Rangkaian Farmakologi: Pendekatan Baharu dalam Penyelidikan Sebatian Bioaktif Bahan Semula Jadi

Dalam dunia penyelidikan sains farmaseutikal, bahan semula jadi seperti herba dan tumbuhan ubatan terus mendapat perhatian kerana mengandungi pelbagai sebatian bioaktif yang berpotensi merawat pelbagai penyakit. Selain daripada ujikaji makmal, pendekatan rangkaian farmakologi (network pharmacology) digunakan untuk memahami interaksi kompleks antara sebatian bioaktif tumbuhan ubatan dan sasaran biologi dalam tubuh manusia. Kaedah ini telah diaplikasikan dalam pelbagai bidang penyelidikan, termasuk kajian diabetes dan sindrom metabolik, di mana ekstrak pelbagai tumbuhan herba didapati mempengaruhi pelbagai reseptor laluan isyarat seperti isyarat insulin dan reseptor peroksisom-proliferator (Singh et al., 2024). Dalam penyelidikan kanser, rangkaian farmakologi membantu mengenal pasti kombinasi bahan bioaktif yang berpotensi menyekat pertumbuhan tumor melalui mekanisme pelbagai sasaran secara serentak (Tang et al., 2014).

Apa Itu Rangkaian Farmakologi?

Rangkaian farmakologi ialah bidang penyelidikan yang menggabungkan biologi sistem, bioinformatik, dan analisis rangkaian untuk memahami mekanisma tindakan ubat atau sebatian bioaktif secara menyeluruh. Rangkaian farmakologi menganalisis bagaimana pelbagai sebatian dalam sesuatu ekstrak atau bahan semula jadi berinteraksi dengan pelbagai sasaran protein atau gen sekaligus.

Sebagai contoh, satu ekstrak tumbuhan boleh mengandungi puluhan atau ratusan fitokimia. Setiap sebatian ini mungkin mempunyai kesan terhadap beberapa protein dalam tubuh, dan seterusnya mempengaruhi pelbagai laluan biologi (biological pathways). Rangkaian farmakologi membolehkan penyelidik membina peta rangkaian interaksi (interaction networks) untuk melihat hubungan antara sebatian, protein, dan penyakit secara lebih menyeluruh.

Kelebihan Rangkaian Farmakologi

1. Pendekatan Pelbagai Sasaran (Multi-Target Approach)

Penyakit kronik seperti kanser, diabetes, dan sindrom metabolik tidak berpunca daripada satu faktor sahaja, tetapi hasil daripada interaksi pelbagai gen, protein, dan laluan biologi. Rangkaian farmakologi membolehkan kita melihat keberkesanan sesuatu bahan bioaktif pada pelbagai gen atau laluan metabolik sekaligus, berbanding hanya menilai kesannya pada satu protein sasaran.

2. Menyokong Penyelidikan Bahan Semula Jadi

Tumbuhan ubatan biasanya mempunyai bahan bioaktif yang kompleks. Kaedah tradisional memerlukan pemisahan dan pengujian setiap sebatian secara individu, yang mengambil masa agak lama. Dengan rangkaian farmakologi, penyelidik boleh mengutamakan bahan bioaktif utama berdasarkan maklumat dari pangkalan data sedia ada sebelum menjalankan kajian makmal, sekaligus menjimatkan kos dan masa.

3. Integrasi Data Besar (Big Data)

Pendekatan ini memanfaatkan pangkalan data bioinformatik seperti TCMSP (Traditional Chinese Medicine Systems Pharmacology), SwissTargetPrediction, dan KEGG untuk mengenal pasti interaksi sebatian bioaktif-protein. Gabungan data dari pelbagai sumber meningkatkan ketepatan ramalan mekanisme tindakan.

4. Sokongan kepada Kajian di Makmal

Rangkaian farmakologi tidak menggantikan kajian makmal sepenuhnya, tetapi berfungsi sebagai alat sokongan untuk reka bentuk eksperimen. Integrasi antara rangkaian farmakologi dan ujikaji makmal dapat menjimatkan kos dan masa kerana penyelidik boleh merancang ujian in vitro dan in vivo dengan lebih terarah berdasarkan hasil analisis rangkaian daripada rangkaian farmakologi.

Proses Asas Rangkaian Farmakologi

1. Perlombongan Data (Data Mining)

Langkah awal dalam kajian rangkaian farmakologi ialah mengenal pasti sebatian bioaktif daripada tumbuhan ubatan serta sasaran gen atau protein yang berkaitan dengan penyakit. Sebatian aktif boleh diperoleh melalui carian literatur, analisis spektrofotometer atau pangkalan data awam seperti TCSMP dan Knapsack. PubChem juga merupakan pangkalan data yang sering digunakan untuk mendapatkan maklumat terperinci berkait struktur kimia dan canonical SMILES. Maklumat ini penting untuk meramalkan interaksi molekul dengan sasaran biologi.

