Aplikasi Pendekatan Metabolomik Untuk Ilmu Pangan Dan Mikrobiologi [PDF]

Citation preview

See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/323655983



Aplikasi Pendekatan Metabolomik untuk Ilmu Pangan dan Mikrobiologi Article · October 2017



CITATIONS



READS



0



4,160



3 authors: Sastia Prama Putri



Filemon Jalu Nusantara



Osaka University



Osaka University



49 PUBLICATIONS   589 CITATIONS   



5 PUBLICATIONS   1 CITATION   



SEE PROFILE



SEE PROFILE



Safira Latifa Erlangga Putri Osaka University 2 PUBLICATIONS   0 CITATIONS    SEE PROFILE



Some of the authors of this publication are also working on these related projects:



Metabolomics View project



Open for Submission - Special Issue "Metabolomics Application for Food Authentication and Quality Assessment" View project



All content following this page was uploaded by Filemon Jalu Nusantara on 09 March 2018. The user has requested enhancement of the downloaded file.



Bunga Rampai Forum Peneliti Muda Indonesia 2017



39



Review Article Aplikasi Pendekatan Metabolomik untuk Ilmu Pangan dan Mikrobiologi Sastia Prama Putri1,2,3, Filemon Jalu Putra Nusantara1,, Safira Erlangga Putri1, 1 Department of Biotechnology, Graduate School of Engineering, Osaka University 2-1 Yamadaoka, Suita, Osaka, Jepang 565081 2 Sekolah Ilmu dan Teknologi Hayati, Institut Teknologi Bandung. Jl. Ganesa 10, Bandung, Indonesia 40132 3 Formind Institute, Indonesia email :,[email protected] (Corresponding author),[email protected], [email protected] Abstrak Metabolomik, penilaian kuantitatif secara global terhadap metabolit dalam sistem biologis, telah memainkan peran penting dalam berbagai bidang sains di era pasca genomik ini. Metabolit adalah hasil interaksi genom sistem dengan lingkungannya dan bukan hanya produk akhir dari ekspresi gen, namun juga merupakan bagian dari sistem yang berlangsung secara terpadu dan terintegrasi. Metabolomik melengkapi studi omik lainnya, seperti genomik, transkriptomik dan proteomik yang merupakan hasil 'turunan' dari ekspresi gen, maka perubahan di tingkat metabolome dianggap akurat untuk menggambarkan aktivitas sel pada tingkat fungsional. Sebagai salah satu teknologi omik, metabolomik memiliki aplikasi yang menarik di berbagai bidang, termasuk ilmu kedokteran, ilmu biologi, farmasi, dan pemodelan prediktif sistem tumbuhan, hewan dan mikroba. Selain itu, aplikasi terintegrasi dengan genomik, transkriptomik, dan proteomik memberikan pemahaman yang lebih besar tentang sistem biologi global. Artikel ini memaparkan prinsip dasar metabolomik dan terapannya di bidang ilmu pangan dan mikrobiologi. Kata kunci: Metabolomik, Mikrobiologi, Ilmu Pangan, Bioteknologi, Metabolit Abstract Metabolomics is the study of global quantitative assessment of metabolites in a biological system. Metabolites are the result of the interaction of the system’s genome with its environment and are not merely the end product of gene expression but also form part of the regulatory system in an integrated manner. As one of the “omics” technology, metabolomics has exciting applications in varied fields, including medical science, synthetic biology, medicine, and predictive modeling of plant, animal and microbial systems. Integrated applications with genomics, transcriptomics, and proteomics provide greater understanding of global system biology. Here, we review the basic principles of metabolomics and its applications in microbiology and food sciences.



