COMPARATIVE STUDY OF PREDICTED miRNA BETWEEN INDONESIA AND ...

i

HALAMAN SAMPUL

LAPORAN AKHIR

PENELITIAN ILMU KEDOKTERAN

COMPARATIVE STUDY OF PREDICTED miRNA

BETWEEN INDONESIA AND CHINA (WUHAN) SARS-CoV-2:

A BIOINFORMATICS ANALYSIS

Tim Pengusul Penelitian

Ketua Peneliti : dr Agus Rahmadi, M.Biomed, M.A, NIDN 0426087604

Anggota Peneliti : dr. Ismaily Fasha, M.Ked (ORL-HNS), Sp.THT

Nomor Surat Kontrak Penelitian : 318/F.03.07/2020

Nilai Kontrak : Rp. 17.000.000)

FAKULTAS KEDOKTERAN

PROGRAM PENDIDIKAN DOKTER

UNIVERSITAS MUHAMMADIYAH PROF DR HAMKA

2020

ii

HALAMAN PENGESAHAN

PENELITIAN ILMU KEDOKTERAN

Judul Penelitian

STUDI PERBANDINGAN PREDIKSI MIRNA ANTARA SARS-COV-2 INDONESIA

DAN CHINA (WUHAN): TINJAUAN ANALISIS BIOINFORMATIK

Jenis Penelitian : Penelitian Ilmu Kedokteran

Ketua Peneliti : dr Agus Rahmadi, M.Biomed, M.A

Link Profil simakiphttp://simakip.uhamka.ac.id/pengguna/show/1257

Fakultas : Fakultas Kedokteran

Anggota Peneliti : dr. Ismaily Fasha, M.Ked (ORL-HNS), Sp.THT

Link Profil simakip :Click or tap here to enter text.

Contoh link: http://simakip.uhamka.ac.id/pengguna/show/978

Waktu Penelitian : 6 Bulan

Luaran Penelitian

Luaran Wajib : Journal of Infectious Disease

Status Luaran Wajib : In review

Luaran Tambahan : ICNSSE 2020: International Conference On Natural And

Social Science Education

Status Luaran Tambahan: Accepted

Mengetahui, Jakarta, 10 Desember 2020

Ketua Program Studi Ketua Peneliti

dr. Endin Nokik Stujana, PhD dr. Agus Rahmadi, M.Biomed, M.A

NIDN. 0306078805 NIDN.0426087604

Menyetujui,

Dekan Fakultas kedokteran Ketua Lemlitbang UHAMKA

Dr. dr. Wawang Sukarya, SpOG, MARS, MH.Kes Prof. Dr. Suswandari, M.Pd

NIDN. 0030064701 NIDN. 0020116601

http://simakip.uhamka.ac.id/pengguna/show/1257

iii

SURAT KONTRAK PENELITIAN

v

ABSTRAK

STUDI PERBANDINGAN PREDIKSI miRNA ANTARA SARS-CoV-2 INDONESIA DAN

CHINA (WUHAN) : TINJAUAN ANALISIS BIOINFORMATIK

Agus Rahmadi 1, a), Ismaily Fasyah 1, b)

1Fakultas Kedokteran Universitas Muhamadiyah Prof Hamka, Jakarta 12130, Indonesia

a) Corresponding author: [email protected] b)[email protected]

Abstrak

Beberapa laporan penemuan mutasi dan variasi SARS-CoV-2 pada kasus COVID-19 di

Indonesia menyebabkan disregulasi genom dengan kasus pandemi pertama di Wuhan, China.

MicroRNA (miRNA) memainkan peran penting dalam regulasi genetik dan berkontribusi pada

peningkatan pengikatan RNA virus melalui mRNA inang. Penelitian ini bertujuan untuk mendeteksi

target miRNA SARS-CoV-2 dan mengkaji perannya dalam kasus di Indonesia terhadap kasus di

Wuhan. Secara total, jumlah sampel yang diambil adalah 76 urutan genom lengkap SARS-CoV-2

dari dua kelompok. Perangkat lunak MiRDB digunakan untuk memprediksi target miRNA dengan

referensi miRBase v22.1. Uji chi-square digunakan untuk mendapatkan miRNA yang signifikan

yang membedakan kedua kelompok. Software DIANA-miRPath v3.0 kemudian digunakan untuk

melihat peran target miRNA dalam proses biologis berdasarkan analisis Gene Ontology (GO). Hasil

statistik mendeteksi lima miRNA yang signifikan. Dua miRNA, hsa-miR-4778-5p dan hsa-miR-4531

secara konsisten ditemukan di sebagian besar sampel di Wuhan, sementara hanya kurang dari

setengah sampel di Indonesia. Tiga miRNA lainnya, hsa-miR-6844, hsa-miR-627-5p, dan hsa-miR-

3674, diprediksi pada sebagian besar sampel pada kedua kelompok tetapi dengan rasio yang berbeda

secara signifikan. Di antara lima target miRNA hanya hsa-miR-6844 yang merupakan satu-satunya

miRNA yang terkait dengan gen ORF1ab dari SARS-CoV-2. Ontologi gen yang terdeteksi dari lima

target miRNA menunjukkan peran penting dalam peradangan dan sistem kekebalan selama infeksi

SARS-CoV-2. Deteksi spesifik inang miRNA pada penelitian ini menunjukkan adanya perbedaan

kasus COVID-19 antara di Indonesia dan di Wuhan.

Kata kunci: miRNA, SARS-CoV-2, Indonesia, Wuhan, Bioinformatika

mailto:[email protected]

mailto:[email protected]

vi

DAFTAR ISI

HALAMAN SAMPUL ....................................................................................................... i

HALAMAN PENGESAHAN ........................................................................................... ii

SURAT KONTRAK PENELITIAN............................................................................... iii

ABSTRAK ......................................................................................................................... v

DAFTAR ISI......................................................................................................................vi

DAFTAR TABEL ............................................................................................................ vii

DAFTAR GAMBAR ....................................................................................................... viii

DAFTAR LAMPIRAN ..................................................................................................... ix

BAB 1. PENDAHULUAN ................................................................................................ 1

BAB 2. TINJAUAN PUSTAKA ....................................................................................... 4

BAB 3. METODE PENELITIAN .................................................................................... 7

BAB 4. HASIL DAN PEMBAHASAN .......................................................................... 10

BAB 5. KESIMPULAN DAN SARAN .......................................................................... 18

BAB 6 LUARAN YANG DICAPAI .............................................................................. 19

BAB VII RENCANA TINDAK LANJUT DAN PROYEKSI HILIRISASI .............. 20

DAFTAR PUSTAKA ...................................................................................................... 21

LAMPIRAN..................................................................................................................... 30

vii

DAFTAR TABEL

Tabel 1. Alur Penelitian

Tabel 2. Karakteristik Sampel Host

Tabel 3. miRNA yang signifikan.

Tabel 4. Tabel Kontingensi miRNA yang signifikan.

Tabel 5. Jalur Ontologi Gen miRNA SARS CoV-2 Indonesia vs Wuhan

viii

DAFTAR GAMBAR

Gambar 1. Proses penelitian

Gambar 2. Skema Jalur prediksi miRNA (has-miR-4778-5p, has-miR-4531, has-

miR-6844) berdasarkan Gen Ontologi dengan kotak kuning sebagai proses biologis

yang dipengaruhi oleh miRNA

ix

DAFTAR LAMPIRAN

Lembar Letter of Acceptance Oral Presentation pada ICNSSE 2020

Lembar Submisson Confirmation pada Journal of Infectious Disease

Tabel data tambahan 1. Sequence SARS-CoV-2 dari sampel Wuhan

Tabel data tambahan 2. Sequence SARS-CoV-2 dari sampel Indonesia

Tabel data tambahan 3. Mutasi SARS-CoV-2 dari sampel Wuhan

Tabel data tambahan 4. Mutasi SARS-CoV-2 dari sampel Indonesia

1

BAB 1. PENDAHULUAN

Pandemi virus corona 2019 (COVID-19) yang pertama kali muncul di

Wuhan, Tiongkok pada 12 Desember 2019 disebabkan oleh virus corona baru yang

memiliki kemiripan dengan virus corona kelelawar (kelelawar SL-CoVZC45) pada

tingkat kemiripan nukleotida 89,1% dan berdasarkan pohon filogenetik memiliki

hubungan kuat dengan kelelawar SL-CoVZC45 dan CoVZXC21 dengan nilai

persentase homologi 88% (Wu et al., 2020)(Koyama et al., 2020). Virus yang

dikenal sebagai SARS-CoV-2 (Severe Acute Respiratory Syndrome Coronavirus

2) merupakan keluarga Coronaviridae termasuk virus lain seperti SARS-CoV-1,

dan MERS-CoV dimana sebelumnya menimbulkan KLB pada tahun 2003 dan

2012 (Tu et al., 2020)(de Wit et al., 2016). RNA virus baru ini bermutasi dengan

sangat cepat dan membawa varian baru ke seluruh dunia (Mercatelli & Giorgi,

2020), terdapat 6 varian utama SARS-CoV-2 yang telah diidentifikasi pada 7 Juli

2020. Clade GR telah terdeteksi paling banyak di seluruh dunia (23,4%).

Sedangkan Clade L terdeteksi paling sedikit (6,1%) namun banyak ditemukan pada

kasus pertama COVID-19. Varian yang terdapat di benua Asia sendiri adalah

didominasi oleh Clade O (34,7%) (Hamed S, Elkhatib W, Khairallah A, 2020).

Hingga awal Oktober 2020, Indonesia telah mengkonfirmasi jumlah total

kasus positif COVID-19 adalah 291.182. Persentase kematian di Indonesia adalah

3,72% (10.856 kematian), lebih tinggi dari kasus kematian global 2,98% (WHO,

n.d.). Lonjakan kasus COVID-19 di Indonesia diduga ada kaitannya dengan mutasi

pada gen Spike Glycoprotein (S) yang mengarah pada kemampuan virus untuk

mengikat ACE-2 (Angiotensin-Converting Enzyme 2) reseptor pada manusia

sebagai inang (Hoffmann et al., 2020). Saat ini ada beberapa studi di Indonesia

untuk memahami aspek imunoinformatis (Nidom R V, Indrasari S, Normalina I,

Kusala MKJ, Ansori ANM, 2020)(Ansori et al., 2020), biomolekuler (Arli Aditya

Parikesit & Nurdiansyah, 2020)(Arli Ardi Parikesit & Nurdiansyah, 2020), varian

genetik, dan mutasi (Nidom R V, Indrasari S, Normalina I, Kusala MKJ, Ansori

ANM, 2020)(Muhammad Ansori et al., 2020) genom SARS-CoV-2 dari Indonesia.