Selain bergantung pada data literatur, sasaran gen juga boleh dikenal pasti melalui eksperimen sebenar, contohnya analisis profil ekspresi gen menggunakan teknologi mikroarray atau penjujukan RNA. Kaedah ini membantu menjelaskan mekanisma molekul bahan herba dalam merawat pelbagai penyakit.

2. Pembinaan dan Analisis Rangkaian (Network Construction and Analysis)

Selepas mengenal pasti sasaran gen dan sebatian aktif, langkah seterusnya ialah membina rangkaian interaksi. Alat seperti diagram Venn digunakan untuk mencari gen atau protein yang bertindih antara penyakit dan sebatian bioaktif. Gen yang bertindih ini dikenali sebagai gen sasaran

Seterusnya, analisis interaksi protein–protein (PPI) dijalankan untuk melihat hubungan antara gen sasaran. Analisis PPI sering dijalankan dengan menggunakan String.db and Cytoscape. Analisis ini membantu mengenal pasti gen hub, iaitu gen penting dengan tahap keterhubungan yang tinggi antara gen lain, sekali gus memberikan gambaran tentang peranan gen tersebut dalam patogenesis penyakit yang dikaji.

Untuk memahami fungsi biologi gen sasaran, analisis pengkayaan fungsi gen seperti Gene Ontology (GO) dan KEGG Pathway digunakan. Kaedah ini membolehkan penyelidik mengenal pasti laluan biologi utama atau proses molekul yang terlibat, seperti keradangan, metabolisme glukosa, atau apoptosis.

3. Validasi Hasil

Hasil ramalan rangkaian farmakologi perlu disahkan melalui pelbagai kaedah. Kaedah  berasaskan komputer seperti dok molekul (molecular docking) dan pendekatan eksperimen. Dok molekul digunakan untuk meramalkan tapak pengikatan antara bahan bioaktif dengan protein sasaran, dan menilai tenaga pengikatan. Ujian makmal secara in vitro dan in vivo membuktikan keberkesanan sasaran molekul menggunakan sel atau model haiwan ujikaji.

Kesimpulan

Rangkaian farmakologi merupakan pendekatan moden yang menyatukan sains data, bioinformatik, dan farmakologi untuk mempercepatkan penemuan ubat baharu, khususnya daripada sumber alami  yang kompleks. Kaedah ini bukan sahaja membantu memahami interaksi pelbagai bahan bioaktif di dalam herba dan tumbuhan ubatan, tetapi juga memberi panduan untuk merancang kajian makmal dengan lebih efisien. Dengan kepesatan teknologi analisis big data, rangkaian farmakologi dijangka menjadi pendekatan utama dalam pembangunan produk semula jadi yang lebih selamat dan berkesan pada masa hadapan.

Rujukan:

1.      Li, L., Yang, L., Yang, L., He, C., He, Y., Chen, L., Dong, Q., Zhang, H., Chen, S., & Li, P. (2023). Rangkaian farmakologi: a bright guiding light on the way to explore the personalized precise medication of traditional Chinese medicine. Chinese medicine, 18(1), 146. https://doi.org/10.1186/s13020-023-00853-2

2.      Lee, W. Y., Park, K. I., Bak, S. B., Lee, S., Bae, S. J., Kim, M. J., Park, S. D., Kim, C. O., Kim, J. H., Kim, Y. W., & Kim, C. E. (2024). Evaluating current status of rangkaian farmakologi for herbal medicine focusing on identifying mechanisms and therapeutic effects. Journal of advanced research, S2090-1232(24)00618-0. Advance online publication. https://doi.org/10.1016/j.jare.2024.12.040

3.      Singh, A. K., Kumar, P., Mishra, S. K., Tiwari, K. N., Singh, A. K., Pandey, A. K., Shati, A. A., Alfaifi, M. Y., Elbehairi, S. I., & Sayyed, R. Z. (2024). A rangkaian farmakologi approach with experimental validation to discover protective mechanism of poly herbal extract on diabetes mellitus. Journal of King Saud University - Science, 36(4), 103138. https://doi.org/10.1016/j.jksus.2024.103138

4.      Tang, J., & Aittokallio, T. (2014). Rangkaian farmakologi strategies toward multi-target anticancer therapies: from computational models to experimental design principles. Current pharmaceutical design, 20(1), 23–36. https://doi.org/10.2174/13816128113199990470