Enzyme Kinetics — SQalytics

1 Introduksi

1.1 Latar Belakang

Enzim mengkatalisis reaksi biologis dengan menurunkan energi aktivasi via substrat-enzim binding (Michaelis & Menten, 1913). Pada sains pangan, enzim seperti amilase (gelatinisasi pati), protease (tenderisasi daging), pectinase (klarifikasi jus), lipase (cheese ripening), dan polifenol oksidase / PPO (browning enzimatik buah) menentukan proses produksi dan shelf life. Kuantifikasi aktivitas enzim adalah dasar bioteknologi pangan, optimasi proses enzymatic hydrolysis (mis. high-fructose syrup, sweet whey), dan pengembangan inhibitor (untuk anti-browning).

Model klasik Michaelis-Menten (Michaelis & Menten, 1913; Briggs & Haldane, 1925) menjelaskan kecepatan reaksi $v$ vs konsentrasi substrat $[S]$:

$$ v = \frac{V_{\max} [S]}{K_M + [S]} $$

dengan $V_{\max}$ kecepatan maksimum (saat enzim saturated dengan substrat) dan $K_M$ konstanta Michaelis (substrat konsentrasi saat $v = V_{\max}/2$). $K_M$ menunjukkan affinity enzim-substrat (rendah = high affinity). Persamaan ini menjadi fondasi enzyme assay, pemilihan inhibitor, dan modeling biokatalisis.

1.2 Tujuan Modul

Modul Enzyme Kinetics di SQalytics ditujukan untuk:

Memfit Michaelis-Menten (nonlinear) dari $v$ vs $[S]$ data.
Mendukung linearisasi klasik: Lineweaver-Burk ($1/v$ vs $1/[S]$), Hanes-Woolf ($[S]/v$ vs $[S]$), Eadie-Hofstee ($v$ vs $v/[S]$).
Mendeteksi inhibition type (competitive, uncompetitive, non-competitive, mixed) dari multi-curve dengan inhibitor.
Menghitung specificity constant $k_{\text{cat}}/K_M$ (catalytic efficiency).
Audiens: mahasiswa S2 ilmu pangan/biokimia, peneliti enzyme assay R&D, dan QC bioprocess industri.

1.3 Posisi di Antara Alternatif

Pilih Enzyme Kinetics untuk fit kinetika enzim. Untuk dose-response curve non-enzyme (mis. antimikroba), pakai Regression Studio dengan model polinomial. Untuk inaktivasi enzim termal (kinetika kehilangan aktivitas vs $T$), pakai D-value / Z-value / F-value framework analog. Untuk kalibrasi assay enzim spektrofotometri, pakai Standard Curve. Untuk multi-faktor optimization (suhu × pH × $[S]$), gunakan RSM Studio (domain Desain Eksperimen).

2 Metode

2.1 Dasar Teoretis

Michaelis-Menten equation (Michaelis & Menten, 1913; Briggs & Haldane, 1925):

$$ v = \frac{V_{\max} [S]}{K_M + [S]} $$

dengan:

$v$ = velocity (μmol/min, atau μM/s, atau aktivitas unit per volume).
$[S]$ = konsentrasi substrat (mM, μM, atau % w/v).
$V_{\max}$ = velocity maximum saat $[S] \gg K_M$.
$K_M$ = Michaelis constant, $[S]$ saat $v = V_{\max}/2$.

Asumsi: (i) steady state $[\text{ES}]$ konstan (Briggs-Haldane), (ii) excess substrat ($[S] \gg [E]$), (iii) initial rate measurement (sebelum substrate depletion atau product inhibition).

Linearisasi klasik

(1) Lineweaver-Burk (double reciprocal):

$$ \frac{1}{v} = \frac{K_M}{V_{\max}} \cdot \frac{1}{[S]} + \frac{1}{V_{\max}} $$

Slope = $K_M / V_{\max}$, y-intercept = $1/V_{\max}$, x-intercept = $-1/K_M$.

(2) Hanes-Woolf — lebih robust terhadap error pada low $[S]$:

$$ \frac{[S]}{v} = \frac{[S]}{V_{\max}} + \frac{K_M}{V_{\max}} $$

(3) Eadie-Hofstee:

$$ v = -K_M \cdot \frac{v}{[S]} + V_{\max} $$

Catatan modern: nonlinear fit langsung ke Michaelis-Menten (via Levenberg-Marquardt) lebih akurat dibanding linearisasi karena tidak ada distorsi error structure (Motulsky & Christopoulos, 2004).