Namun penelitian tentang microRNA (miRNA) SARS-CoV-2 masih jarang

2

dilakukan di Indonesia. Oleh karena itu, kami melakukan prediksi target dan

profiling miRNA dari sampel Indonesia dan membandingkannya dengan sampel

dari Wuhan.

MicroRNA adalah RNA non-coding yang memiliki peran penting dalam

regulasi dan ekspresi genetic sebuah organisme. Disregulasi mikroRNA dapat

menyebabkan perubahan pola ekspresi dan mutasi gen yang menyebabkan

keparahan penyakit (Fernandez et al., 2017)(Winter et al., 2009)(Krol et al.,

2010)(Mendell & Olson, 2012)(Finnegan & Pasquinelli, 2013). Selain itu,

perubahan fungsi miRNA dapat dipengaruhi oleh variasi genetik yang dapat

diidentifikasi dengan mendeteksi miRNA target dan urutan miRNA (Fernandez et

al., 2017)(Cammaerts et al., 2015)(Martin-Guerrero et al., 2015). Dalam beberapa

kasus, patogenisitas dan replikasi RNA virus dimediasi oleh pengikatan langsung

miRNA inang menjadi RNA virus yang menginduksi disregulasi genetik pada inang.

RNA virus mempengaruhi jalur regulasi host dengan meniru miRNA seluler yang

secara langsung mempengaruhi transkriptom host (Skalsky & Cullen,

2010)(Trobaugh & Klimstra, 2017). Peran miRNA terhadap penyakit infeksi salah

satunya SARS-CoV-2 merupakan topik yang menarik untuk diteliti sehingga

banyak jurnal yang telah diterbitkan sejak wabah COVID-19 pada awal 2020.

Beberapa penelitian juga mencoba mempelajari sampel dan metode yang

berbeda dalam memprediksi miRNA, salah satunya adalah studi oleh Liu dan rekan

(Liu et al., 2020). Mereka menggunakan perangkat lunak ab initio yang disebut

VMir (Grundhoff, 2011) untuk mengidentifikasi beberapa potensi pra-miRNA dari

genom SARS-CoV-2 dengan nomor aksesi MN908947. MatureBayes (Gkirtzou et

al., 2010) digunakan juga untuk memprediksikan miRNA. Selain itu target miRNA

pada virus dan genom manusia juga diprediksi menggunakan TargetFinder

(miRanda). Lebih lanjut, database Target Scan Human 7.2 digunakan untuk

menemukan gen manusia yang menjadi target yang miRNA. Gen Ontologi (GO)

digunakan untuk menjelaskan secara fungsional gen terkait.

Studi lain juga menggunakan VMIR untuk menentukan kandidat pra-

miRNA dari genom SARS-CoV-2 (Sarma et al., 2020). Kandidat pra-miRNAs dicari

3

kemiripan nukleotida nya dengan miRNA manusia yang tersedia dalam database

miRbase. Alat hybrid RNA paling banyak digunakan untuk hibridisasi antara pra-

mirRNA virus dan miRNA manusia. Identifikasi miRNAs menggunakan

MatureBayes. Untuk selanjutnya Analisis GO dari gen target dilakukan oleh

PANTHER (Protein Analysis Through Evolutionary Relationships). Demirci dan

Adan (Saçar Demirci & Adan, 2020) menggunakan izMiR untuk memprediksi pra-

miRNA dari miRNA jepit rambut, mereka memanfaatkan psRNATarget untuk

mencari miRNA yang ditargetkan.

Selanjutnya, miRBase digunakan untuk mencari target dalam gen SARS-

CoV-2. Namun, penelitian lain langsung mencari miRNA tanpa menentukan pra-

miRNA, yang dapat dilakukan dengan menggunakan perangkat lunak miRDB

berbasis web, terutama miRNA yang memengaruhi regulasi gen secara langsung

(Fulzele et al., 2020)(Haddad & Walid Al-Zyoud, 2020). Fulzele dan rekan (Fulzele

et al., 2020), mengamati peran miRNA dengan gen fungsional manusia melalui

analisis jalur KEGG dan analisis GO pada perangkat lunak DIANA-miRPath v.3.0

berdasarkan skor prediksi target di atas 90 dari miRDB.

Dalam penelitian ini, kami menggunakan sampel SARS-CoV-2 yang

diperoleh dari Indonesia dan membandingkannya dengan sampel Wuhan untuk

memprediksi target miRNA dengan menggunakan analisis bioinformatika.

Penelitian ini bertujuan untuk menemukan miRNA inang target SARS-CoV-2 dan

peran patogenesisnya dalam kasus COVID-19.

4

BAB 2. TINJAUAN PUSTAKA

Kasus COVID-19 terjadi di setidaknya 170 negara dengan tingkat kematian

sekitar 5,4%. Secara umum, sebagian besar kasus berusia 30-79 tahun (86,6%),

dengan kelompok usia ≥80 ditandai dengan tingkat kematian tertinggi di antara

semua kelompok umur (Chen et al., 2020). Di Indonesia sendiri, berdasarkan situs

resmi gugus tugas percepatan penanganan covid 19 pada tanggal 29 April 2020

dilaporkan jumlah kasus positif adalah sebanyak 9771 orang. (Gugus Tugas

Percepatan Penanganan Covid 19, n.d.) Gejala COVID-19 diantaranya demam

(83-98%), batuk (59-82%), sesak napas (19-55%), dan nyeri otot (11-44%), yang

mirip dengan SARS (Severe Acute Respiratory Syndrome) dan MERS (Middle East

Respiratory Syndrome) (Huang et al., 2020). Beberapa pasien mungkin mengalami

sakit tenggorokan, sakit kepala, dan sebagian kecil pasien mengalami hemoptisis

(Huang et al., 2020)(Guan et al., 2020) dan sejumlah kasus ditemukan relatif tanpa

gejala (Chan et al., 2020). Masa inkubasi virus rata-rata 5-6 hari dengan masa

inkubasi terpanjang 14 hari. Pada kasus COVID-19 yang berat dapat menyebabkan

pneumonia, sindrom pernapasan akut, gagal ginjal, dan bahkan kematian.

Berdasarkan bukti ilmiah, COVID-19 dapat menular dari manusia ke manusia

melalui percikan batuk/bersin (droplet), tidak melalui udara (Pedoman Pencegahan

Dan Pengendalian Corona Virus Disease (COVID - 19), 2020).

SARS-CoV, MERS-CoV, dan SARS-CoV-2 merupakan keluarga

Coronaviridae. Kelompok virus ini mengandung genom RNA berantai positif,

dengan untai tunggal yang relatif besar, sekitar 27-32 kb (Pyrc et al., 2006). Dengan

Genom yang terdiri dari cap 50-metilguanosin di awal, tail 30-poli-A di akhir,

dengan total 6-10 gen (de Wit et al., 2016). Di sisi lain, protein struktural, termasuk

Spike (S), Envelope (E), dan Membrane (M) merupakan mantel virus, dan protein

Nukleokapsid (N) yang mengemas genom virus (RNA). Beberapa protein ini

mengalami glikosilasi dalam Aparatus Golgi untuk membentuk glikoprotein. Di

antara semua protein struktural, target terapi potensial yang paling penting adalah

spike (S) glikoprotein, yang bertanggung jawab untuk pengikatan virus ke sel inang.

Protein S dipersiapkan oleh protease sel inang dan dikenali oleh reseptor seluler.

5

Protein serine manusia yaitu Transmembrane Serine Protease 2 (TMPRSS2)

bertanggung jawab untuk menentukan protein S dari SARS-CoV dan SARS-CoV-2,

dan Angiotensin Converting Enzym 2 (ACE2) yang terlibat sebagai reseptor untuk

masuknya kedua virus ini. Sedangkan untuk MERS-CoV, ia berikatan dengan

reseptor lain, Di Peptidyl Peptidase 4 (DPP4) (Hoffmann et al., 2020). Perlu dicatat

bahwa tingkat ekspresi ACE2, dan juga frekuensi alel bervariasi di antara populasi

(Cao et al., 2020). Karakteristik reseptor seluler ACE2 juga dapat menjelaskan

patogenesis dari SARS-CoV dan SARS-CoV-2. Seperti diketahui bahwa pengikatan

protein S virus ke ACE2 menginduksi umpan balik negatif yang akhirnya

menghasilkan downregulasi ACE2. Penurunan ACE2 selanjutnya menyebabkan

permeabilitas pembuluh darah paru meningkat (Kuba et al., 2005).

MicroRNA (miRNA) merupakan keluarga RNA yang tidak menyandi (non–

coding RNA) yang tersusun atas 19–24 nukleotida yang menghambat translasi

mRNA dan meningkatkan degradasi mRNA, hasilnya akan menurunkan tingkat

ekspresi protein. miRNA secara khusus mengikatkan diri pada regio 3’ dari mRNA

yang tidak tertranslasi (untranslated region) dan menyebabkan represi dan atau

degradasi paska transkripsi mRNA bersangkutan dalam sel yang berproliferasi.

MiRNA terletak dalam intron maupun ekson dari gen penyandi protein (70%) atau

di daerah intergenik (30%). MiRNA memiliki peran biologis untuk mengatur

berbagai proses penting dalam pertumbuhan, diferensiasi, apoptosis, proliferasi,

penuaan dan proses seluler lain. Penelitian bioinformatika dan microarray

mengungkapkan bahwa satu miRNA tunggal dapat berikatan dengan 200 gen

sasaran, dan bahwa gen sasaran ini dapat berupa faktor transkripsi, reseptor, faktor

yang disekresikan maupun transporter (Xia HP., 2008).

MiRNA yang disandikan pada virus pertama kali ditemukan pada Epstein-

Barr Virus (EBV) manusia (Pfeffer, 2004) dan lebih dari 320 prekursor miRNA virus

dilaporkan sejauh ini. Seperti diketahui bahwa berbagai virus DNA dapat

mengekspresikan miRNA, namun bagaimana dengan virus RNA apakah bisa

mengekspresikan miRNA, hal ini masih dalam perdebatan, karena virus RNA

6

bereplikasi dalam sitoplasma dan tidak memiliki akses ke mesin miRNA di inti sel

(Demirci et al., 2016).

ROADMAP PENELITIAN

BATCH I (2020)

• Identifikasi micro RNA SARS-COV-2

• (Penelitian yang dilakukan)

BATCH II (2021)

• Pemeriksaan micro RNA yang berperan dalam SARS-COV-2 berdasarkan identifikasi yang di dapat pada BATCH I

BATCH III (2022)

• Target pengobatan dengan micro RNA pada uji pra klinik

7

BAB 3. METODE PENELITIAN

DATA GENOM SEQUENCE SARS COV-2

Data genom sequence SARS CoV-2 diperoleh dari 37 genom lengkap dari

GISAID (https://www.gisaid.org/), NCBI (https://ncbi.nlm.nih.gov), dan National

Genomics Data Center (NGDC) yang merupakan bagian dari China National

Center for Bioinformation (https://bigd.big.ac.cn/gwh/) sebagai referensi genom

(tabel data tambahan 1). Selain itu, kami memperoleh 38 Data genom sequence

SARS CoV-2 di Indonesia dari GISAID yang diakses pada 13 September 2020

(tabel data tambahan 2).

