penggunaan PyPLIF HIPPOS untuk kompleks protein-ligan yang berasal bukan dari luaran PLANTS maupun AutoDock Vina. Hal ini membuka peluang pembuatan workaround untuk analisis interaksi protein-ligan selama simulasi dinamika molekul. Luaran simulasi pada Bab 3 menjadi objek untuk pembuatan skrip-skrip workaround ini.
Tahap berikutnya adalah konversi berkas-berkas berformat sim luaran YASARA-Structure menjadi berkas berformat pdb. Saya mengawali proses ini dengan membuat folder baru “analisis” di folder
“D:\tmp_PD2021_mmp9\10b_15ns” dan menjadikannya sebagai working directory. Berkas-berkas berformat sim mulai dari 4h3x-10b00000.sim hingga 4h3x-10b01500.sim beserta 4h3x-10b_water.sce dikopikan dari
“D:\tmp_PD2021_mmp9\10b_15ns”. Kemudian dibuat berkas macro untuk konversi dengan memodifikasi berkas macro md_convert.mcr
bawaan YASARA-Structure, yang diberi nama md_convert_4h3x-10b.mcr (Boks 9 pada Lampiran). Pada GUI YASARA-Structure, berkas macro md_convert_4h3x-10b.mcr dijalankan sesuai contoh-contoh sebelumnya di working directory “D:\tmp_PD2021_mmp9\10b_15ns\analisis”.
Setelah proses konversi selesai dengan menghasilkan berkas-berkas pdb dari 4h3x-10b00000.pdb hingga 4h3x-10b00150.pdb.
Berkas-berkas sim dan 4h3x-10b_water.sce dihapuskan dari folder
“D:\tmp_PD2021_mmp9\10b_15ns\analisis” untuk menghemat ruang penyimpanan.
Modifikasi penting pada md_convert_4h3x-10b.mcr (Boks 9 pada Lampiran) dari md_convert.mcr bawaan YASARA-Structure terletak pada penghapusan semua komentar untuk efisiensi dan pada baris ke-1 hingga ke-3, serta baris ke-7. Baris ke-1 untuk mendefinisikan target dari berkas macro ini, sementara baris ke-2 dan ke-3 untuk mendefinisikan format berkas sumber (source/src) dan tujuan (destination/dst). Baris ke-7 untuk melewati 9 snapshot untuk dikonversi ke pdb. Saya pikir 1501 berkas pdb yang masing-masing mewakili snapshot di tiap 10 ps untuk untuk dianalisis terlalu banyak dan kurang efisien untuk tujuan eksplorasi peluang pemanfaatan PyPLIF HIPPOS di simulasi dinamika yang dipaparkan saat ini. Untuk kali ini cukup 151 berkas pdb yang masing-masing mewakili snapshot di tiap 100 ps, mulai dari ps ke-0 sampai ke-15000. Keseluruhan berkas pdb kompleks protein-ligan ini dikompresi menjadi berkas 4h3x-10b.zip dan diunggah ke repositori https://github.com/enade-istyastono/secangkirkopi.
Hasil simulasi dinamika molekul berupa 151 snapshot kompleks protein-ligan berformat pdb ini siap dianalisis menggunakan teknik seperti pada subbab 4.1, dengan fokus pada aromatik antara CC27 dengan His226 dan Tyr248 (Tabel 4.3). Namun, jika saya harus analisis satu per satu dari 151 snapshot ini maka menjadi sangat tidak efisien.