40



Bunga Rampai Forum Peneliti Muda Indonesia 2017



Keywords: Metabolomics. Microbiology, Food Sciences Biotechnology, Metabolites 1. PENDAHULUAN Metabolomik merupakan bidang ilmu yang melibatkan pengukuran metabolit secara komprehensif dan merupakan studi ilmu yang menggabungkan ilmu biologi, kimia analitik dan bioinformatik. Ada tiga pendekatan utama yang digunakan dalam metabolomik: (i) Targeted approach yakni analisis yang ditargetkan komponen metabolitnya (pengukuran kuantitatif dan tepat dari konsentrasi metabolit yang diketahui), (ii) Untargeted approach (pengukuran metabolomik secara komprehensif), dan (iii) Metabolite fingerprinting (pengukuran cepat, evaluasi total biochemical fingerprint untuk diskriminasi sampel yang berbeda dimana identifikasi metabolit tidak diperlukan). Kekuatan metabolomik terletak pada perolehan data analitik dimana metabolit dalam sistem seluler dihitung secara keseluruhan, dan ekstraksi elemen data yang paling berperan pada sampel dengan menggunakan berbagai jenis analisis data menggunakan pendekatan statistik. Bidang metabolomik terus bertumbuh dengan cepat selama dekade terakhir dan telah terbukti menjadi teknologi yang sangat kuat dalam memprediksi dan menjelaskan fenotip kompleks dalam sistem biologis yang beragam. Penerapan teknologi metabolomik di bidang biologi mencakup (i) analisis informatif untuk mengkarakterisasi dan mengidentifikasi senyawa yang diinginkan (disebut sebagai “metabolomik informatif”), (ii) prediksi berbagai fenotip melalui analisis multivariat dengan menggunakan data metabolom sebagai variabel penjelas (di sini disebut "metabolomik prediktif") dan (iii) metabolomik komparatif untuk menentukan metabolit yang bertanggung jawab untuk klasifikasi sampel menurut jenis atau untuk tujuan diskriminatif. Secara umum, alur kerja metabolomik terdiri dari pembuatan rancanngan penelitian, persiapan sampel biologis, analisis dengan menggunakan berbagai instrumen, pengolahan data dan analisis data. 2.



APLIKASI METABOLOMIK DI BIDANG ILMU PANGAN



Aplikasi teknologi metabolomik dalam ilmu pangan meliputi analisis informatif untuk mengkarakterisasi dan mengidentifikasi senyawa target, memprediksi nilai kuantitatif fungsi pangan dengan bantuan analisis multivariat (metabolomik prediktif) dan metabolomik komparatif untuk menentukan metabolit yang bertanggung jawab dalam pengelompokkan sampel (diskriminatif) (Cevallos-Cevallos et al, 2009). Berikut ini akan dibahas mengenai aplikasi metabolomik prediktif dan komparatif dalam memprediksi karakteristik sensori dan diskriminasi produk pangan. 3.1



Metabolomik Model Prediktif



Uji sensori atau organoleptik merupakan proses ilmiah dalam membangkitkan, mengukur, menganalisis, dan menginterpretasikan sebuah produk sebagai bentuk respon dari kelima panca indra, yang meliputi indra penglihatan, penciuman, peraba, perasa, dan pendengaran. Uji sensori memainkan peranan penting dalam industri makanan karena berpengaruh besar terhadap penentuan harga serta kualitas dari produk-produk makanan. Namun, reprodusibilitas uji sensori sangat bergantung kepada kemampuan panelis. Terlebih, pelatihan untuk panelis membutuhkan banyak waktu, perhatian dan biaya yang tidak sedikit. Menyiasati masalah tersebut, sebuah alternatif berupa protokol berbasis instrumen yang lebih objektif dan efisien dirancang untuk menyempurnakan data uji sensori.



