Identifikasi Interaksi Farmakodinamik Senyawa Aktif Tanaman Jamu Diabetes Melitus Tipe 2 Menggunakan Metode Random Forest

Abstract

Interaksi obat-obat didefinisikan sebagai modifikasi efek suatu obat sebagai akibat dari obat lain yang diberikan secara bersamaan atau dengan selang waktu atau bila dua atau lebih obat berinteraksi sehingga keefektifan atau toksisitas suatu obat atau lebih berubah. Interaksi farmakodinamik merupakan salah satu jenis interaksi yang perlu mendapat perhatian khusus karena interaksi ini bekerja secara langsung pada sistem fisiologis tubuh dan bersaing pada reseptor yang sama sehingga dapat bersifat antagonis, aditif, atau sinergis. Oleh karena itu, identifikasi interaksi farmakodinamik perlu dilakukan untuk kemudian dapat diketahui apakah dua obat yang berinteraksi akan berdampak semakin baik atau justru menghambat proses penyembuhan. Konsumsi obat-obatan untuk proses penyembuhan suatu penyakit dalam jangka waktu yang lama akan menyebabkan efek samping yang terakumulasi dan dapat merugikan kesehatan. Untuk mengantisipasi hal ini, penggunaaan tanaman obat menjadi suatu alternatif karena selain efek sampingnya yang relatif lebih aman, tanaman obat yang mengandung senyawa aktif cocok untuk mengobati penyakit metabolik degeneratif yang dipicu oleh mutasi pada banyak gen. Seperti halnya interaksi obat-obat, interaksi senyawa aktif dalam tanaman obat juga dapat menyebabkan terjadinya interaksi farmodinamik. Oleh karena itu, perlu juga dilakukan identifikasi interaksi senyawa aktif sehingga selanjutnya dapat diketahui apakah interaksi senyawa tersebut akan menguntungkan atau merugikan kesehatan. Selanjutnya, ide pendekatan komputasi menggunakan informasi keterhubungan protein target, kesamaan efek samping, dan kesamaan struktur senyawa dilakukan untuk dapat mengidentifikasi interaksi senyawa aktif secara lebih cepat dan efisien dibandingkan dengan metode eksperimental. Pada penelitian ini, identifikasi farmakodinamik diterapkan pada senyawa tanaman obat Diabetes Melitus Tipe 2 yaitu pare (Momordica charantia), sembung (Blumea balsamifera), bratawali (Tinospora crispa), dan jahe (Zingiber officinale) dengan menggunakan peubah penjelas Target Protein Connectedness (TPC), Side Effect Similarity (SES), dan Chemical Similarities (CS) menggunakan metode klasifikasi Random Forest. Pembuatan model klasifikasi dilakukan dengan menggunakan data obat yang berinteraksi farmakodinamik dan tidak berinteraksi pada pangkalan data DrugBank dengan informasi ketiga peubah penjelas TPC, SES dan CS. Berbagai tahapan dilakukan untuk meningkatkan nilai kebaikan model diantaranya melakukan interaksi pada peubah penjelas, penanganan data imbalance, normalisasi data, dan tuning parameter. Dari pencarian di berbagai pangkalan data, diperoleh 21 senyawa aktif dari tanaman jamu Diabetes Melitus Tipe 2 yaitu Quercetin, Benzoic acid, Lycopene, beta- Carotene, Zeaxanthin, Chlorogenic acid, beta-Sitosterol, Squalene, Lutein, Rutin, Melatonin, Eucalyptol, Camphor, Geraniol, Ascorbic acid, Genistein, Curcumin, Linalool, Methylglyoxal, Propyl alcohol, dan Glafenine. Kemudian dari 21 senyawa ini, hanya 100 interaksi senyawa yang dapat dihitung peubah penjelas TPC, SES, dan CS yang kemudian diterapkan pada model klasifikasi Random Forest. Dengan nilai akurasi dan AUC 0,963, terdapat 93 pasang senyawa yang berinteraksi secara farmakodinamik dan 7 sisanya tidak berinteraksi.

Drug-drug interactions are defined as modification of the effects of a drug as a result of another drug taken together or with an interval or when two or more drugs interact, which alters the effectiveness or toxicity of one or more drugs. Pharmacodynamic interactions are one type of interaction that needs special attention because these interactions work directly on the body's physiological systems and compete on the same receptors so they can be antagonistic, additive, or synergistic. Therefore, identification of pharmacodynamic interactions needs to be done to then be able to know whether the two drugs that interact will have a better effect or actually inhibit the healing process. Consumption of drugs for the healing process of a disease over a long period of time will cause side effects that accumulate and can be detrimental to health. To anticipate this, the use of medicinal plants can become an alternative because in addition to its relatively safer side effects, medicinal plants containing active compounds are suitable for treating degenerative metabolic diseases triggered by mutations in many genes. As with drug interactions, interactions of active compounds in medicinal plants can also lead to pharmacodynamic interactions. Therefore, it is also necessary to identify the interaction of active compounds so that it can be further known whether the interaction of the compounds will be beneficial or detrimental to health. Furthermore, the idea of a computational approach using target protein connectedness, side effect similarity, and chemical similarities is carried out to be able to identify the interaction of active compounds more quickly and efficiently compared to the experimental method. In this study, pharmacodynamic identification was applied to Diabetes Mellitus Type 2 medicinal plant compounds namely pare (Momordica charantia), sembung (Blumea balsamifera), bratawali (Tinospora crispa), and ginger (Zingiber officinale) by using Target Protein Connectedness (TPC), Side Effect Similarity (SES), and Chemical Similarities (CS) using the Random Forest classification method. The classification model was performed using pharmacodynamically interacting and non-interacting drug data on the DrugBank database with the information of the three explanatory variables TPC, SES and CS. Various stages were carried out to increase the value of the goodness of the model, including interacting with explanatory variables, handling imbalanced data, normalizing data, and tuning parameters. From searches in various databases, 21 active compounds were obtained from the medicinal plants for Type 2 Diabetes Mellitus, namely Quercetin, Benzoic acid, Lycopene, beta-Carotene, Zeaxanthin, Chlorogenic acid, beta-Sitosterol, Squalene, Lutein, Rutin, Melatonin, Eucalyptol, Camphor, Geraniol, Ascorbic acid, Genistein, Curcumin, Linalool, Methylglyoxal, Propyl alcohol, and Glafenine. Of these 21 compounds, only 100 compound interactions could be calculated as explanatory variables TPC, SES, and CS which were then applied to the Random Forest classification model. With an accuracy value and AUC of 0,963, 93 pairs of compounds interacted pharmacodynamically while the remaining 7 did not interact.