Specificity constant $k_{\text{cat}}/K_M$

Specificity constant adalah measure of enzyme catalytic efficiency:

$$ \frac{k_{\text{cat}}}{K_M}, \quad k_{\text{cat}} = \frac{V_{\max}}{[E]_{\text{total}}} $$

Nilai $k_{\text{cat}}/K_M$ tinggi ($> 10^7$ M⁻¹s⁻¹) mendekati diffusion limit — enzim sangat efisien.

Inhibition types (Cornish-Bowden, 2012)

Type	Effect on $V_{\max}$	Effect on $K_M$	Lineweaver-Burk pattern
Competitive	Unchanged	Increases	Lines intersect on y-axis
Uncompetitive	Decreases	Decreases	Parallel lines
Non-competitive (pure)	Decreases	Unchanged	Lines intersect on x-axis
Mixed	Decreases	Changes	Lines intersect in quadrant

Inhibitor constant $K_I$ dari modified Michaelis-Menten (competitive):

$$ v = \frac{V_{\max} [S]}{K_M (1 + [I]/K_I) + [S]} $$

2.2 Persamaan Inti

Michaelis-Menten:

$$ v = \frac{V_{\max} [S]}{K_M + [S]} $$

Lineweaver-Burk:

$$ \frac{1}{v} = \frac{K_M}{V_{\max}} \cdot \frac{1}{[S]} + \frac{1}{V_{\max}} $$

Hanes-Woolf:

$$ \frac{[S]}{v} = \frac{[S]}{V_{\max}} + \frac{K_M}{V_{\max}} $$

Eadie-Hofstee:

$$ v = -K_M \cdot \frac{v}{[S]} + V_{\max} $$

Specificity:

$$ \frac{k_{\text{cat}}}{K_M}, \quad k_{\text{cat}} = \frac{V_{\max}}{[E]_{\text{total}}} $$

Competitive inhibition:

$$ v = \frac{V_{\max} [S]}{K_M (1 + [I]/K_I) + [S]} $$

2.3 Asumsi & Batas Validitas

Asumsi	Konsekuensi jika dilanggar	Cara cek di SQalytics
Initial rate measurement	$v$ underestimate akibat substrate depletion	Sampling < 10% conversion
Excess substrate $[S] \gg [E]$	Steady-state assumption fail	Cek $[S]/[E]$ > 100
Reaksi initial (orde-1 dalam $[S]$ untuk low $[S]$)	Bias $K_M$	Range $[S]$ cover 0.1 $K_M$ to 10 $K_M$
Tidak ada product inhibition	Bias $V_{\max}$ at high $[S]$	Add product remover (mis. cofactor regeneration)
Enzim aktivitas stabil selama assay	Drift	Run blanks at start + end
pH, suhu, ionic strength optimal	$V_{\max}$ shift	Catat kondisi assay
Substrate inhibition tidak ada (untuk MM klasik)	Plot $v$ vs $[S]$ menurun di high $[S]$	Pakai modified Haldane equation

3 Cara Kerja

3.1 Step-by-Step di SQalytics

Buka Enzyme Kinetics dari domain Kimia.
Muat tabel: kolom Substrate_mM + Velocity_uM_per_s (atau aktivitas unit).
(Inhibition study) Tambahkan kolom Inhibitor_uM dengan multiple levels.
Pilih fitting method: Nonlinear MM (rekomendasi default), Lineweaver-Burk (klasik untuk teaching), Hanes-Woolf, atau Eadie-Hofstee.
(Multi-inhibitor) Aktifkan Inhibition type identification.
Klik Run Enzyme Kinetics.
Tinjau hasil: tab MM Plot ($v$ vs $[S]$ + fit + asymptote + $K_M$ marker), tab Linearization (3 plot), tab Parameters ($V_{\max}$, $K_M$, $k_{\text{cat}}$, $k_{\text{cat}}/K_M$, 95% CI), tab Inhibition (multi-$I$, pattern + $K_I$).
Opsional Step 5: klik 📰 Open in Publication Graph Studio, lalu pilih apakah PGS membuka Michaelis-Menten fit atau Lineweaver-Burk terlebih dahulu untuk pratinjau cetak dan export SVG/PNG/PDF.

Step 5 untuk modul ini saat ini membawa dua view publikasi utama: overlay Michaelis-Menten fit untuk reporting utama, dan Lineweaver-Burk untuk teaching/visual inspection. Keduanya dikirim bersama ChartSpec dan cleaned rows agar bisa diedit granular di PGS.