Bunga Rampai Forum Peneliti Muda Indonesia 2017



41



Dalam beberapa dekade terakhir, usaha yang signifikan telah dilakukan untuk mengembangkan prosedur analisis kualitas produk pangan dan minuman dengan menggunakan data instrumen, dimana data tersebut dapat berfungsi sebagai data penyempurna ataupun data yang dapat menggantikan uji sensori. Akibat dari tingginya kompleksitas produk pangan, penggunaan metode matematika sederhana seperti analisis regresi tidak cocok bila digunakan dalam mengkontrol kualitas makanan. Namun, pemanfaatan perkembangan instrumen analitik yang dikombinasikan dengan metode pengenalan pola multivariat (chemometric), memungkinkan kita untuk memahami kompleksitas sampel dan mengekstrak elemen terpenting untuk analisis. Analisis multivariat yang paling umum digunakan untuk analisis prediktif adalah pendekatan berbasis Projection to Latent Structure (PLS) yang meliputi Partial Least Square-Discriminative Analysis (PLS-DA), PLS orthogonal, dan lain-lain. Metode-metode tersebut mendeskripsikan variasi yang terdapat dalam matriks variabel respon (Y) dengan menggunakan informasi yang diperoleh dari variabel penjelas. Jika matriks Y memiliki variabel yang spesifik, seperti evaluasi kualitas makanan dengan uji sensori, maka pendekatan PLS sangat membantu dalam mengekstrak metabolit penting yang berkaitan dengan variabel Y (Putri et al, 2013). Prediksi berbasis PLS yang menggunakan data metabolom sangat berguna dalam memprediksi atribut sensori dari berbagai macam sampel makanan seperti teh hijau (Pongsuwan et al, 2007), keju (Ochi et al, 2012), kecap (Song et al, 2010; Yamamoto et al, 2012) ataupun produk laut seperti udang. Prinsip dari permodelan prediktif sensori untuk makanan, terletak pada penggunaan model statistik dimana profil metabolit berperan sebagai variabel penjelas dan atribut sensori sebagai variabel respon. Data metabolom yang di plot sebagai variabel penjelas dapat diperoleh dengan metode analisis target (pengukuran secara kuantitatif kelompok metabolit tertentu), pemrofilan metabolit (identifikasi metabolit yang belum diketahui) dan sidik jari metabolit (evaluasi sidik jari biokimia tanpa memerlukan identifikasi metabolit) (Putri et al, 2013). Kerangka kerja utama dari studi ini meliputi beberapa poin, dimulai dari melakukan analisis metabolit dengan menggunakan instrumen analitik dan analisis multivariat; membuat pemodelan prediktif sensori yang menjelaskan keterkaitan antara analisis sensori deskriptif dan set data metabolit; dan mengklasifikasi komponenkomponen yang berkontribusi terhadap model prediktif. Meskipun pendekatan metode analisis target dapat berguna dalam memprediksi atribut sensori makanan, pemahaman yang komprehensif mengenai hubungan antara komposisi kimia keseluruhan dan karakteristik sensori sulit untuk dicapai sebagai akibat banyaknya komponen di dalam makanan yang dapat mempengaruhi rasa dan karakteristiknya (Cevallos-Cevallos dan Reyes-De-Corcuera, 2012). Di sisi lain, pemrofilan metabolit (analisis tanpa target) dapat menawarkan karakterisasi properti makanan yang komprehensif dan memungkinkan pengidentifikasian senyawa baru terkait dengan karakteristik makanan tersebut tanpa bias. Studi yang dilakukan oleh Ochiet al, dapat mengilustrasikan dengan jelas, bagaimana cara memprediksi karakteristik sensori dari proses pematangan keju menggunakan prinsip metabolomik (Ochi H et al, 2012). GC-MS TOF digunakan untuk pemrofilan metabolit (tanpa target) yang bersifat hidrofilik dan bermassa molekul rendah, seperti asam amino,



42



Bunga Rampai Forum Peneliti Muda Indonesia 2017



asam lemak, asam organik, dan sakarida dalam keju. PLS kemudian dikonstruksi untuk memprediksi hubungan antara profil metabolit dan atribut sensori, dimana model tersebut membantu dalam mengidentifikasi metabolit yang berhubungan dengan rasa yang spesifik. Konsep yang sama juga dilakukan untuk memprediksi kualitas udang putih (L. vannamei) yang diekspor dari Indonesia ke Jepang. Tingginya permintaan udang dan ketatnya persaingan antara negara pengekspor udang ke Jepang menjadikan re-evaluasi kualitas udang ekspor hal yang penting. Variabel respon yang diperoleh dari data Quantitative Descriptive Analysis (QDA) akan diprediksi menggunakan PLS. Analisis korelasi antara matriks profil metabolit dan data QDA akan menunjukkan senyawa utama yang berkontribusi terhadap cita rasa udang dan terkorelasi erat dengan data QDA. Metabolit tersebut merupakan marka yang dapat digunakan sebagai umpan balik dalam hal mendesain kualitas udang serta manajemen budidayanya. 2.2