PREDIKSI MIRNA

Perangkat lunak MiRDB digunakan untuk memprediksi miRNA terhadap

urutan SARS CoV-2. Perangkat lunak miRDB menggunakan kode yang dijalankan

dari gbnegrini/mirdb-custom-target-search (https://github.com/gbnegrini/mirdb-

custom-target-search) berdasarkan versi perangkat lunak berbasis web (http://

mirdb.org/custom.html). Dalam pekerjaan ini, kami menggunakan algoritma

mirTarget berdasarkan Support Vector Machine untuk menghitung skor prediksi

target miRNA (X. Wang, 2008). Ambang batas skor prediksi target miRNA yang

digunakan dalam pekerjaan kami adalah 80. Target miRNA yang terdeteksi oleh

miRDB telah cocok berdasarkan jumlah miRNA dari database miRBase versi 22.1

(http://www.mirbase.org/). Selain itu, kami juga menggunakan perangkat lunak

ChromosPros Versi 2.1.9 untuk quality control sequence SARS CoV-2.

ANALISIS STATISTIK

Untuk mendapatkan miRNA yang signifikan dari kedua kelompok, maka

dilakukan serangkaian uji Chi-Square untuk melihat perbedaan dengan melihat

proporsi tingkat kemunculan miRNA pada kedua kelompok. Hanya miRNA dengan

nilai p <0,05 dianggap signifikan.

http://www.mirbase.org/

8

ANALISIS JALUR MIRNA

miRNA yang signifikan dianalisis jalur mereka dengan menggunakan perangkat

lunak berbasis web DIANA-miRPath v 3.0 (http://www.microrna.gr/miRPathv3)

yang berbasis Gene Ontology (GO) dengan subkategori proses biologis (Vlachos et

al., 2015). DIANA-miRPath v3.0 menerapkan algoritma DIANA-microT-CDS

yang memprediksi CDS (Coding Sequence) mRNA dan 3 'UTR region dengan

akurasi tinggi (Paraskevopoulou et al., 2013). Keseluruhan proses penelitian dapat

dilihat pada Gambar 1.

Gambar 1. proses penelitian

9

RINCIAN ALUR PENELITIAN

Tabel 1. Alur Penelitian

PELAKSANAAN

PENELITIAN

PROSEDUR METODE INDIKATOR

TAHAP I

Pencarian data

genom sequence

SARS-CoV-2

dari Cina dan

Indonesia

a. Mencari dan mengkaji

Sumber yang relevan

b. Mengkaji Validitas

dengan pakar

a. Kajian Pustaka (data

dari web)

b. Focus group

discussion dengan

para pakar

Diperoleh data

genom

sequence

SARS-COV-2

dari Cina dan

Indonesia

TAHAP II

Prediksi miRNA

dari sequence

SARS-CoV-2

Menggunakan algoritma

mirTarget berdasarkan

Support Vector Machine

dengan ambang batas

skor prediksi 80.

Prediksi miRNA

dilakukan dengan

menggunakan

perangkat lunak

miRDB dengan kode

yang dijalankan dari

gbnegrini/mirdb-

custom-target-search

(https://github.com/gb

negrini/mirdb-custom-

target-search)

Diperoleh

Prediksi

miRNA dari

sequence

SARS-CoV-2

TAHAP III

Analisis Statistik Untuk mendapatkan

miRNA yang signifikan

dari kedua kelompok,

maka dilakukan

serangkaian statistik

uji chi-square dengan

nilai p<0,05

Diperoleh data

miRNA yang

berperan pada

sequence

SARS-COV-2

yang

bermakna

secara statistik

TAHAP IV

Analisis Jalur

miRNA

miRNA yang signifikan

dianalisis jalur mereka

dengan menggunakan

perangkat lunak berbasis

web DIANA-miRPath v

3.0 yang berbasis Gene

Ontology (GO) dengan

subkategori proses

biologis

DIANA-miRPath v3.0

menerapkan algoritma

DIANA-microT-CDS

yang memprediksi

CDS (Coding

Sequence) mRNA dan

3 'UTR region dengan

akurasi tinggi

Diperoleh data

miRNA yang

berperan pada

proses biologis

10

BAB 4. HASIL DAN PEMBAHASAN

HASIL

Secara total, ada 76 sampel genom SARS-COV-2 yang dimasukkan dalam

penelitian ini. Rangkuman karakteristik sampel host tersebut berdasarkan jenis

kelamin dan umur dapat dilihat pada Tabel 2. Sampel host Indonesia sebagian besar

berjenis kelamin laki-laki. Sebaliknya, sampel Wuhan mayoritas berjenis kelamin

perempuan. Tidak ada perbedaan usia yang signifikan dari kedua sampel tersebut.

Tabel 2. Karakteristik Sampel Host

Indonesia Wuhan P-value

Gender 0.011

Male 29 (74.36%) 17 (45.95%)

Female 10 (25.64%) 20 (54.05%)

Age 0.061

range 17-83 21-65

mean 50.79 44.19

stdev 17.89 11.56

Hasil Uji Chi-Square menunjukkan lima miRNA yang signifikan pada kedua

kelompok ini. Tabel 3 menunjukkan daftar miRNA yang signifikan dengan nilai p

< 0,05. Tabel kontingensi lengkap untuk miRNA ini dapat dilihat pada Tabel 4. hsa-

miR-4778-5p dan hsa-miR-4531 adalah dua miRNA yang secara jelas terlihat

kontras antara kedua kelompok ini. Kedua miRNA ini tidak diprediksi pada lebih

dari 50% sampel genom dari Indonesia tetapi diprediksi sebagian besar sampel

Wuhan. Selain itu, has-miR-4788-5p secara konsisten diprediksi di semua sampel

Wuhan. Tiga miRNA lainnya diprediksi pada kedua kelompok sampel meskipun

dengan persentase yang berbeda. Di antara kelima miRNA tersebut, hanya

memiliki-miR-6844 yang berasosiasi dengan gen ORF1AB.

11

Tabel 3. miRNA yang signifikan.

miRNA P-value

hsa-miR-4778-5p < 0.001

hsa-miR-4531 0.001

hsa-miR-6844 0.011

hsa-miR-627-5p 0.023

hsa-miR-3674 0.027

Tabel 4. Tabel Kontingensi miRNA yang signifikan.

miRNA Indonesia Wuhan

yes no Yes no

hsa-miR-4778-5p 19 (48.72%) 20 (51.28%) 37(100%) 0(0%)

hsa-miR-4531 10(25.64%) 29(74.36%) 24(64.86%) 13(35.14%)

hsa-miR-6844 39(100%) 0(0%) 31(83.78%) 6(16.22%)

hsa-miR-627-5p 37(94.87%) 2(5.13%) 28(75.68%) 9(24.32%)

hsa-miR-3674 38(97.44%) 1(2.56%) 30(81.08%) 7(1.92%)

5 miRNA yang signifikan dari uji Chi-Square kemudian dianalisis untuk

jalurnya dengan menggunakan DIANA-miRPath v 3.0 dan diperoleh 4 jalur

berdasarkan Ontologi Gen mereka sesuai dengan 3 miRNA (hsa-miR-4778-5p, hsa-

miR-4531 , dan hsa-miR-6844) (Tabel 5 dan Gambar 2).

Tabel 5. Jalur Ontologi Gen miRNA SARS CoV-2 Indonesia vs Wuhan

GO Category p-value Genes miRNAs miRNA List

Genes

according

to miRNAs

Cellular Nitrogen

Compound Metabolic

Process (GO:0034641) <1e-325 500 5 hsa-miR-4778-5p 225

hsa-miR-4531 119

hsa-miR-6844 114

Biosynthetic Process

(GO:0009058) 3.33E-13 351 4 hsa-miR-4778-5p 176

hsa-miR-4531 98

hsa-miR-6844 94

Fc-epsilon Receptor

Signaling Pathway

(GO:0038095) 3.54E-10 34 3 hsa-miR-4778-5p 20

hsa-miR-4531 9

hsa-miR-6844 8

12

Cellular Protein

Modification Process

(GO:0006464) 6.49E-10 220 3 hsa-miR-4778-5p 106

hsa-miR-4531 61

hsa-miR-6844 68

Gambar 2. Skema Jalur prediksi miRNA (hsa-miR-4778-5p, hsa-miR-4531, hsa-

miR-6844) berdasarkan Gen Ontologi dengan kotak kuning sebagai proses

biologis yang dipengaruhi oleh miRNA

PEMBAHASAN

Lima miRNA yang tercantum dalam Tabel 1 merupakan miRNA yang

termasuk dalam daftar 873 miRNA umum yang menargetkan genom COVID-19

yang ditemukan secara analisis in silico oleh Fulzele dan rekan (Fulzele et al.,

2020). Mereka menggunakan 29 isolat COVID-19 dari berbagai negara, termasuk

dari Wuhan dan negara Asia lainnya. Selain itu, temuan mereka menunjukkan

bahwa lima miRNA kami juga termasuk dalam 558 isolat COVID-19 yang

umumnya ada. Namun, kami tidak menemukan satupun dari lima miRNA dengan

skor target tertinggi (di atas 94) dari perhitungan kami cocok dengan hasil mereka

13

(7 miRNA). Selain itu, Khan dan rekan (Khan et al., 2020) mencoba mempelajari

perbedaan pola pengikatan miRNA inang dalam berbagai genom COVID-19 (67

isolat) dari wilayah yang berbeda (24 negara). Mereka menemukan 24 miRNA

inang dan melakukan analisis clustering untuk menemukan dua cluster miRNA

utama yang berasal dari isolat Asia (Isolat Korea Selatan dan Singapura). Mirip

dengan hasil Fulzele dan rekan, tetapi penelitian kami tidak menemukan satupun

prediksi miRNA dengan miRNA pada penelitian Khan dan rekan, sehingga hasil

kami yang unik dan berbeda memerlukan penyelidikan lebih lanjut. Selain itu, studi

terbaru oleh Li dan rekan mengamati perbedaan ekspresi miRNA dalam darah tepi

antara pasien COVID-19 dan donor sehat, mereka menemukan miR ‐16-2‐3p, miR‐

6501‐5p, dan miR‐618 secara signifikan diekspresikan pada pasien COVID-19

dibandingkan dengan donor yang sehat (Li et al., 2020).