3.2 Template Tabel Input + Contoh Data Sintetis

Kolom	Tipe	Wajib	Catatan
`Substrate_mM`	numeric	✓	Konsentrasi substrat
`Velocity_uM_per_s`	numeric	✓	Initial rate
`Inhibitor_uM`	numeric	◯	Untuk inhibition study

Contoh data sintetis (assay $\alpha$-amilase dengan substrat pati, 8 titik konsentrasi):

Substrate_mM	Velocity_uM_per_s
0.1	2.5
0.5	10.8
1.0	18.2
2.0	28.5
5.0	41.2
10.0	47.5
20.0	49.8
50.0	50.0

SYNTHETIC $\alpha$-amilase (B. licheniformis recombinant) pada pH 6.5, 37 °C dengan substrat pati corn modified. Ekspektasi: $V_{\max}$ ≈ 50 μM/s, $K_M$ ≈ 1.5 mM, $R^2$ > 0.99. Range $[S]$ menjangkau 0.07 $K_M$ hingga 33 $K_M$ — memenuhi rekomendasi 0.1 $K_M$–10 $K_M$ untuk estimasi parameter robust.

3.3 Contoh Luaran

Nonlinear Michaelis-Menten fit:

Parameter	Value	95% CI	Interpretasi
$V_{\max}$	50.2 μM/s	[49.5, 50.9]	Saturated velocity
$K_M$	1.52 mM	[1.38, 1.66]	Moderate affinity
$R^2$	0.998	—	Excellent fit
RMSE	0.45 μM/s	—	Residual error small
$k_{\text{cat}}$	251 s⁻¹	—	$V_{\max} / [E]_{\text{total}}$ = 50.2 μM/s ÷ 200 nM
$k_{\text{cat}}/K_M$	$1.65 \times 10^5$ M⁻¹s⁻¹	—	Moderate efficiency

Komparasi metode linearisasi vs nonlinear MM:

Method	$V_{\max}$ (μM/s)	$K_M$ (mM)	$R^2$
Nonlinear MM	50.2	1.52	0.998
Lineweaver-Burk	51.5	1.65	0.985
Hanes-Woolf	50.3	1.55	0.997
Eadie-Hofstee	49.8	1.48	0.995

Note: Lineweaver-Burk slightly bias karena error structure distortion pada double-reciprocal; gunakan nonlinear MM untuk reporting. Lineweaver-Burk tetap berguna untuk visual inspection inhibition pattern.

Kesimpulan ringkas: "α-amilase B. licheniformis menunjukkan classical Michaelis-Menten kinetics pada substrat pati corn pH 6.5, 37 °C. Nonlinear fit excellent ($R^2 = 0.998$): $V_{\max}$ = 50.2 μM/s [CI 49.5–50.9] dan $K_M$ = 1.52 mM [CI 1.38–1.66]. Specificity constant $k_{\text{cat}}/K_M = 1.65 \times 10^5$ M⁻¹s⁻¹ — moderate efficiency (diffusion limit ≈ 10⁸). Empat linearisasi methods memberikan estimasi konsisten dalam ± 5%. Rekomendasi: untuk maximizing throughput hydrolysis pati, operate at $[S] \geq 5 K_M$ ($\geq$ 7.5 mM) untuk mendekati $V_{\max}$. Lanjut ke D-value / Z-value / F-value framework analog untuk enzyme thermal stability pada storage atau ke Compare Many Groups untuk uji inhibitor candidates."

Michaelis-Menten dan Lineweaver-Burk plot α-amilase — Gambar 1. Kinetika α-amilase rekombinan (*B. licheniformis*) pada substrat pati corn termodifikasi, pH 6.5, 37 °C, data sintetis 8 titik konsentrasi. **(a)** Plot Michaelis-Menten: lingkaran merah menandakan velocity observed; kurva biru adalah nonlinear fit $v = V_{max}[S]/(K_M+[S])$ (Levenberg-Marquardt; $R^2$ = 0.998). Garis putus-putus abu-abu menunjukkan asimtot $V_{max}$ = 50.2 μM/s [95% CI: 49.5–50.9]; titik hijau pada $[S] = K_M$ = 1.52 mM [95% CI: 1.38–1.66] memenuhi definisi $v = V_{max}/2$. **(b)** Plot Lineweaver-Burk (double-reciprocal): $1/v = (K_M/V_{max})(1/[S]) + 1/V_{max}$. *Marker* oranye di sumbu Y menandai $1/V_{max}$ = 0.0199 → $V_{max}$ = 50.2; *marker* hijau di sumbu X menandai $-1/K_M$ = -0.66 → $K_M$ = 1.52. Parameter dari kedua metode konsisten dalam ± 3%; nonlinear MM tetap menjadi metode reporting yang direkomendasikan karena tidak mendistorsi struktur error pada $[S]$ rendah (Motulsky & Christopoulos, 2004). Specificity constant $k_{cat}/K_M$ = 1.65 × 10⁵ M⁻¹s⁻¹ (asumsi $[E]_{total}$ = 200 nM) menunjukkan moderate catalytic efficiency, ≈ 3 dekade di bawah diffusion limit.