Metabolomik Diskriminatif



Analisis diskriminatif digunakan untuk membedakan populasi-populasi sampel tanpa memanfaatkan model statistik ataupun evaluasi pathway hipotetik(Cevallos-Cevallos dan Reyes-De-Corcuera, 2012). Secara umum, kerangka kerja utama studi ini adalah untuk; melakukan pemrofilan metabolik atau sidik jari metabolit menggunakan instrumen analitik; memvisualisasikan struktur data dan mengidentifikasi faktor yang memungkinkan pengklasifikasian sampel dengan menggunakan analisis multivariat; dan mengidentifikasi biomarker untuk klasifikasi. Analisis multivariat merupakan metode paling umum yang dimanfaatkan dalam mendiskriminasi sampel, dimana Principal Component Analysis (PCA) merupakan metode visualisasi yang paling banyak digunakan. PCA merupakan pendekatan unsupervised dan berguna dalam mengeksplorasi struktur data yang diperoleh dari instrumen analitik. Pendekatan supervised yang meliputi PLS-DA) atau ortogonal PLS-DA merupakan metode analisis multivariat yang paling umum digunakan dalam mengidentifikasi besarnya signifikansi perbedaan antar marker secara statistik (Kobayashi et al, 2012). Metabolomik diskriminatif telah banyak diaplikasikan dalam mengevaluasi kualitas makanan, keamanan pangan, dan menentukan perbedaan antar varietas atau habitat asli (origin) (Cevallos-Cevallos et al, 2009). Aplikasi terbaru dalam metabolomik diskriminatif meliputi studi mengenai nutrisi (nutrimetabolomics) dan evaluasi produk hasil rekayasa genetika terkait dengan keamanan pangan regulasi (García-Cañas et al, 2011). Autentikasi pangan juga merupakan salah satu aplikasi penting dari metabolomik diskriminatif. Contoh aplikasinya adalah pemrofilan metabolit berbasis NMR untuk autentikasi keju mozarela dan sample wine dengan menggunakan PCA dan Discriminative analysis (DA)-analisis multivariat (Cevallos-Cevallos dan Reyes-De-Corcuera, 2012). Metode pengenalan pola multivariat atau chemometrics merupakan metode yang sangat bermanfaat dalam mengkarakterisasi dan mengautentikasi pangan dikarenakan kelebihannya dalam mengkategorikan dan memprediksi kelompok-kelompok pangan berdasarkan tipe, varietas, asal geografis, bahkan mendeteksi adulterasi pada produk pangan. Dari semua metode yang digunakan, PLS-DA (metode diskriminasi) merupakan metode klasifikasi paling populer dikarenakan potensi dan kegunaannya (Bosque-Sendra et al, 2012).



43



Bunga Rampai Forum Peneliti Muda Indonesia 2017 3.



APLIKASI METABOLOMIK DI BIDANG ILMU MIKROBIOLOGI



Mikroorganisme merupakan sampel yang sangat penting dalam bidang metabolomik, karena banyak digunakan sebagai organisme modeluntuk pengembangan teknik metabolomik. Studi metabolomik merupakan analisis metabolit yang sangat akurat dan memerlukan kondisi penelitian yang terkendalikan dengan baik serta optimum. Contoh dari kondisi yang harus sangat dikontrol ketika melakukan metabolomik menggunakan mikroba adalah kondisi pertumbuhan saat kultivasi harus terjaga agar selalu konstan. Oleh karena itu, validasi metode serta optimasi kondisi pertumbuhan mikroorganisme sangat penting untuk mengetahui metabolisme suatu mikroba secara menyeluruh dan optimum, terutama untuk preparasi sampel (Putri et.al, 2013). Beberapa penelitian telah dilakukan untuk mengoptimalkan preparasi sampel menggunakan mikoorganisme dalam studi metabolomik (Winder et.al, 2008). Ada 2 proses penting dalam preparasi sampel, yaitu Quenching (proses untuk menghentikan proses metabolism secara cepat) dan ekstraksi. Quenching atau pendinginan sampel merupakan proses penghentian secara menyeluruh reaksi biologis yang terjadi didalam sel dan yang kedua adalah proses ekstraksi sel mikroorganisme untuk mengekstrak metabolit dari suatu mikroorganisme secara menyeluruh. Pada tahapan awal perkembangan studi metabolomik, metabolomik digunakan untuk studi diskriminasi berbagai mikroorganisme yang memliki perbedaan karakteristik. Diskriminasi ini dapat dilakukan dengan melakukan komparasi metabolit secara menyeluruh yang ada dalam mikroorganisme yang berbeda (Raamsdonk et.al, 2001). Melalui berbagai penelitian sebelumnya, ada korelasi yang sangat erat antara karakter dari mikroorganisme tertentu dengan kandungan profil metabolitnya. Proses pendinginan dan ekstraksi sampel sangatlah penting untuk mengukur kuantitas sebenarnya metabolisme dalam suatu sel berdasarkan periode waktu tertentu. Dan metode quenching juga harus dilakukan secara cepat agar keakuratan waktu serta metabolisme yang diproduksi oleh mikroorganisme dapat terlihat. Ada dua jenis metode quenching yang paling umum digunakan: Tabel 1. Metode quenching Metode Pendinginan dengan filter



Kegunaan Sample diperoleh dengan mengunakan filter membran dan dilakukan pendinginan secara cepat