Selain COVID-19, miRNA yang kami temukan ternyata memiliki kaitan

dengan tumor berdasarkan penelitian sebelumnya. Hal ini dapat menjadi

pertimbangan untuk mengembangkan strategi dalam menangani penyebaran

SARS-CoV-2. Misalnya, hsa-miR4778, dilaporkan memiliki hubungan dengan

tumor di jaringan payudara (Persson et al., 2011). Pasien yang terinfeksi SARS-

CoV-2 di Wuhan memiliki miRNA ini lebih banyak daripada di Indonesia, hal ini

mungkin disebabkan SARS-CoV-2 di Wuhan menginfeksi orang yang sudah

memiliki tumor di jaringan payudara atau mungkin menyebabkan tumor di jaringan

payudara. Di sisi lain, hsa-miR-627 yang terdeteksi pada pasien yang terinfeksi

SARS-CoV-2 di Indonesia lebih banyak dibandingkan pasien di Wuhan yang

memiliki keterkaitan dengan kanker kolorektal (Cummins et al., 2006). Selain itu

hsa-miR-3674 juga sering ditemukan di pasien Indonesia, dan berkaitan dengan

tumor (Vaz et al., 2010). Selain tumor, hsa-miR-4531 memiliki hubungan dengan

keganasan sel B pada manusia (Jima et al., 2010). Terakhir, hsa-miR-6844 juga

ditemukan pada tikus (Bickels et al., 2001). Hal ini mungkin menunjukkan bahwa

SARSCoV-2 dapat menyebar ke tikus dan menjadi pembawa. Aspek ini harus

diteliti lebih lanjut.

14

Hasil analisis prediksi target miRNA kami menunjukkan sedikit perbedaan

antara SARSCoV-2 yang ditemukan di Indonesia dan Wuhan. Perbedaan ini

mungkin disebabkan oleh mutasi (perubahan genetika minor) atau rekombinasi

(perubahan genetika mayor) (Wimmer & Goldbach, 1992). Namun dalam studi

pendahuluan ini, kami hanya memfokuskan pembahasan kami pada mutasi-mutasi

yang menyebabkan perbedaan SARS-CoV-2 dari kedua sumber ini. Tabel data

tambahan 3 dan 4 menunjukkan mutasi yang ditemukan di setiap sampel dari kedua

sumber. Dalam sampel Indonesia, tiga besar mutasi yang paling umum adalah Spike

D614G, NSP12 P323L, dan N3 Q57H. Ketiga Mutasi tersebut tidak identik dengan

tiga mutasi paling umum pada sampel Wuhan, yaitu NSP2 N92H, Spike N856K,

dan NS8 L84S. Pengaruh mutasi Spike D614G berhubungan dengan infeksiusitas

SARS-CoV-2 dan berhungan dengan pandemic global (Mercatelli & Giorgi,

2020)(Korber et al., 2020)(Plante et al., 2020)(Mohammad et al., 2020)(Jackson et

al., 2020)(Yurkovetskiy et al., 2020)(Franco-Muñoz et al., 2020). Mutasi ini sangat

terkait dengan tingkat infeksi yang lebih tinggi pada sel paru-paru manusia dan sel

usus besar (Yurkovetskiy et al., 2020). Sebuah studi dari Amerika Selatan

menemukan bahwa mutasi khusus ini terjadi pada 83% sampel mereka dan

menyarankan investigasi lebih lanjut terkait dengan perkembangan vaksin dan

metode pengobatan lainnya.

Selain itu, kombinasi Spike D614G dan NSP12 P323L (mutasi umum

pertama dan kedua pada sampel Indonesia) pada semua varian SARS-CoV-2 yang

terdeteksi menunjukkan pentingnya dua mutasi ini dalam hal penularan dan tingkat

patogenisitas (Mutlu et al., 2020)(Hartley et al., 2020)(Kannan et al., 2020). Sebuah

studi dari kasus Vietnam, juga menemukan D614G dan P323L merupakan mutasi

yang paling umum, begitu juga di eropa di dapatkan hal yang sama (Nguyen et al.,

2020). Berbeda dengan kedua mutasa sebelumnya, terdapat juga sedikit penelitian

yang membahas mutasi N3 Q57H (R. Wang et al., 2020)(Nguyen et al.,

2020)(Soratto et al., 2020)(Soratto et al., 2020)(Hassan et al., 2020). Namun mutasi

ini ditemukan di 70% sampel Amerika Serikat bersama dengan mutasi lain yaitu

T85I (R. Wang et al., 2020). Studi tersebut juga menunjukkan bahwa mutasi ini

15

pertama kali ditemukan di Singapura pada pertengahan Februari 2020 (R. Wang et

al., 2020).

Selain faktor mutasi, kami juga menyertakan analisis clade untuk

membandingkan karakteristik SARS-CoV-2 dari Indonesia dan Wuhan. Clade

dapat dikaitkan dengan analisis filogenetik yang mengelompokkan varian virus

tertentu berdasarkan garis keturunan. Antara Sampel SARS-CoV-2 Indonesia

sebagian besar dikelompokkan ke dalam clade GH (50%) dan L (40%), dengan

sisanya, dikategorikan ke dalam klade G, O, dan GR. Di sisi lain, semua sampel

dari Wuhan dikelompokkan dalam clade L kecuali satu sampel yang

dikelompokkan dalam clade S. Clade L secara dominan diwakili dalam sampel Asia

(Mercatelli & Giorgi, 2020). Hal ini menyebabkan mayoritas sampel termasuk

sampel Wuhan dan hampir separuh Indonesia juga dikelompokkan dalam clade L.

Menariknya, clade GH sebagai kelompok sampel yang paling umum di Indonesia,

sebagian besar telah terdeteksi di Benua Amerika (Mercatelli & Giorgi, 2020)(B.

Hu et al., 2020). Clade ini berasal dari mutasi D614G dan Q57H yang biasa

ditemukan dalam sampel Indonesia. Saat ini, clade GH bersama GR adalah clade

yang paling umum diamati di semua sampel sekuensing SARS-CoV-2 secara global

(Mercatelli & Giorgi, 2020). Dari analisis, jumlah clade GH sangat banyak

jumlahnya pada Mei 2020 (Alm et al., 2020).

Dari sisi analisis ontologi gen, terdapat 4 jalur yang menunjukkan peran hsa-

miR-4778-5p, hsa-miR-4531, dan hsa-miR-6844 dalam proses biologis (Tabel 5).

Cellular Protein Modification Process (GO: 0006464) mendeteksi target miRNA

yang berperan dalam Post Translational Modification (PTM). Proses glikosilasi

merupakan salah satu PTM dalam SARSCoV-2 dan ditemukan pada sebagian besar

kompleks N-glikan dalam protein S dan ACE2 (Angiotensin Converting Enzyme

2) pada manusia menurut sebuah studi Sun dan rekan (Sun et al., 2020). Sementara

itu, Bouhaddo dan rekan (Bouhaddou et al., 2020) meneliti fosfoproteomik pada

studi "in vivo" dan "in silico" yang menunjukkan penurunan proses fosforilasi pada

NSP12 (Non Structural Protein 12) selama infeksi SARS-CoV-2. Penurunan

fosforilasi ini dapat dikaitkan dengan peningkatan stres oksidatif yang

16

mengoksidasi protein untuk menginduksi mutasi (Valko et al., 2007). Pada sampel

Indonesia telah terjadi mutasi NSP12 sebanyak 43 kali, hal ini memungkinkan

peran miRNA terhadap PTM pada regulasi protein fungsional selama infeksi

SARS-CoV-2. Protein non-struktural ini menunjukkan korelasi yang kuat pada

target miRNA yang terkait dengan gen ORF1ab.

Cellular Nitrogen Compound Metabolic Process (GO: 0034641) dan

Biosynthetic Process (GO: 0009058) memiliki korelasi yang kuat (lihat gambar 2)

berdasarkan 3 target miRNA untuk SARSCoV-2 yang terdeteksi. Kedua proses

biologis tersebut menunjukkan peran pada proses inflamasi selama infeksi SARS-

CoV-2. Studi molekuler SARS-CoV-2 yang dilakukan oleh Hu dan rekan (X. Hu

et al., 2020) menunjukkan peran yang sama dalam proses inflamasi pada paru-paru.

Penelitian Arisan dan rekan (Arisan et al., 2020) juga mendeteksi Cellular Nitrogen

Compound Metabolic Process berdasarkan analisis Gen Ontologi pada sekuens

genom dari Cina, Turki, Italia, dan Spanyol. Proses biosintetik yang terkait dengan

SARS-CoV-2 dalam proses inflamasi sebagian besar terkait dengan biosintesis

asam lemak, terutama asam lemak arakidonat dan asam lemak tak jenuh (Abu-

Farha et al., 2020)(Geurdes & Koutsaroff, 2020)(Kothapalli et al., 2020)(Shawky

et al., 2020). Dalam jalur biosintesis arakidonat, komponen pro-inflamasi dan

produk senyawa endogen diproduksi dan menyebabkan peradangan. Probabilitas

infeksi SARS-CoV-2 bisa meningkat dengan defisiensi regulasi jalur asam

arakidonat (Das, 2020)(Hoxha, 2020). Selain biosintesis asam lemak, Cellular

Protein Modification Process, Cellular Nitrogen Compound Metabolic Process, dan

Biosynthetic Process berperan juga dalam disregulasi metabolisme nitrogen melalui

perubahan komponen dan biosintesis asam amino yang menunjukkan peningkatan

biomarker stres oksidatif selama infeksi SARS-CoV-2 (Thomas et al., 2020).

