HASIL DAN DISKUSI

Virus influenza, merupakan salah satu jenis virus yang tidak asing lagi di telinga kita. Virus ini telah menyebabkan beberapa penyakit serius pada beberapa abab terakhir. Baru-baru ini, strain dari penyakit baru (H1N1) telah diidentifikasi (Dawood et al., 2009), untuk menghadapi dan menanggulangi virus influenza yang akhir akhir ini mulai merebak ke seluruh dunia, banyak negara telah menyediakan inhibitor neuraminidase dari protein influenza (Oxford et al., 2004). Sayangnya, obat-resistan untuk strain virus H1NI telah muncul (Kiso et al, 2004;. Beigel et al, 2005;. De Jong et al, 2005;. De Clercq, 2006), sehingga kebutuhan untuk inhibitor neuraminidase yang baru kini semakin besar. Neuraminidase dimanfaatkan sebagai inhibitor dari strain baru virus influenza sebab neuraminidase memiliki loop yang sangat fleksibel dimana loop ini berdekatan dengan atom yang mengikat sialicacid. Dalam struktur kristal pertama dari kelompok-1 neuraminidase (N1), yang disebut 150-lingkaran (loop), mengadopsi konformasi terbuka yang tidak terlihat dalam struktur kristal sebelumnya yaitu kelompok-2 protein (N2) (Russell et al., 2006). Meskipun dibawah kondisi kristalografi yang berbeda, akan tetapi N1 150 loop ini memiliki kemiripan dengan N2 yang mengadopsi konformasi tertutup (Varghese et al, 1983. Baker et al, 1987). Fleksibilitas lingkaran(loop) dari N1, serta implikasinya untuk desain obat, telah dikarakterisasi lebih lanjut melalui simulasi dinamika molekul (Amaro et al, 2007;. Cheng et al, 2008.).Fleksibilitas yang besar dari site aktif N1 tidak dapat diuraikan melalui desain obat dari program komputer yang masih beroperasi secara tradisional, dimana umumnya program tersebut hanya berfokus pada struktur kristal statis dan hanya memperhitungkan fleksibilitas terbaik dari protein tertentu. Untuk membantu kemajuan desain obat di masa depan, Cheng et al. baru-baru ini melakukan simulasi dinamika molekuler 40-ns dari enzim holo N1 (Cheng et al., 2008). Konformasi protein 1,6 104 diekstraksi secara berkala dan dikelompokkan ke dalam 27 kelompok dengan menggunakan akar- rata persegi deviasi (rmsd) untuk pengelompokan konformasi. Himpunan yang sesuai dari 27 centroid (pusat luasan) yang berbeda, mewakili semua konformasi sampel, yang dapat dikatakan sebagai sebuah ensemble.

Dalam beberapa perencanaan desain obat berbasis fragmen, fragmen dari ikatan molekul yang lemah, akan diidentifikasi secara eksperimental melalui kristalografi sinar-X atau NMR, ataupun dengan komputasi melalui docking komputer untuk dapat menghasilkan inhibitor komposit yang kuat dan berpotensi (Rees et al., 2004). Sebuah alternatif program komputasi perencanaan berbasis fragmen kini semakin tumbuh, seperti program Ludi (Bohm, 1992, 1993, 1994) dan Autogrow (Durrant et al., 2009), dimana program tersebut akan menambahkan fragmen molekul kecil untuk perancah awal yang telah dikenal sehingga dapat mengikat protein target, yang bertujuan untuk meningkatkan kemampuan afinitas dalam mengikat. Karena strategi berbasis fragmen bersifat kombinatorial, maka keragaman senyawa yang dapat disintesis dan diuji akan jauh lebih besar daripada senyawa yang mungkin didapat dengan pengujian tradisional tingkat tinggi. 3.1 Senyawa Generasi Awal

Untuk menghasilkan ligan yang telah diprediksi, kami menggunakan program computer Autogrow versi beta (Durrant et al., 2009), yaitu sebuah algoritma evolusioner yang dapat menambahkan fragmen secara otomatis ke dalam perancah inti. Setiap ligan dari beberapa ligan, pada program Autogrow akan menghasilkan senyawa yang dapat dievaluasi untuk melakukan pengikatan menggunakan AutoDock; ikatan terbaik yang telah diprediksi akan digunakan sebagai ligan awal untuk generasi berikutnya, dimana fragmen- fragmen tersebut nantinya akan ditambahkan / diubah lagi. Dari generasi ke generasi, kini ligan yang cocok untuk struktur protein template yang ditetapkan akhirnya semakin berkembang secara pesat. Autogrow yang awalnya dioperasikan untuk struktur kristal N1 (PDB ID: 2HU4) (Russell et al, 2006), kini program tersebut berjalan dua kali lebih cepat dari dua konformasi teratas perwakilan ensemble untuk memperhitungkan fleksibilitas neuraminidase. Autogrow didapat sejak perpustakaan fragmen dari senyawa yang telah memiliki persetujuan dari FDA diperoleh. Perpustakaan ini dihasilkan dengan cara membusukkan obat yang telah disetujui oleh FDA menjadi konstituen fragmennya yang dapat digunakan sebagai script/ tulisan di rumah. seperti halnya program Autogrow yang memilih fragmen dari perpustakaan secara acak dimana fragmen yang lebih banyak akan dipertahankan untuk membuat dugaan agar program mengarah terhadap fragmen yang paling sering ditemukan dalam obat yang disetujui FDA. Sebagai contoh, fragmen yang paling umum dari perpustakaan (metana) merupakan 11,71%. 10 fragmen yang paling banyak dari perpustakaan baru tercantum dalam Tabel 2. Tiga puluh senyawa, 10 dari masing-masing operasi AutoDock, dianggap kandidat untuk analisis lebih lanjut.