Kelebihan Reproduksibilitas tinggi



kekurangan Memakan waktu lebih lama



penerapan Untuk prokariotik organisme i.e E. coli



Pendinginan dengan injeksi



Sampel langsung diinjeksikan ke dalam larutan pendingin dan disentrifugasi



Cepat



Metabolit yang hilang atau tidak dapat terdeteksi



Banyak digunakan untuk S. cerevisiae



Pemilihan metode ekstraksi yang tepat amat harus dipertimbangkan kaitannya dengan sifat sel mikroorganisme, seperti jenis membran sel, sifat kimia dari analit dan reaktivitas target dari enzim. Metode yang paling umum adalah ekstraksi dengan pelarut organik, menggunakan metanol dan kloroform dan perlakuan kondisi lain seperti suhu yang tinggi atau suhu yang sangat rendah turut digunakan. Dalam studi awal ekstraksi metabolit dari



44



Bunga Rampai Forum Peneliti Muda Indonesia 2017



Escherichia coli menggunakan metanol dingin (-40o) menunjukan hasil yang lebih baik daripada menggunakan metanol panas, ethanol panas, asam perklorat atau metanol/kloroform. Hal ini berdasarkan pertimbangan reproduksibilitas, kemudahan, serta jumlah metabolit yang data terdeteksi. Metode ekstraksi lain juga dapat dikembangkan dan disesusaikan dengan target analisis serta mikroorganisme yang akan diteliti. Seperti untuk Saccharomyces cerevisiae, metode dengan menggunakan kloroform dan metanol panas lebih baik karena lebih efisien dalam mendapatkan metabolit dari sel dibandingkan dengan ekstraksi metanol dingin dan asetonitril-metanol (Maharjan et.al, 2003). Mikroorganisme yang paling banyak digunakan dalam studi metabolomik saat ini adalah E. coli. Studi sebelumnya dikenal dengan metode TLC (Thin layer chromatography) atau kromatografi lapis tipis dan 14C-glucose yang digunakan untuk menganalisa hubungan antara metabolisme sel dan regulasinya secara menyeluruh. Studi tersebut menjelaskan ragam metabolit seperti glutamat, aspartat, trehalosa, adenosin, gula-UDP dan putresin dalam variasi tingkatan dengan perbedaan spesifik tingkat pertumbuhan di bawah kondisi chemostat. Hubungan antara asimilasi amonia dan perturbasi nutrisi dipelajari dengan kombinasi dari kuantifikasi absolut dan simulasi fluks (Yukihira et.al, 2010). Studi ini melaporkan dua senyawa penting yakni 2-oksoglutarat dan glutamin untuk asimilasi amonia. Baru-baru ini, beberapa penelitian dari grup kami melaporkan penggunaan teknik metabolomik untuk pengembangan produktivitas mikroba yang digunakan sebagai cell-factory. Pada umumnya, mikroba yang berperan dalam proses industri terus dikembangkan karakteristiknya agar lebih produktif dan efisien dalam memproduksi senyawa biokimia ataupun biofuel di industri. Secara konvensional, proses pengembangan dan peningkatan produktivitas strain dapat dilakukan melalui metode pendekatan rasional, dimana metabolisme suatu mikroba direkayasa sedemikian rupa berdasarkan pengetahuan tentang proses biokimia, komponen genetika dan teknologi fermentasi mikroba. Pada umumnya proses ini berlangsung lama dan seringkali tidak sesuai dengan harapan. Pendekatan kedua adalah pendekatan non rasional, dimana proses pengembangan strain dilakukan secara random lewat metode mutagenesis dimana proses pengembangan dapat dilakukan secara cepat namun mekanisme secara detil tentang bagaimana fenotip baru dapat dihasilkan tidak dapat diketahui. Pendekatan yang berada di antara kedua pendekatan yang telah dijabarkan diatas adalah pendekatan semi rasional, seperti contohnya pendekatan menggunakan bidang ilmu omik. Pendekatan metabolomik untuk pengembangan mikroba yang digunakan sebagai cell factory merupakan salah satu aplikasi metabolomik yang paling terbaru. Pendekatan ini berdasarkan analisa komparatif di level omik, seperti genomik, transkriptomik, proteomik ataupun metabolomik. Perbedaan di level omik ini bisa dengan cepat memberikan informasi perbedaan signifikan antar dua mikroorganisme yang pada akhirnya bisa ditelaah lebih lanjut untuk menentukan target gen untuk peningkatan fenotip ataupun karakteristik dari mikroorganisme tersebut. Kombinasi data metabolom dan analisis data multivariat seperti Principal Component Analysis atau Partial Least Square regression dapat menunjukkan metabolit-metabolit mana yang paling banyak memberikan kontribusi pada fenotip tertentu (Nitta et.al, 2017). Oleh karena itu, konsentrasi metabolit dapat bertindak sebagai variabel prediktor kuantitatif untuk fenotip-fenotip penting terkait mikrobiologi industri. Contoh penggunaan analisis metabolom non-target untuk peningkatan fenotip yang penting untuk industri, yakni toleransi terhadap