Analisis Gen Ontologi lainnya adalah Fc-epsilon Receptor Signaling Pathway (GO:

0038095), yang memiliki peran kunci dalam reaksi imunologi yang terkait dengan

SARSCoV-2. Menurut sebuah studi oleh Fulzele dan rekan (Fulzele et al., 2020),

terdapat 24 target miRNA host pada infeksi SARS-CoV2 yang berperan dalam Fc-

epsilon Receptor Signaling Pathway. Sebuah studi pendahuluan proteomik oleh

Leng dan rekan (Leng et al., 2020) dengan sampel klinis terkait cedera paru-paru

17

yang disebabkan oleh COVID-19, menunjukkan penurunan regulasi beberapa

protein yang terkandung dalam Fc-epsilon Receptor Signaling Pathway. Perubahan

regulasi pada cedera paru terkait COVID-19 juga diikuti oleh beberapa sinyal

terkait imun lainnya seperti reseptor lektin tipe-C dan NF-kb. Efek dari Fc-epsilon

Receptor Signaling Pathway juga ditemukan dalam studi Ouyang dan rekan

(Ouyang et al., 2020), dimana study tersebut mendeteksi ekspresi berlebih dari

MAP2K7 dan SOS1 yang mempengaruhi jalur pensinyalan reseptor sel-T yang

diperkirakan berperan dalam perkembangan COVID-19. Fc-epsilon Receptor

Signaling Pathway terkait dengan Cellular Protein Modification Process yang

berhubungan dengan mekanisme fosforilasi / defosforilasi dalam reseptor IgE

dengan afinitas tinggi yang disebut Fc epsilon RI (FcεRI). Selain itu, reaksi Fc

epsilon RI terhadap antigen IgE juga berperan dalam proses inflamasi dengan

melepaskan mediator inflamasi (Paolini et al., 1992)(Siraganian, 2003)

18

BAB 5. KESIMPULAN DAN SARAN

Deteksi spesifik miRNA pada penelitian ini menunjukkan adanya

perbedaan kasus COVID-19 di Indonesia dan China (Wuhan), khususnya dalam

studi biologi molekuler. Lima miRNA inang target yang signifikan menunjukkan

peran penting dalam peradangan dan sistem kekebalan selama infeksi SARS-CoV-

2. Perlu dilakukan penelitian lebih lanjut terhadap lima miRNA dengan targetnya

yang dapat dimanfaatkan untuk biomarker potensial atau untuk tujuan pengobatan

pada kasus COVID-19 di Indonesia.

19

BAB 6 LUARAN YANG DICAPAI

Luaran yang dicapai berisi Identitas luaran penelitian yang dicapai oleh

peneliti sesuai dengan skema penelitian yang dipilih.

Jurnal

IDENTITAS JURNAL

1 Nama Jurnal Journal of Infectious Diseases

2 Website Jurnal https://www.tandfonline.com/toc/infd20/current

3 Status Makalah Review

4 Jenis Jurnal Jurnal International

4 Tanggal Submit 30-Nov-2020

5 Bukti Screenshot submit

Pemakalah di seminar

IDENTITAS SEMINAR

1 Nama Jurnal ICNSSE 2020: International Conference On Natural

And Social Science Education

2 Website Jurnal https://conference.uhamka.ac.id/lic

3 Status Makalah Accepted

4 Jenis Prosiding Prosiding International

4 Tanggal Submit 09 November 2020

5 Bukti Screenshot submit

Pemakalah di seminar

20

BAB VII RENCANA TINDAK LANJUT DAN PROYEKSI HILIRISASI

Minimal mencakup 2 hal ini.

Hasil Penelitian Seperti kita ketahui bahwa penyakit yang disebabkan oleh

virus SARS-CoV-2 masih terus meningkat dari hari ke hari,

sedangkan pengobatan masih terus dikembangkan, maka

diperlukan begitu banyak penelitian dari banyak aspek,

salah satunya adalah mengidentifikasi miRNA yang

berkaitan dengan proses perkembangan virus. Pada

penelitian ini didapatkan lima miRNA yang sangat berperan

pada infeksi virus SARS-CoV-2 melalui analisis

bioinformatik sehingga sangat diperlukan penelitian lebih

lanjut untuk melihat kelima miRNA tersebut pada sampel

manusia yang terinfeksi SARS-CoV-2.

Rencana Tindak

Lanjut

Penelitian ini perlu ditindaklanjuti pada sampel darah

manusia yang terinfeksi virus SARS-CoV-2 untuk melihat

apakah miRNA yang kami temukan dalam penelitian ini

mengalami peningkatan atau tidak, sehingga dapat

dimanfaatkan untuk biomarker potensial atau untuk tujuan

pengobatan pada kasus COVID-19 di Indonesia.

21

DAFTAR PUSTAKA

Abu-Farha, M., Thanaraj, T. A., Qaddoumi, M. G., Hashem, A., Abubaker, J., &

Al-Mulla, F. (2020). The Role of Lipid Metabolism in COVID-19 Virus

Infection and as a Drug Target. International Journal of Molecular Sciences,

21(10), 3544. https://doi.org/10.3390/ijms21103544

Alm, E., Broberg, E. K., Connor, T., Hodcroft, E. B., Komissarov, A. B., Maurer-

Stroh, S., Melidou, A., Neher, R. A., O’Toole, Á., & Pereyaslov, D. (2020).

Geographical and temporal distribution of SARS-CoV-2 clades in the WHO

European Region, January to June 2020. Eurosurveillance, 25(32).

https://doi.org/10.2807/1560-7917.ES.2020.25.32.2001410

Ansori, A. N., Kusala, M., Irine, N., Indrasari, S., Alamudi, Muhammad Y Nidom,

R. V, & Al., E. (2020). Immunoinformatic investigation of three structural

protein genes in Indonesia SARS-CoV-2 isolates. Systematic Reviews in

Pharmacy, 11(7), 422–434.

Arisan, E. D., Dart, A., Grant, G. H., Arisan, S., Cuhadaroglu, S., Lange, S., &

Uysal-Onganer, P. (2020). The Prediction of miRNAs in SARS-CoV-2

Genomes: hsa-miR Databases Identify 7 Key miRs Linked to Host Responses

and Virus Pathogenicity-Related KEGG Pathways Significant for

Comorbidities. Viruses, 12(6), 614. https://doi.org/10.3390/v12060614

Bickels, J., Jelinek, J., Shmookler, B., & Malawer, M. (2001). Biopsy of

Musculoskeletal Tumors. In Musculoskeletal Cancer Surgery (pp. 37–46).

Bouhaddou, M., Memon, D., Meyer, B., White, K. M., Rezelj, V. V., Correa

Marrero, M., Polacco, B. J., Melnyk, J. E., Ulferts, S., Kaake, R. M., Batra, J.,

Richards, A. L., Stevenson, E., Gordon, D. E., Rojc, A., Obernier, K., Fabius,

J. M., Soucheray, M., Miorin, L., … Krogan, N. J. (2020). The Global

Phosphorylation Landscape of SARS-CoV-2 Infection. Cell, 182(3), 685-

712.e19. https://doi.org/10.1016/j.cell.2020.06.034

Cammaerts, S., Strazisar, M., De Rijk, P., & Del Favero, J. (2015). Genetic variants

in microRNA genes: impact on microRNA expression, function, and disease.

Frontiers in Genetics, 6(186). https://doi.org/10.3389/fgene.2015.00186.

Cao, Y., Li, L., Feng, Z., Wan, S., Huang, P., Sun, X., Wen, F., Huang, X., Ning,

G., & Wang, W. (2020). Comparative genetic analysis of the novel

coronavirus (2019-nCoV/SARS-CoV-2) receptor ACE2 in different

populations. Cell Discovery, 6(1), 11. https://doi.org/10.1038/s41421-020-

0147-1

Chan, J. F.-W., Yuan, S., Kok, K.-H., To, K. K.-W., Chu, H., Yang, J., Xing, F.,

Liu, J., Yip, C. C.-Y., Poon, R. W.-S., Tsoi, H.-W., Lo, S. K.-F., Chan, K.-H.,

Poon, V. K.-M., Chan, W.-M., Ip, J. D., Cai, J.-P., Cheng, V. C.-C., Chen, H.,

… Yuen, K.-Y. (2020). A familial cluster of pneumonia associated with the

2019 novel coronavirus indicating person-to-person transmission: a study of a

22

family cluster. The Lancet, 395(10223), 514–523.

https://doi.org/10.1016/S0140-6736(20)30154-9

Chen, N., Zhou, M., Dong, X., Qu, J., Gong, F., Han, Y., Qiu, Y., Wang, J., Liu,

Y., Wei, Y., Xia, J., Yu, T., Zhang, X., & Zhang, L. (2020). Epidemiological

and clinical characteristics of 99 cases of 2019 novel coronavirus pneumonia

in Wuhan, China: a descriptive study. The Lancet, 395(10223), 507–513.

https://doi.org/10.1016/S0140-6736(20)30211-7

Cummins, J. M., He, Y., Leary, R. J., Pagliarini, R., Diaz, L. A., Sjoblom, T., Barad,

O., Bentwich, Z., Szafranska, A. E., Labourier, E., Raymond, C. K., Roberts,

B. S., Juhl, H., Kinzler, K. W., Vogelstein, B., & Velculescu, V. E. (2006).

The colorectal microRNAome. Proceedings of the National Academy of

Sciences, 103(10), 3687–3692. https://doi.org/10.1073/pnas.0511155103

Das, U. N. (2020). Can Bioactive Lipids Inactivate Coronavirus (COVID-19)?

Archives of Medical Research, 51(3), 282–286.

https://doi.org/10.1016/j.arcmed.2020.03.004

de Wit, E., van Doremalen, N., Falzarano, D., & Munster, V. J. (2016). SARS and

MERS: recent insights into emerging coronaviruses. Nature Reviews

Microbiology, 14(8), 523–534. https://doi.org/10.1038/nrmicro.2016.81

Demirci, M. D. S., Toprak, M., & Allmer, J. (2016). A Machine Learning Approach

for MicroRNA Precursor Prediction in Retro-transcribing Virus Genomes.

Journal of Integrative Bioinformatics, 13(5). https://doi.org/10.1515/jib-2016-

303

Fernandez, N., Cordiner, R. A., Young, R. S., Hug, N., Macias, S., & Cáceres, J. F.

(2017). Genetic variation and RNA structure regulate microRNA biogenesis.

Nature Communications, 8(1), 15114. https://doi.org/10.1038/ncomms15114

Finnegan, E. F., & Pasquinelli, A. E. (2013). MicroRNA biogenesis: regulating the

regulators. Critical Reviews in Biochemistry and Molecular Biology, 48(1),

51–68. https://doi.org/10.3109/10409238.2012.738643

Franco-Muñoz, C., Álvarez-Díaz, D. A., Laiton-Donato, K., Wiesner, M.,

Escandón, P., Usme-Ciro, J. A., Franco-Sierra, N. D., Flórez-Sánchez, A. C.,

Gómez-Rangel, S., Rodríguez-Calderon, L. D., Barbosa-Ramirez, J., Ospitia-

Baez, E., Walteros, D. M., Ospina-Martinez, M. L., & Mercado-Reyes, M.

(2020). Substitutions in Spike and Nucleocapsid proteins of SARS-CoV-2

circulating in South America. Infection, Genetics and Evolution, 85, 104557.

https://doi.org/10.1016/j.meegid.2020.104557

Fulzele, S., Sahay, B., Yusufu, I., Lee, T. J., Sharma, A., Kolhe, R., & Isales, C. M.

(2020). COVID-19 Virulence in Aged Patients Might Be Impacted by the Host

Cellular MicroRNAs Abundance/Profile. Aging and Disease, 11(3), 509.

https://doi.org/10.14336/AD.2020.0428

Geurdes, H., & Koutsaroff, I. (2020). Histamine Antagonists to Temper the

23

Cytokine Overproduction in Gastrointestinal Cells Infected by SARS-CoV-2.

