Analisis Jejaring Interaksi Protein-Protein untuk Mengidentifikasi Protein Penting Terkait Hiperinflamasi pada COVID-19

Abstract

Coronavirus Disease 2019 (COVID-19) akan menyebabkan komplikasi penyakit dan kerusakan organ akibat reaksi inflamasi yang berlebihan jika tidak ditangani. Pada inflamasi, protein dapat menjadi biomarker sebagai penanda kerusakan pada organ. Oleh karena itu, pencarian protein-protein penting sangat diperlukan. Dalam menjalankan fungsinya, protein saling berinteraksi dengan protein lainnya satu sama lain membentuk jejaring interaksi protein-protein (PPI). Analisis komputasional pada jejaring PPI dapat dilakukan dengan berbagai cara, termasuk analisis topologi dan pengelompokan jejaring PPI. Analisis topologi dapat mengidentifikasi protein penting dengan centrality measure dari setiap node sedangkan clustering pada jejaring PPI dapat digunakan memprediksi protein penting dengan membentuk kompleks protein. Data protein dan PPI pada manusia digunakan pada penelitian ini. Terdapat 57 protein yang terkait dengan COVID-19 dan terdapat 357 protein dan 1686 interaksi pada data PPI. Hasil penelitian ini terdiri dari dua cluster dengan cluster terbaik adalah cluster pertama karena memiliki nilai density dan quality yang lebih tinggi serta p-value yang lebih rendah tetapi memiliki rata-rata nilai overall centrality yang mendekati cluster kedua. Terdapat 20 protein penting dalam cluster tersebut dan semuanya berpengaruh pada COVID-19. Protein ini diharapkan dapat digunakan dalam proses penemuan senyawa obat pada COVID-19. Pada kasus COVID-19, pencarian protein-protein penting perlu dikaitkan dengan ontologi gen (GO) karena dampak hiperinflamasi. Oleh karena itu, dari hasil protein penting tersebut dilakukan enrichment analysis untuk mengetahui asosiasi protein-protein tersebut dengan GO. GO yang akan dianalisis adalah fungsi molekuler, komponen seluler, dan proses biologis. Salah satu metode yang tepat untuk melakukan pengelompokkan data PPI skala besar menjadi cluster dengan skala kecil secara fungsional adalah Fuzzy K-Partite Clustering karena pendekatan fuzzy mampu melakukan overlap clustering. Hal ini penting karena setiap jaringan biologis bersifat multi fungsi sehingga memungkinkan protein masuk ke dalam lebih dari satu cluster. Dari 20 protein penting yang diperoleh dari proses sebelumnya, ada sebanyak 65 jenis GO fungsi molekuler (tanpa protein IFI6 karena IFI6 tidak berasosiasi dengan GO fungsi molekuler satupun), 55 jenis GO komponen seluler, dan 274 jenis GO proses biologis. Dari ketiga hasil clustering bipartite graph, penelitian ini menunjukkan bahwa empat protein penting berhubungan dengan 25 GO fungsi molekuler, tiga protein penting berhubungan dengan 22 GO komponen seluler, dan satu protein penting berhubungan dengan 101 GO proses biologis. Semua GO fungsi molekuler dan GO komponen seluler, serta sembilan dari 14 GO proses biologis pada cluster yang dihasilkan berasosiasi dengan sitokin signifikan pada badai sitokin COVID-19.