Bunga Rampai Forum Peneliti Muda Indonesia 2017



45



pelarut kimia, dilaporkan dalam makalah terbaru kami. Secara singkat, berbagai strain mutan delesi tunggal S. cerevisiae dikultivasi di dalam cekaman 1-butanol untuk mengukur toleransi mereka terhadap 1-butanol. Strain ini juga dikultivasi di bawah kondisi non-stres untuk analisis metabolom. Data metabolisme dan toleransi digabungkan untuk membangun model regresi, yang memberikan informasi tentang metabolit yang sangat terkait dengan toleransi. Dengan asumsi bahwa metabolit memiliki hubungan kausal dengan toleransi, target gen yang diprediksi untuk dapat mengubah pool metabolit di dalam sel yang pada akhirnya bisa meningkatkan tingkat toleransi terhadap 1-butanol dapat diidentifikasi. Akhirnya, strain delesi baru diperoleh, dan tingkat toleransi dan metabolitnya diukur untuk memvalidasi model yang telah dibuat sebelumnya. Strain baru menunjukkan tingkat toleransi terhadap 1-butanol yang lebih tinggi, sehingga memvalidasi hubungan antara metabolit ini dan toleransi 1-butanol. Gambaran tentang penelitian ini dapat dilihat pada Gambar 1.



Gambar 1. Ilustrasi pendekatan metabolomik untuk mengidentifikasi gen untuk strain improvement (1). http://creativecommons.org/licenses/by/4.0/



Pendekatan berbasis metabolomik lainnya untuk mengidentifikasi target gen adalah dengan menggunakan pendekatan kuantitatif yang ditargetkan (quantitative and targeted approach) untuk pengukuran dengan resolusi yang lebih tinggi. Bila sudah ditentukan pathway di dalam alur metabolisme yang penting untuk peningkatan produksi senyawa tertentu, maka pengukuran konsentrasi absolut senyawa intermediet di pathway tersebut dapat memberi wawasan yang kuat mengenai langkah pembatas laju di jalur. Selanjutnya, penggunaan profil kinetik seperti metabolite turnover analysis (3) sangat berguna untuk mengamati dinamika seluler untuk optimasi pathway. Salah satu contoh strategi tersebut dijelaskan dalam laporan lain (4) di mana penggunaa analisis target kuantitatif dan profil kinetik difokuskan kepada



46



Bunga Rampai Forum Peneliti Muda Indonesia 2017



senyawa intermediet yang penting untuk mengidentifikasi langkah pembatas laju dalam sistem rekayasa untuk produksi 1-butanol dalam cyanobacteria. Produksi 1-butanol di mikroorganisme fotosintetik cyanobacteria merupakan sistem model penting untuk konversi langsung CO2 ke bahan bakar dan bahan kimia. Produksi 1-butanol dicapai dengan memperkenalkan pathway Koenzim A (CoA) yang dimodifikasi dari spesies Clostridium yang menghasilkan rekayasa genetika Synechococcus elongatus yang dapat mengubah CO2 di atmosfer menjadi 1-butanol (Toshiyuki et.al, 2017). Upaya untuk meningkatkan titer masih terfokus pada jalur CoA, oleh karena itu, pendekatan yang ditargetkan untuk menguji intermediet CoA menghasilkan wawasan yang sangat berguna untuk meningkatkan produktivitas 1-butanol. Kesimpulannya, pendekatan berbasis metabolisme sangat bermanfaat untuk mengembangkan strategi untuk mengoptimalkan kinerja jalur dalam produksi kimia mikroba. Metabolomik untuk studi sistem biologis masih memiliki masa yang panjang dalam pengembangannya sebelum mencapai kedewasaan sebagai bidang ilmu. Di masa depan, analisis metabolisme dari mikroorganisme akan tetap ada dan tak ternilai harganya 4.