Virol Mycol Open Access, 9(2), 189.

https://doi.org/https://doi.org/10.20944/preprints202004.0542.v1

Gkirtzou, K., Tsamardinos, I., Tsakalides, P., & Poirazi, P. (2010). MatureBayes:

A Probabilistic Algorithm for Identifying the Mature miRNA within Novel

Precursors. PLoS ONE, 5(8), e11843.

https://doi.org/10.1371/journal.pone.0011843

Grundhoff, A. (2011). Computational Prediction of Viral miRNAs (pp. 143–152).

https://doi.org/10.1007/978-1-61779-037-9_8

Guan, W., Ni, Z., Hu, Y., Liang, W., Ou, C., He, J., Liu, L., Shan, H., Lei, C., Hui,

D. S. C., Du, B., Li, L., Zeng, G., Yuen, K.-Y., Chen, R., Tang, C., Wang, T.,

Chen, P., Xiang, J., … Zhong, N. (2020). Clinical Characteristics of

Coronavirus Disease 2019 in China. New England Journal of Medicine,

382(18), 1708–1720. https://doi.org/10.1056/NEJMoa2002032

gugus tugas percepatan penanganan covid 19. (n.d.). https://covid19.go.id/

Haddad, H., & Walid Al-Zyoud. (2020). miRNA target prediction might explain

the reduced transmission of SARS-CoV-2 in Jordan, Middle East. Non-Coding

RNA Research, 5(3), 135–143. https://doi.org/10.1016/j.ncrna.2020.08.002

Hamed S, Elkhatib W, Khairallah A, N. A. (2020). Global dynamics of SARS-CoV-

2 clades and their relation to COVID-19 epidemiology 2020. Research Square.

https://doi.org/https://doi.org/10.21203/rs.3.rs-89876/v1

Hartley, P. D., Tillett, R. L., AuCoin, D. P., Sevinsky, J. R., Xu, Y., Gorzalski, A.,

Pandori, M., Buttery, E., Hansen, H., Picker, M. A., Rossetto, C. C., & Verma,

S. C. (2020). Genomic surveillance of Nevada patients revealed prevalence of

unique SARS-CoV-2 variants bearing mutations in the RdRp gene. MedRxiv.

https://doi.org/https://doi.org/10.1101/2020.08.21.20178863

Hassan, S. S., Choudhury, P. P., Roy, B., & Jana, S. S. (2020). Missense mutations

in SARS-CoV2 genomes from Indian patients. Genomics, 112(6), 4622–4627.

https://doi.org/10.1016/j.ygeno.2020.08.021

Hoffmann, M., Kleine-Weber, H., Schroeder, S., Krüger, N., Herrler, T., Erichsen,

S., Schiergens, T. S., Herrler, G., Wu, N.-H., Nitsche, A., Müller, M. A.,

Drosten, C., & Pöhlmann, S. (2020). SARS-CoV-2 Cell Entry Depends on

ACE2 and TMPRSS2 and Is Blocked by a Clinically Proven Protease

Inhibitor. Cell, 181(2), 271-280.e8. https://doi.org/10.1016/j.cell.2020.02.052

Hoxha, M. (2020). What about COVID-19 and arachidonic acid pathway?

European Journal of Clinical Pharmacology, 76(11), 1501–1504.

https://doi.org/10.1007/s00228-020-02941-w

Hu, B., Guo, H., Zhou, P., & Shi, Z.-L. (2020). Characteristics of SARS-CoV-2 and

COVID-19. Nature Reviews Microbiology. https://doi.org/10.1038/s41579-

020-00459-7

24

Hu, X., Cai, X., Song, X., Li, C., Zhao, J., Luo, W., Zhang, Q., Ekumi, I. O., & He,

Z. (2020). Possible SARS-coronavirus 2 inhibitor revealed by simulated

molecular docking to viral main protease and host toll-like receptor. Future

Virology, 15(6), 359–368. https://doi.org/10.2217/fvl-2020-0099

Huang, C., Wang, Y., Li, X., Ren, L., Zhao, J., Hu, Y., Zhang, L., Fan, G., Xu, J.,

Gu, X., Cheng, Z., Yu, T., Xia, J., Wei, Y., Wu, W., Xie, X., Yin, W., Li, H.,

Liu, M., … Cao, B. (2020). Clinical features of patients infected with 2019

novel coronavirus in Wuhan, China. The Lancet, 395(10223), 497–506.

https://doi.org/10.1016/S0140-6736(20)30183-5

Jackson, C. B., Zhang, L., Farzan, M., & Choe, H. (2020). Functional importance

of the D614G mutation in the SARS-CoV-2 spike protein. Biochemical and

Biophysical Research Communications.

https://doi.org/10.1016/j.bbrc.2020.11.026

Jima, D. D., Zhang, J., Jacobs, C., Richards, K. L., Dunphy, C. H., Choi, W. W. L.,

Yan Au, W., Srivastava, G., Czader, M. B., Rizzieri, D. A., Lagoo, A. S.,

Lugar, P. L., Mann, K. P., Flowers, C. R., Bernal-Mizrachi, L., Naresh, K. N.,

Evens, A. M., Gordon, L. I., Luftig, M., … Dave, S. S. (2010). Deep

sequencing of the small RNA transcriptome of normal and malignant human

B cells identifies hundreds of novel microRNAs. Blood, 116(23), e118–e127.

https://doi.org/10.1182/blood-2010-05-285403

Kannan, S. R., Spratt, A. N., Quinn, T. P., Heng, X., Lorson, C. L., Sönnerborg, A.,

Byrareddy, S. N., & Singh, K. (2020). Infectivity of SARS-CoV-2: there Is

Something More than D614G? Journal of Neuroimmune Pharmacology,

15(4), 574–577. https://doi.org/10.1007/s11481-020-09954-3

Khan, M. A.-A.-K., Sany, M. R. U., Islam, M. S., & Islam, A. B. M. M. K. (2020).

Epigenetic Regulator miRNA Pattern Differences Among SARS-CoV, SARS-

CoV-2, and SARS-CoV-2 World-Wide Isolates Delineated the Mystery

Behind the Epic Pathogenicity and Distinct Clinical Characteristics of

Pandemic COVID-19. Frontiers in Genetics, 11.

https://doi.org/10.3389/fgene.2020.00765

Korber, B., Fischer, W. M., Gnanakaran, S., Yoon, H., Theiler, J., Abfalterer, W.,

Hengartner, N., Giorgi, E. E., Bhattacharya, T., Foley, B., Hastie, K. M.,

Parker, M. D., Partridge, D. G., Evans, C. M., Freeman, T. M., de Silva, T. I.,

McDanal, C., Perez, L. G., Tang, H., … Wyles, M. D. (2020). Tracking

Changes in SARS-CoV-2 Spike: Evidence that D614G Increases Infectivity

of the COVID-19 Virus. Cell, 182(4), 812-827.e19.

https://doi.org/10.1016/j.cell.2020.06.043

Kothapalli, K. S. D., Park, H. G., & Brenna, J. T. (2020). Polyunsaturated fatty acid

biosynthesis pathway and genetics. implications for interindividual variability

in prothrombotic, inflammatory conditions such as COVID-19.

Prostaglandins, Leukotrienes and Essential Fatty Acids, 162, 102183.

https://doi.org/10.1016/j.plefa.2020.102183

25

Koyama, T., Platt, D., & Parida, L. (2020). Variant analysis of SARS-CoV-2

genomes. Bulletin of the World Health Organization, 98(7), 495–504.

https://doi.org/10.2471/BLT.20.253591

Krol, J., Loedige, I., & Filipowicz, W. (2010). The widespread regulation of

microRNA biogenesis, function and decay. Nature Reviews Genetics, 11(9),

597–610. https://doi.org/10.1038/nrg2843

Kuba, K., Imai, Y., Rao, S., Gao, H., Guo, F., Guan, B., Huan, Y., Yang, P., Zhang,

Y., Deng, W., Bao, L., Zhang, B., Liu, G., Wang, Z., Chappell, M., Liu, Y.,

Zheng, D., Leibbrandt, A., Wada, T., … Penninger, J. M. (2005). A crucial

role of angiotensin converting enzyme 2 (ACE2) in SARS coronavirus–

induced lung injury. Nature Medicine, 11(8), 875–879.

https://doi.org/10.1038/nm1267

Leng, L., Cao, R., Ma, J., Mou, D., Zhu, Y., Li, W., Lv, L., Gao, D., Zhang, S.,

Gong, F., Zhao, L., Qiu, B., Xiang, H., Hu, Z., Feng, Y., Dai, Y., Zhao, J., Wu,

Z., Li, H., & Zhong, W. (2020). Pathological features of COVID-19-associated

lung injury: a preliminary proteomics report based on clinical samples. Signal

Transduction and Targeted Therapy, 5(1), 240.

https://doi.org/10.1038/s41392-020-00355-9

Li, C., Hu, X., Li, L., & Li, J. (2020). Differential microRNA expression in the

peripheral blood from human patients with COVID‐19. Journal of Clinical

Laboratory Analysis, 34(10). https://doi.org/10.1002/jcla.23590

Liu, Z., Wang, J., Xu, Y., Guo, M., Mi, K., Xu, R., Pei, Y., Zhang, Q., Luan, X.,

Hu, Z., & Liu1, X. (2020). Implications of the virus-encoded miRNA and host

miRNA in the pathogenicity of SARS-CoV-2.

Martin-Guerrero, I., Gutierrez-Camino, A., Lopez-Lopez, E., Bilbao-Aldaiturriaga,

N., Pombar-Gomez, M., Ardanaz, M., & Garcia-Orad, A. (2015). Genetic

Variants in MiRNA Processing Genes and Pre-MiRNAs Are Associated with

the Risk of Chronic Lymphocytic Leukemia. PLOS ONE, 10(3), e0118905.


Mendell, J. T., & Olson, E. N. (2012). MicroRNAs in Stress Signaling and Human

Disease. Cell, 148(6), 1172–1187. https://doi.org/10.1016/j.cell.2012.02.005

Mercatelli, D., & Giorgi, F. M. (2020). Geographic and Genomic Distribution of

SARS-CoV-2 Mutations. Frontiers in Microbiology, 11.

https://doi.org/10.3389/fmicb.2020.01800

Mohammad, A., Alshawaf, E., Marafie, S. K., Abu-Farha, M., Abubaker, J., & Al-

Mulla, F. (2020). Higher binding affinity of Furin to SARS-CoV-2 spike (S)

protein D614G could be associated with higher SARS-CoV-2 infectivity.

