Peneliti dari Research Center for Quantum Engineering Design, Universitas Airlangga (UNAIR) berkolaborasi dengan peneliti dari Universiti Teknologi Malaysia dan the University of Osaka, telah mengembangkan metode baru untuk mempelajari perilaku molekul fleksibel seperti kurkumin. Kurkumin, senyawa aktif dalam kunyit, dikenal memiliki berbagai potensi terapeutik, termasuk sebagai antioksidan, anti-inflamasi, dan agen anti-Alzheimer. Namun, fleksibilitasnya yang tinggi membuat prediksi sifat kimianya secara komputasi menjadi tantangan besar.
Studi yang diterbitkan di Journal of Molecular Modeling ini berjudul “Probing curcumin reactive conformers in keto-enol tautomerization enhanced by clustering with t-SNE”. Penelitian ini diketuai oleh Ira Puspitasari dan dikonseptualisasikan bersama Febdian Rusydi, keduanya dari Fakultas Sains dan Teknologi, UA.
Apa itu tautomerisasi keto-enol dan mengapa penting?
Kurkumin dapat berada dalam dua bentuk struktur utama: keto dan enol. Proses pertukaran antara kedua bentuk ini disebut tautomerisasi. Bentuk enol diyakini memainkan peran penting dalam aktivivtas biologis kurkumin, termasuk kemampuannya menghambat agregasi protein penyebab Alzheimer. Memahami jalur dan energi yang dibutuhkan untuk proses ini sangat penting untuk mengoptimalkan pemanfaatannya sebagai obat.
Tantangan: banyaknya konformer
Molekul fleksibel seperti kurkumin dapat menekuk dan berputar, menghasilkan ribuan bahkan jutaan bentuk geometri yang berbeda yang disebut konformer. Mencari konformer mana yang paling relevan untuk reaksi kimia adalah seperti mencari jarum di tumpukan Jerami. Metode komputasi tradisional, seperti perhitungan komputasi, sangat mahal untuk diterapkan pada semua kemungkinan bentuk ini.
Solusi inovatif: menggabungkan simulasi, machine learning, dan perhitungan komputasi
Tim peneliti merancang alur kerja efektif yang menggabungkan tiga pendekatan untuk mengatasi kompleksitas tersebut. Pertama, menghasilkan ribuan kandidat conformer kurkumin secara efisien menggunakan simulasi metadynamics. Kedua, machine learning (dengan descriptor Coulomb Matrix dan reduksi dimensi t-SNE) digunakan untuk mengelompokkan conformer tersebut dan memilih sedikit perwakilan yang paling mewakili keanekaragaman strukturnya. Ketiga, conformer perwakilan ini dianalisis secara akurat dengan perhitungan komputasi menggunakan densituy-functional theory untuk memetakan energi dan jalur reaksi tautomerisasi. Strategi ini mengubah tantangan “banyaknya konformer” menjadi sekelompok data yang terpilih, representatif, dan siap dihitung secara akurat.
Temuan kunci
Analisis dengan metode baru ini berhasil mendapatkan keragaman konformer kurkumin yang lebih luas dibandingkan penelitian kami sebelumnya. Hal ini menghasilkan konformer paling stabil dengan distribusi muatan yang lebih optimal, serta energi aktivasi untuk tautomerisasi yang lebih rendah. Penurunan sebesar 1.14 kkal/mol (atau lebih dekat dengan) ini signifikan secara kinetika dan menghasilkan keadaan transisi dengan geometri yang lebih menguntungkan, menunjukkan bahwa pemilihan konformer awal yang lebih representatif langsung meningkatkan akurasi pemodelan reaksi.
Implikasi dan masa depan
Penelitian ini tidak hanya memberikan wawasan lebih dalam tentang kimia kurkumin, tetapi juga memperkenalkan alur kerja yang dapat diterapkan untuk mempelajari molekul fleksibel lainnya, seperti dalam desain obat dan material. Integrasi antara simulasi, machine learning, dan metode komputasi kuantum ini membuka jalan bagi penelitian kimia komputasi yang lebih efisien dan akurat, mempercepat penemuan senyawa-senyawa bioaktif baru.
Penulis: Ira Puspitasari
Informasi Detail:
Probing Curcumin Reactive Conformers in Keto-enol Tautomerization Enhanced by Clustering with t-SNE. DOI: https://doi.org/10.1007/s00894-025-06621-3
https://link.springer.com/article/10.1007/s00894-025-06621-3