PROSPEK MASA DEPAN STUDI METABOLOMIK



Identifikasi atau anotasi senyawa adalah salah satu masalah yang harus diselesaikan untuk pengembangan lebih lanjut dari penelitian metabolomik. Saat ini, identifikasi metabolit yang tidak diketahui merupakan hambatan utama di bidang metabolomik. Meskipun ada ratusan sampai ribuan metabolit yang terdeteksi, kebanyakan dari metabolit tetap tidak dikenal karena keterbatasan informasi metabolit di pustaka metabolit dan tidak tersedianya referensi terstandardisasi. Oleh karena itu, terlepas dari kemajuan teknologi terkini dalam bidang kimia analitik dan pengolahan data, masih banyak masalah yang harus diatasi untuk membuat metabolomik menjadi studi yang sangat berguna bagi peneliti. Walaupun profil LC/MS sekarang lebih informatif karena sensitivitas yang lebih tinggi dari instrumen MS yang baru dirilis, hanya sebagian kecil dari metabolit yang dapat diidentifikasi dan digunakan untuk interpretasi biologi di antara ribuan sinyal yang terdeteksi. Upaya saat ini untuk memecahkan masalah ini melibatkan penambahan informasi dalam library, penggunaan ataupun gabungan berbagai platform instrumentalia (LC-NMR, LCTOFMS, GCTOF-MS13, CE-TOFMS14,15), pengembangan algoritma untuk perhitungan retention index dan software untuk prediksi senyama secara in-silico.



DAFTAR REFERENSI Atkinson, P. M. dan A. R. L. Tatnall. 1997. Neural Networks in Remote Sensing. International Journal of Remote Sensing. Vol. 18, No. 4: hal. 699-709. Bosque-Sendra, JM., Cuadros- Rodriguez, L., Ruiz-Samblas, C., de la Mata, P. 2012. Combining chromatography and chemometrics for the characterization and authentication of fats and oils from triacylglycerol compositional data –a review. Anal. Chim. Acta. Vol 724: hal 1–11. Cevallos-Cevallos, JM., dan Reyes-De-Corcuera, JI. 2012. Metabolomics in food science. Advance



Bunga Rampai Forum Peneliti Muda Indonesia 2017



47



in Food and Nutrition Research. Vol 67: hal 1–24 (2012). Cevallos-Cevallos, JM., Reyes-De-Corcuera, JI., Etxeberria E, Danyluk MD., Rodrick GE. 2009. Metabolomic analysis in food science: a review. Trends Food Science and Technology. Vol 20: hal 557–566. García-Cañas, V., Simó, C., León, C., Ibáñez, E., Cifuentes, A.2011. MS- based analytical methodologies to characterize genetically modified crops. Mass Spectrometry Review. Vol 30: hal 396–416. Katsuaki, N., Walter, A. L., Sammy, P., James, C. L., Putri, S. P., Eiichiro, F. 2017. Orthogonal partial least squares/projections to latent structures regression-basedmetabolomics approach for identification of gene targets for improvement of1-butanol production in Escherichia coli. Journal Bioscience and Bioengineering http://dx.doi.org/10.1016/j.jbiosc.2017.05.015. Kobayashi, S., Putri, SP., Yamamoto, Y., Donghyo, K., Bamba, T., Fukusaki, E. 2012. Gas chromatography-mass spectrometry based metabolic profiling for the identification of discrimination markers of Angelicae Radix and its application to gas chromatography–flame ionization detector system. Journal of Bioscience and Bioengineering. Vol 114: hal 232–236 Maharjan, R. P. dan Ferenci, T. 2003. Global metabolite analysis: the influence ofextraction methodology on metabolome profiles of Escherichia coli, Analytical Biochemistry. Vol 313: hal 145-154. Ochi, H., Naito, H., Iwatsuki, K., Bamba, T., Fukusaki, E., 2012. Metabolomics-based component profiling of hard and semi-hard natural cheeses with gas chromatography/time-of-flightmass spectrometry, and its application to sensory predictive modeling. Journal of Bioscience and Bioengineering. Vol 113: hal 751–758. Pongsuwan, W., Fukusaki, E., Bamba, T., Yonetani, T., Yamahara, T., Kobayashi, A. 2007. Prediction of Japanese Green tea ranking by gas chromatography/mass spectrometry-based hydrophilic metabolite fingerprinting. Journal of Agriculture and Food Chemistry. Vol 55: hal 231–236 Putri, S. P., Yasumune, N., Fumio, M., Takato, U., Shizu, K., Atsuki, M., Fukusaki, E. 2013. Current metabolomics: practical applications. Journal Bioscience and Bioengineering. Vol 115, No. 6: hal 579-589. Putri, SP., Yamamoto, S., Tsugawa, H., Fukusaki, E. 2013. Current metabolomics: technological advances. Journal of Bioscience and Bioengineering. Vol 116: hal 9–16. Raamsdonk, L. M., Teusink, B., Broadhurst, D., Zhang, N., Hayes, A.,Walsh, M. C., Berden, J. A., Brindle, K. M., Kell, D. B., Rowland, J. J. 2001. A functional genomics strategy that uses metabolome data toreveal the phenotype of silent mutations, Nature Biotechnology. Vol 19: hal. 45-50. Song, S., Zhang, X., Hayat, K., et al. 2010. Contribution of beef base to aroma characteristics of beeflike process flavour assessed by descriptive sensory analysis and gas chromatography olfactometry and partial least squares regression. Journal of Chromatography A. Vol 1217: hal 7788–7799. Toshiyuki, O., Sammy, P., Walter, A. L., James, C. L., Putri, S. P., Eiichiro, F. 2017. Metabolomicsdriven approach to solving a CoA imbalance for improved 1-butanol production in Escherichia coli. Metabolic Engineering. Vol 41: hal 135-143. Winder, C. L., Dunn, W. B., Schuler, S., Broadhurst, D., Jarvis, R.,Stephens, G.M., Goodacre, R. 2008. Global metabolic profiling of Escherichiacoli cultures: an evaluation of methods for



