology) secara komputasional dengan kerangka kerja Multi-Network Clustering (MNC) untuk menganalisis jaringan protein dan domain yang berkaitan dengan potensi antiobesitas daun kemuning (Murraya paniculata). Sebanyak 16 senyawa hasil analisis LC–MS dari Fatriani et al. (2024) diseleksi berdasarkan galat massa ±5 ppm dan drug-likeness menggunakan SwissADME. Target protein diprediksi menggunakan SuperPred dan diintegrasikan dengan data gen terkait obesitas dari OMIM. Setelah pemetaan, standardisasi UniProt ID, penyaringan, dan deduplikasi, diperoleh 559 protein unik. Data PPI, DDI, dan PDA dari STRING, 3DID, dan Pfam kemudian dikonstruksi dalam bentuk matriks dan diintegrasikan dalam kerangka MNC. Algoritma MNC menggunakan MCL sebagai inisialisasi dan melakukan optimasi fungsi objektif melalui pembaruan ? dan H hingga konvergen pada iterasi ke-468. MNC menghasilkan 13 klaster dibandingkan 63 klaster pada MCL, dengan peningkatan ukuran rata-rata dan kerapatan modul masing-masing sebesar 27,26% dan 11,08%. Validasi dan pembobotan multi kriteria mengidentifikasi Cluster_2 dan Cluster_4 sebagai klaster terkuat. Analisis sentralitas mengidentifikasi ESR1, EP300, dan CREBBP sebagai protein hub utama. Citric acid dan murraol teridentifikasi sebagai kandidat senyawa yang berpotensi berinteraksi dengan target tersebut, sedangkan EP300 dan CREBBP memiliki tujuh domain fungsional Pfam yang mendukung perannya dalam regulasi transkripsi dan metabolisme yang berkaitan dengan obesitas. Hasil ini menunjukkan bahwa integrasi PPI, DDI, dan PDA melalui MNC dapat digunakan untuk mengidentifikasi kandidat target dan senyawa anti-obesitas dari M. paniculata.

This study applied a computational network pharmacology approach using the Multi-Network Clustering (MNC) framework to analyze the protein and domain networks associated with the antiobesity potential of kemuning leaves (Murraya paniculata). A total of 16 compounds identified via LC–MS analysis by Fatriani et al. (2024) were selected based on a mass error of ±5 ppm and drug-likeness assessed using SwissADME. Target proteins were predicted using SuperPred and integrated with obesity-related gene data from OMIM. Following mapping, UniProt ID standardization, filtering, and deduplication, 559 unique proteins were identified. PPI, DDI, and PDA data from STRING, 3DID, and Pfam were then organized into matrices and integrated into the MNC framework. The MNC algorithm used MCL for initialization and optimized the objective function by updating ? and H until convergence at the 468th iteration. MNC produced 13 clusters compared to 63 clusters in MCL, with increases in average module size and density of 27.26% and 11.08%, respectively. Multi-criteria validation and weighting identified Cluster_2 and Cluster_4 as the strongest clusters. Centrality analysis identified ESR1, EP300, and CREBBP as the main hub proteins. Citric acid and murraol were identified as candidate compounds that could potentially interact with these targets, while EP300 and CREBBP possess seven Pfam functional domains that support their roles in the network.