International Journal of Infectious Diseases.

https://doi.org/10.1016/j.ijid.2020.10.033

Muhammad Ansori, A. N., Dhea Kharisma, V., Sabilil Muttaqin, S., Antonius, Y.,

26

& Parikesit, A. A. (2020). Genetic Variant of SARS-CoV-2 Isolates in

Indonesia: Spike Glycoprotein Gene. Journal of Pure and Applied

Microbiology, 14(suppl 1), 971–978.

https://doi.org/10.22207/JPAM.14.SPL1.35

Mutlu, O., Ugurel, O. M., Sariyer, E., Ata, O., Inci, T. G., Ugurel, E., Kocer, S., &

Turgut-Balik, D. (2020). Targeting SARS-CoV-2 Nsp12/Nsp8 interaction

interface with approved and investigational drugs: an in silico structure-based

approach. Journal of Biomolecular Structure and Dynamics, 1–13.

https://doi.org/10.1080/07391102.2020.1819882

Nguyen, T. T., Pham, T. N., Van, T. D., Nguyen, T. T., Nguyen, D. T. N., Le, H.

N. M., Eden, J.-S., Rockett, R. J., Nguyen, T. T. H., Vu, B. T. N., Tran, G.

Van, Le, T. Van, Dwyer, D. E., & van Doorn, H. R. (2020). Genetic diversity

of SARS-CoV-2 and clinical, epidemiological characteristics of COVID-19

patients in Hanoi, Vietnam. PLOS ONE, 15(11), e0242537.


Nidom R V, Indrasari S, Normalina I, Kusala MKJ, Ansori ANM, N. C. (2020).

Investigation of the D614G Mutation and Antibody-Dependent Enhancement

Sequences in Indonesia SARSCoV-2 Isolates and Comparison to Southeast

Asian Isolates. Systematic Reviews in Pharmacy, 11(8), 203–213.

https://doi.org/http://dx.doi.org/10.31838/srp.2020.8.30

Ouyang, Y., Yin, J., Wang, W., Shi, H., Shi, Y., Xu, B., Qiao, L., Feng, Y., Pang,

L., Wei, F., Guo, X., Jin, R., & Chen, D. (2020). Downregulated Gene

Expression Spectrum and Immune Responses Changed During the Disease

Progression in Patients With COVID-19. Clinical Infectious Diseases, 71(16),

2052–2060. https://doi.org/10.1093/cid/ciaa462

Paolini, R., Numerof, R., & Kinet, J. P. (1992). Phosphorylation/dephosphorylation

of high-affinity IgE receptors: a mechanism for coupling/uncoupling a large

signaling complex. Proceedings of the National Academy of Sciences, 89(22),

10733–10737. https://doi.org/10.1073/pnas.89.22.10733

Paraskevopoulou, M. D., Georgakilas, G., Kostoulas, N., Vlachos, I. S., Vergoulis,

T., Reczko, M., Filippidis, C., Dalamagas, T., & Hatzigeorgiou, A. G. (2013).

DIANA-microT web server v5.0: service integration into miRNA functional

analysis workflows. Nucleic Acids Research, 41(W1), W169–W173.

https://doi.org/10.1093/nar/gkt393

Parikesit, Arli Aditya, & Nurdiansyah, R. (2020). The predicted structure for the

anti-sense sirna of the RNA Polymerase Enzym (RDRP) gene of the SAR-

COV-2. Berita Biologi, 19(1), 97–108.

https://doi.org/10.14203/beritabiologi.v19i1.3849

Parikesit, Arli Ardi, & Nurdiansyah, R. (2020). Drug Repurposing Option for

COVID-19 with Structural Bioinformatics of Chemical Interactions

Approach. Cermin Dunia Kedokteran, 47(3), 222–226.

27

Pedoman pencegahan dan pengendalian corona virus disease (COVID - 19).

(2020). Kementerian Kesehatan RI Direktorat Jenderal Pencegahan dan

Pengendalian Penyakit (P2P).

Persson, H., Kvist, A., Rego, N., Staaf, J., Vallon-Christersson, J., Luts, L., Loman,

N., Jonsson, G., Naya, H., Hoglund, M., Borg, A., & Rovira, C. (2011).

Identification of New MicroRNAs in Paired Normal and Tumor Breast Tissue

Suggests a Dual Role for the ERBB2/Her2 Gene. Cancer Research, 71(1), 78–

86. https://doi.org/10.1158/0008-5472.CAN-10-1869

Pfeffer, S. (2004). Identification of Virus-Encoded MicroRNAs. Science,

304(5671), 734–736. https://doi.org/10.1126/science.1096781

Plante, J. A., Liu, Y., Liu, J., Xia, H., Johnson, B. A., Lokugamage, K. G., Zhang,

X., Muruato, A. E., Zou, J., Fontes-Garfias, C. R., Mirchandani, D., Scharton,

D., Bilello, J. P., Ku, Z., An, Z., Kalveram, B., Freiberg, A. N., Menachery, V.

D., Xie, X., … Shi, P.-Y. (2020). Spike mutation D614G alters SARS-CoV-2

fitness and neutralization susceptibility. BioRxiv.

https://doi.org/https://doi.org/10.1101/2020.09.01.278689

Pyrc, K., Dijkman, R., Deng, L., Jebbink, M. F., Ross, H. A., Berkhout, B., & van

der Hoek, L. (2006). Mosaic Structure of Human Coronavirus NL63, One

Thousand Years of Evolution. Journal of Molecular Biology, 364(5), 964–973.

https://doi.org/10.1016/j.jmb.2006.09.074

Saçar Demirci, M. D., & Adan, A. (2020). Computational analysis of microRNA-

mediated interactions in SARS-CoV-2 infection. PeerJ, 8, e9369.

https://doi.org/10.7717/peerj.9369

Sarma, A., Phukan, H., Halder, N., & Madanan, M. G. (2020). An in-silico approach

to study the possible interactions of miRNA between human and SARS-CoV2.

Computational Biology and Chemistry, 88, 107352.

https://doi.org/10.1016/j.compbiolchem.2020.107352

Shawky, E., Nada, A. A., & Ibrahim, R. S. (2020). Potential role of medicinal plants

and their constituents in the mitigation of SARS-CoV-2: identifying related

therapeutic targets using network pharmacology and molecular docking

analyses. RSC Advances, 10(47), 27961–27983.

https://doi.org/10.1039/D0RA05126H

Siraganian, R. (2003). Mast cell signal transduction from the high-affinity IgE

receptor. Current Opinion in Immunology, 15(6), 639–646.

https://doi.org/10.1016/j.coi.2003.09.010

Skalsky, R. L., & Cullen, B. R. (2010). Viruses, microRNAs, and Host Interactions.

Annual Review of Microbiology, 64(1), 123–141.

https://doi.org/10.1146/annurev.micro.112408.134243

Soratto, T. A. T., Darban, H., Bjerkner, A., Coorens, M., Albert, J., Allander, T., &

Andersson, B. (2020). Four SARS-CoV-2 Genome Sequences from Late April

28

in Stockholm, Sweden, Reveal a Rare Mutation in the Spike Protein.

Microbiology Resource Announcements, 9(35).

https://doi.org/10.1128/MRA.00934-20

Sun, Z., Ren, K., Zhang, X., Chen, J., Jiang, Z., Jiang, J., Ji, F., Ouyang, X., & Li,

L. (2020). Mass Spectrometry Analysis of Newly Emerging Coronavirus

HCoV-19 Spike Protein and Human ACE2 Reveals Camouflaging Glycans

and Unique Post-Translational Modifications. Engineering.

https://doi.org/10.1016/j.eng.2020.07.014

Thomas, T., Stefanoni, D., Reisz, J. A., Nemkov, T., Bertolone, L., Francis, R. O.,

Hudson, K. E., Zimring, J. C., Hansen, K. C., Hod, E. A., Spitalnik, S. L., &

D’Alessandro, A. (2020). COVID-19 infection alters kynurenine and fatty acid

metabolism, correlating with IL-6 levels and renal status. JCI Insight, 5(14).

https://doi.org/10.1172/jci.insight.140327

Trobaugh, D. W., & Klimstra, W. B. (2017). MicroRNA Regulation of RNA Virus

Replication and Pathogenesis. Trends in Molecular Medicine, 23(1), 80–93.

https://doi.org/10.1016/j.molmed.2016.11.003

Tu, Y.-F., Chien, C.-S., Yarmishyn, A. A., Lin, Y.-Y., Luo, Y.-H., Lin, Y.-T., Lai,

W.-Y., Yang, D.-M., Chou, S.-J., Yang, Y.-P., Wang, M.-L., & Chiou, S.-H.

(2020). A Review of SARS-CoV-2 and the Ongoing Clinical Trials.

International Journal of Molecular Sciences, 21(7), 2657.

https://doi.org/10.3390/ijms21072657

Valko, M., Leibfritz, D., Moncol, J., Cronin, M. T. D., Mazur, M., & Telser, J.

(2007). Free radicals and antioxidants in normal physiological functions and

human disease. The International Journal of Biochemistry & Cell Biology,

39(1), 44–84. https://doi.org/10.1016/j.biocel.2006.07.001

Vaz, C., Ahmad, H. M., Sharma, P., Gupta, R., Kumar, L., Kulshreshtha, R., &

Bhattacharya, A. (2010). Analysis of microRNA transcriptome by deep

sequencing of small RNA libraries of peripheral blood. BMC Genomics, 11(1),

288. https://doi.org/10.1186/1471-2164-11-288

Vlachos, I. S., Zagganas, K., Paraskevopoulou, M. D., Georgakilas, G.,

Karagkouni, D., Vergoulis, T., Dalamagas, T., & Hatzigeorgiou, A. G. (2015).

DIANA-miRPath v3.0: deciphering microRNA function with experimental

support. Nucleic Acids Research, 43(W1), W460–W466.

https://doi.org/10.1093/nar/gkv403

Wang, R., Chen, J., Gao, K., Hozumi, Y., Yin, C., & Wei, G.-W. (2020).

Characterizing SARS-CoV-2 mutations in the United States. ArXiv.

https://doi.org/https://www.x-

mol.com/paperRedirect/1304348658974822400

Wang, X. (2008). miRDB: A microRNA target prediction and functional annotation

database with a wiki interface. RNA, 14(6), 1012–1017.

https://doi.org/10.1261/rna.965408

29

WHO. (n.d.). Coronavirus disease 2019 (COVID-19) 2020.

https://www.who.int/indonesia/news/novel-coronavirus/situation-reports

Wimmer, E., & Goldbach, R. (1992). Viral genetics. Current Opinion in Genetics

& Development, 2(1), 59–60. https://doi.org/10.1016/S0959-437X(05)80322-

3

Winter, J., Jung, S., Keller, S., Gregory, R. I., & Diederichs, S. (2009). Many roads

to maturity: microRNA biogenesis pathways and their regulation. Nature Cell

Biology, 11(3), 228–234. https://doi.org/10.1038/ncb0309-228

Wu, F., Zhao, S., Yu, B., Chen, Y.-M., Wang, W., Song, Z.-G., Hu, Y., Tao, Z.-W.,

Tian, J.-H., Pei, Y.-Y., Yuan, M.-L., Zhang, Y.-L., Dai, F.-H., Liu, Y., Wang,

Q.-M., Zheng, J.-J., Xu, L., Holmes, E. C., & Zhang, Y.-Z. (2020). A new

coronavirus associated with human respiratory disease in China. Nature,

579(7798), 265–269. https://doi.org/10.1038/s41586-020-2008-3

Xia HP. (2008). Great potential of microRNA in cancer stem cell. J Cancer Mol,

4(3), 79–89.