48



Bunga Rampai Forum Peneliti Muda Indonesia 2017 quenching and extraction ofintracellular metabolites. Analytical Chemistry. Vol 80: hal. 2939-2948.



Yamamoto, S., Bamba, T., Sano, A., et al. 2012 Metabolite profiling of soy sauce using gas chromatography with time-of-flight mass spectrometry and analysis of correlation with quantitative descriptive analysis. Journal of Bioscience and Bioengineering. Vol 114: hal 170–175 Yukihira, D., Miura, D., Saito, K., Takahashi, K., Wariishi, H. 2010. MALDI-MS-based high throughput metabolite analysis for intracellularmetabolic dynamics. Analytical Chemistry. Vol 82: hal 4278-4282.



BIOGRAFI PENULIS Dr. Sastia Prama Putri, M.Eng., S.Si Sastia Prama Putri adalah Assistant Professor di Departemen Bioteknologi, Fakultas Teknik, Osaka University dan dosen luar biasa di Sekolah Ilmu dan Teknologi Hayati, Institut Teknologi Bandung. Sastia mendapatkan gelar doktornya di bidang Bioteknologi di tahun 2010 dari International Center for Biotechnology, Osaka University. Saat ini Sastia memimpin grup aplikasi metabolomik untuk bioteknologi mikroba khususnya untuk produksi biofuel dan untuk produk pangan khas Indonesia. Sastia bekerja di bawah naungan mentor Prof. Eiichiro Fukusaki yang merupakan salah satu pioneer metabolomik di ilmu pangan. Ia turut mendirikan Formind Institute di tahun 2016 dan saat ini aktif menjadi board member dari International Metabolomics Society sejak tahun 2013. Ia memenangkan penghargaan L’Oreal for Women in Science di tahun 2015 untuk riset tentang aplikasi metabolomik untuk kopi Indonesia. Filemon Jalu Nusantara Putra, S.Si Filemon Jalu Nusantara Putra adalah mahasiswa paska sarjana di Departemen Bioteknologi, Fakultas Teknik, Osaka University dan merupakan lulusan sarjana S1 Biologi dari Universitas Diponegoro, Semarang. Ia sempat bekerja sebagai peneliti di LIPI (Lembaga Ilmu Pengetahuan Indonesia) selama 2 tahun di laboratorium Biokatalis dan Fermentasi, Pusat Penelitian Bioteknologi, Cibinong.



Bunga Rampai Forum Peneliti Muda Indonesia 2017



49



Safira Erlangga Putri, S.T Safira Latifa Erlangga Putri adalah mahasiswa paska sarjana tingkat 2 di Departemen Bioteknologi, Fakultas Teknik, Osaka University dan merupakan lulusan sarjana S1 Teknik Kimia dari Universitas Indonesia, Depok. Saat ini ia sedang meneliti kualitas udang vannamei berdasarkan aspek metabolomik.



View publication stats