4 Kesimpulan

4.1 Relevansi Real-World

Enzyme Kinetics dipakai di banyak skenario industri pangan dan riset biokimia:

Bioprocess industri pangan — amilase, glukoamilase untuk high-fructose syrup; pectinase untuk fruit juice clarification.
Cheese ripening — protease + lipase kinetics untuk kontrol flavor development.
Bread baking — α-amylase + xylanase activity untuk crumb texture.
Anti-browning research — PPO inhibitor screening ($K_I$ determination, kandidat: asam askorbat, sistein, 4-heksilresorsinol).
Pharmaceutical drug discovery — enzyme target characterization (α-glukosidase inhibitor untuk anti-diabetes, mis. ekstrak Singkil).
Diagnostic assays — LDH, AST/ALT kinetic assays.
Industrial enzymes QC — release testing per lot manufaktur.

4.2 Where to Go from Here

Compare Many Groups — uji statistik $V_{\max}$ atau $K_M$ antar enzim atau lot.
D-value / Z-value / F-value — analog framework untuk thermal stability enzim.
Regression Studio — bila enzim non-Michaelis (sigmoidal, substrate inhibition).
RSM Studio (domain Desain Eksperimen) — optimasi multi-faktor enzyme activity (suhu × pH × $[S]$).
BRENDA database (brenda-enzymes.org) untuk reference $K_M$, $k_{\text{cat}}$, $K_I$.

Pembacaan lanjutan:

Cornish-Bowden (2012), Fundamentals of enzyme kinetics (4th ed.) — referensi utama inhibition typing.
Motulsky & Christopoulos (2004) — protokol nonlinear curve fitting + diagnostik residual.
Whitaker (1994), Principles of enzymology for the food sciences — kontekstualisasi industri pangan.

⚙ Troubleshooting Cepat

MM fit gagal converge. Cek apakah $[S]$ range cukup (0.1 $K_M$ hingga 10 $K_M$). Tambah titik low atau high agar curvature lengkap.

$V_{\max}$ tidak tercapai. Range $[S]$ tidak cukup tinggi — tambahkan $[S] > 5 K_M$ untuk mendekati asimtot.

Lineweaver-Burk error besar pada low $[S]$. Karakteristik double-reciprocal (error structure distortion); gunakan Hanes-Woolf atau nonlinear MM.

Substrate inhibition pattern (plot $v$ vs $[S]$ menurun di high $[S]$). Pakai Haldane equation: $v = V_{\max} [S] / (K_M + [S] + [S]^2/K_i)$.

Inhibition type ambiguous. Run lebih banyak inhibitor levels ($\geq 4$) untuk identifikasi pasti pola Lineweaver-Burk (intersect on y-axis / parallel / intersect on x-axis / mixed).

Product inhibition di tail. $V_{\max}$ underestimate; tambahkan product remover (cofactor regeneration, dialisis kontinyu) atau sampling lebih awal.

i Riwayat Revisi

Tanggal	Revisi	Penulis
2026-05-12	Migrasi MD v2 → HTML final dengan figure Michaelis-Menten + Lineweaver-Burk dual-panel + caption Elsevier-style (W1 pilot)	Claude
2026-05-12	Draft v2 publikasi (KaTeX MM + Lineweaver-Burk/Hanes/Eadie + inhibition + APA Michaelis/Cornish-Bowden)	Claude

4 Referensi

Michaelis, L., & Menten, M. L. (1913). Die Kinetik der Invertinwirkung. Biochemische Zeitschrift, 49, 333–369.
Briggs, G. E., & Haldane, J. B. S. (1925). A note on the kinetics of enzyme action. Biochemical Journal, 19(2), 338–339. https://doi.org/10.1042/bj0190338
Cornish-Bowden, A. (2012). Fundamentals of enzyme kinetics (4th ed.). Wiley-Blackwell.
Lineweaver, H., & Burk, D. (1934). The determination of enzyme dissociation constants. Journal of the American Chemical Society, 56(3), 658–666. https://doi.org/10.1021/ja01318a036
Motulsky, H., & Christopoulos, A. (2004). Fitting models to biological data using linear and nonlinear regression: A practical guide to curve fitting. Oxford University Press.
Whitaker, J. R. (1994). Principles of enzymology for the food sciences (2nd ed.). CRC Press.
Schomburg, I., Chang, A., & Schomburg, D. (2002). BRENDA, enzyme data and metabolic information. Nucleic Acids Research, 30(1), 47–49. https://doi.org/10.1093/nar/30.1.47