Saya pikir teknik looping seperti yang biasa saya manfaatkan pada PVBS bisa sangat berguna pada pembuatan skrip shell berkekuatan PyPLIF HIPPOS untuk identifikasi interaksi-interaksi penting sepanjang simulasi dinamika molekul. Oleh karena itu, langkah selanjutnya adalah membuka lagi jendela Debian dan menuliskan langkah-langkah berikut:
Baris Perintah
4 grep -Ev bind ~/4h3x/plantsconfig >
template.plantsconfig
5 grep -Ev residue ~/4h3x/config.hippos >
config.hippos
6 echo "residue_number 121 143" >> config.hippos 7 echo "residue_name HIS226 TYR248" >>
config.hippos
> ~/programs/SPORES_64bit --mode splitpdb $i.pdb
> cp protein.mol2 tmp.mol2
> ~/programs/SPORES_64bit --mode complete tmp.mol2 protein.mol2
> rm tmp.mol2
> ~/programs/SPORES_64bit --mode complete ligand_10B306_0.mol2 ligand.mol2
> ~/programs/PLANTS1.2_64bit --mode bind ligand.mol2 5 protein.mol2
> cat ../template.plantsconfig bindingsite.def >
plantsconfig
> ~/programs/PLANTS1.2_64bit --mode rescore plantsconfig
> cp ../config.hippos .
> conda activate hippos
> hippos config.hippos
> conda deactivate
> rm $i.pdb *.mol2 bindingsite.def plantsconfig
> cd ..
> done
9 for i in $(cat pdb.lst)
> Do
> cat $i/plif_nobb.txt
> done > all.nobb.plif.txt
Baris Perintah
10 awk '{ print $3 }' all.nobb.plif.txt | awk '{
gsub(/m*/, ","); print "tmp"$0"tmp"}' | sed
"s/tmp,//g" | sed "s/,tmp//g" >
all.nobb.plif.csv 11 cp all.nobb.plif.csv
/mnt/d/tmp_PD2021_mmp9/10b_15ns/analisis/
Sampai di sini sudah cukup sumber data hasil analisis untuk dipresentasikan dalam bentuk yang lebih human readable.
Berkas all.nobb.plif.csv sudah dikopikan ke direktori kerja
“D:\tmp_PD2021_mmp9\10b_15ns\analisis” dan siap dianalisis dan diolah menggunakan Microsoft Excel. Olahan berupa tabel menggunakan Microsoft Excel ditampilkan sebagai gambar pada Gambar 4.5.
Gambar 4.5. Olahan data interaksi bitstring CC27 dengan MMP9 hasil analisis berbantuan PyPLIF HIPPOS
Pada Gambar 4.5 saya perkenalkan kode interaksi baru yaitu
“aro” yang melekat pada His226 yang diturunkan dari kata “aromatik”.
Kode ini belum ada di Tabel 4.1 yang merupakan improvisasi saya melihat bahwa interaksi pada His226 di Gambar 4.5 didonimasi
interaksi aromatik, baik “f2f” maupun “e2f”. Definisi “aro” di sini adalah jika ada “f2f” atau “e2f” maka bitstring “aro” akan menjadi “1”.
Dengan adanya “aro” ini, nampak pada gambar 4.5 bahwa CC27 membentuk interaksi aromatik dengan His226 dalam seluruh snapshot.
Di lain pihak, ikatan aromatik dengan Tyr248 hanya berupa “e2f”
dengan frekuensi 81,3% selama simulasi dinamika molekul dari ns ke 0,1 hingga ke-15. Pada ns ke-0, meskipun tidak ditampilkan di Gambar 4.5, kedua ikatan tersbut juga teridentifikasi oleh PyPLIF HIPPOS. Hal ini mengindikasikan bahwa sandwich aromatic interaction memegang peranan penting dalam aktivitas CC27 sebagai inhibitor MMP9.
Saya memahami bahwa sebagian besar pembaca lebih senang dan mungkin akan mendapat inspirasi jika melihat animasi dari Gambar 4.5. Oleh karena itu, saya sempatkan untuk membuat animasi berbantuan YASARA-Structure untuk konversi berkas sim ke xtc, dan PyMOL untuk mengolah berkas xtc untuk memproduksi frame dari setiap snapshot. Finalisasi penggabungan frame-frame tersebut menjadi sebuah film animasi dilakukan dengan bantuan software Video Editor bawaan Windows 10 dan diberi nama mmp9-cc27.mp4, yang diunggah ke diunggah ke repositori https://github.com/enade-istyastono/secangkirkopi.
4.3 Analisis Dinamika Interaksi MMP9