Yurkovetskiy, L., Wang, X., Pascal, K. E., Tomkins-Tinch, C., Nyalile, T. P.,

Wang, Y., Baum, A., Diehl, W. E., Dauphin, A., Carbone, C., Veinotte, K.,

Egri, S. B., Schaffner, S. F., Lemieux, J. E., Munro, J. B., Rafique, A., Barve,

A., Sabeti, P. C., Kyratsous, C. A., … Luban, J. (2020). Structural and

Functional Analysis of the D614G SARS-CoV-2 Spike Protein Variant. Cell,

183(3), 739-751.e8. https://doi.org/10.1016/j.cell.2020.09.032

30

LAMPIRAN

33

Tabel data tambahan 1. Sequence SARS-CoV-2 dari sampel Wuhan

Sequence_ID Location Gender Age Submission

Date

Sequence

Length

Database Clade

EPI_ISL_402120 Wuhan Male 61 2020-01-10 29,896 bp GSAID L


EPI_ISL_402132 Wuhan Female 49 2020-01-19 29,848 bp GSAID L



EPI_ISL_406801 Wuhan Male 39 2020-01-30 29,872 bp GSAID S




hCoV-19_A137 Wuhan Female 47 2020-05-03 29,663 bp NGDC L



hCoV-19_A148 Wuhan Male 44 2020-05-03 29,663 bp NGDC L












34



IPBCAMS-WH-01 Wuhan Male 65 2020-01-26 29,899 bp NGDC L

IPBCAMS-WH-02 Wuhan Female 49 2020-01-26 29,899 bp NGDC L



IPBCAMS-WH-05 Wuhan Male 61 2020-01-26 29,883 bp NGDC L

MN996527 Wuhan Male 32 2020-03-18 29,825 bp NCBI L

MN996528 Wuhan Female 49 2020-03-18 29,891 bp NCBI L

MN996529 Wuhan Female 52 2020-03-18 29,852 bp NCBI L



MN908947.3 Wuhan Male 41 2020-01-10 29,903 bp NCBI Wuhan-1

35

Tabel data tambahan 2. Sequence SARS-CoV-2 dari sampel Indonesia

Sequence_ID Location Gender Age Submission

Date

Sequence

Length

Database Clade

EPI_ISL_435281 Jakarta Male 68 2020-05-04 29,859 bp GSAID L

EPI_ISL_435282 Jakarta Female 29 2020-05-04 29,920 bp GSAID L

EPI_ISL_435283 Jakarta Male 57 2020-05-04 29,923 bp GSAID O

EPI_ISL_437187 Surabaya Male 51 2020-05-08 29,901 bp GSAID GH




EPI_ISL_437191 Jakarta Female 25 2020-05-08 29,895 bp GSAID L


EPI_ISL_458079 Surabaya Male 71 2020-06-03 29,891 bp GSAID L

EPI_ISL_458081 Pasuruan Male 39 2020-06-03 29,891 bp GSAID L


EPI_ISL_467374 Samarinda Female 31 2020-06-13 29,864 bp GSAID L

EPI_ISL_467375 Manado Female 70 2020-06-13 29,767 bp GSAID L


EPI_ISL_511879 Bandung Female 34 2020-08-10 29,866 bp GSAID GH

EPI_ISL_516800 Yogyakarta Male 77 2020-08-23 29,903 bp GSAID GH

EPI_ISL_516806 Yogyakarta Male 30 2020-08-24 29,884 bp GSAID L

EPI_ISL_516829 Yogyakarta Female 83 2020-08-24 29,900 bp GSAID GH

EPI_ISL_518819 Tangerang Male 56 2020-08-25 29,782 bp GSAID GH

EPI_ISL_525492 Central

Java

Female 55 2020-08-31 29,867 bp GSAID GH

EPI_ISL_528745 West Java Male 47 2020-09-09 29,893 bp GSAID GH


EPI_ISL_528747 West Java Male 22 2020-09-09 29,897 bp GSAID GR

36

EPI_ISL_528748 West Java Male 32 2020-09-09 29,882 bp GSAID G









EPI_ISL_529962 Surabaya Female 43 2020-09-10 29,890 bp GSAID L


EPI_ISL_529964 Pasuruan Male 39 2020-09-10 29,894 bp GSAID L

EPI_ISL_529965 Surabaya Female 77 2020-09-10 29,899 bp GSAID GH

EPI_ISL_529966 Sidoarjo Female 40 2020-09-10 29,900 bp GSAID GH

EPI_ISL_529967 Sidoarjo Male 75 2020-09-10 29,902 bp GSAID GH

37

Tabel data tambahan 3. Mutasi SARS-CoV-2 dari sampel Wuhan

Sequence_ID Mutations

EPI_ISL_402120 NS7a P34S

EPI_ISL_402132 Spike F32I

EPI_ISL_406798 NSP3 L1417I, NSP6 N264K

EPI_ISL_406801 NS8 L84S

EPI_ISL_493166 NSP3 W1632stop, NSP10 T51A

hCoV-19_A142 NSP2 N92H, NSP14 P24T

hCoV-19_A148 Spike N856K, NSP2 N92H

hCoV-19_A152 NSP2 N92H



hCoV-19_A168 NSP2 N92H, NSP12 D62G

hCoV-19_A169 NSP13 V98F

hCoV-19_A170 NSP14 G114D

hCoV-19_A191 M K15Q, NS8 L84S, NSP3 V57L

IPBCAMS-WH-01 NSP3 N1890S, NSP4 F145I

IPBCAMS-WH-03 NSP3 I1426T

IPBCAMS-WH-05 NSP3 G1716V

MN996527 NSP16 D220N

MN996529 NSP3 G1433S, NSP16 K160R

MN996531 NSP3 D1761A, NSP4 T327I

38

Tabel data tambahan 4. Mutasi SARS-CoV-2 dari sampel Indonesia

Sequence_ID Mutations

EPI_ISL_435281 NSP3 S1285F

EPI_ISL_435282 NSP2 I281V, NSP12 A399V

EPI_ISL_435283 Spike T76I, NSP6 L37F

EPI_ISL_437187 Spike D614G, NS3 Q57H, NSP2 T85I, NSP3 Q311R, NSP3 Q941P, NSP12 P323L

EPI_ISL_437188 Spike D614G, Spike Q677H, Spike S116C, NS3 Q57H, NSP12 P227L, NSP12 P323L

EPI_ISL_437189 Spike V622F, NSP12 A399V

EPI_ISL_437191 NSP6 Q208H

EPI_ISL_437192 Spike L822F, Spike T572I, N K347N, NSP12 A399V, NSP12 E744D

EPI_ISL_458079 NSP12 A399V, NSP12 V354L

EPI_ISL_458081 Spike A352S, NSP3 E1271D, NSP13 R392H

EPI_ISL_467374 Spike A672V

EPI_ISL_467376 Spike C1254F

EPI_ISL_511879 Spike D614G, Spike N185Y, NS3 Q57H, NSP3 V950I, NSP6 L37F, NSP12 P227L, NSP12 P323L, NSP15 V172I

EPI_ISL_516800 Spike D614G, NS3 Q57H, NSP3 P822L, NSP12 P323L

EPI_ISL_516806 NSP5 M49I

EPI_ISL_516829 Spike D614G, N Q160R, NS3 A54V, NS3 A99S, NS3 Q57H, NSP3 P679S, NSP12 A656S, NSP12 P323L, NSP13 M576I

EPI_ISL_518819 Spike D614G, Spike S477I, Spike T22P, N P20L, NS3 L106F, NS3 Q57H, NSP3 L27F, NSP12 P227L, NSP12 P323L, NSP15 F15S

EPI_ISL_525492 Spike D614G, NS3 Q57H, NS7a H73Y, NSP3 P822L, NSP12 P323L

EPI_ISL_528745 Spike D614G, NS3 Q57H, NSP2 I273T, NSP12 P227L, NSP12 P323L, NSP14 M500I

EPI_ISL_528746 Spike D614G, NS3 Q57H, NSP2 G339S, NSP6 G277S, NSP12 P227L, NSP12 P323L

EPI_ISL_528747 Spike D614G, N G204R, N R203K, NSP12 P323L, NSP14 A504S

EPI_ISL_528748 Spike D614G, NSP12 P323L

EPI_ISL_528749 Spike D614G, Spike R214L, NS3 Q57H, NSP2 T85I, NSP12 P323L

39

EPI_ISL_528750 Spike D614G, Spike R158S, NS3 Q57H, NS3 T223I, NSP3 A450S, NSP12 A529V, NSP12 P323L, NSP14 A281S

EPI_ISL_528751 Spike D614G, Spike Q677H, NS3 Q57H, NSP4 A446V, NSP12 A529V, NSP12 P227L, NSP12 P323L, NSP16 K160R

EPI_ISL_528752 Spike D614G, N S193I, NS3 Q57H, NSP3 C1641F, NSP3 P822L, NSP3 T64I, NSP12 G596S, NSP12 P323L, NSP15 V127F

EPI_ISL_528753 Spike D614G, NS3 Q57H, NSP2 I273T, NSP12 P227L, NSP12 P323L, NSP14 M500I

EPI_ISL_528759 Spike D614G, Spike Q677H, Spike T95I, NS3 D222Y, NS3 Q57H, NSP12 P227L, NSP12 P323L

EPI_ISL_529138 Spike D614G, NS3 Q57H, NSP12 P323L

EPI_ISL_529961 NSP15 Y225C

EPI_ISL_529963 Spike A67V, Spike D614G, Spike T22I, E P71S, NS3 Q57H, NS8 A51V, NSP3 S1670F, NSP12 P227L, NSP12 P323L

EPI_ISL_529964 Spike A352S, NSP3 E1271D, NSP13 R392H


EPI_ISL_529966 Spike D614G, NS3 Q57H, NSP12 P323L


COMPARATIVE STUDY OF PREDICTED miRNA BETWEEN INDONESIA AND ...

Documents

Transcript of COMPARATIVE STUDY OF PREDICTED miRNA BETWEEN INDONESIA AND ...