LAPORAN RESMI

PRAKTIKUM KIMIA MEDISINAL 2

PERCOBAAN 1 DAN 2

QUANTITATIVE STRUCTURE-ACTIVITY RELATIONSHIP

(QSAR)

Disusun oleh:

Nama : Desi riza pratiwi

NIM : 10/304988/FA/08652

Golongan : II

Kelas : FST 2010

Hari praktikum : Selasa, 08.00 – 12.00

Dosen : B.S. Ari Sudarmanto, S.Si., M.Si.

Dosen jaga : Dr. Sardjiman, MS, Apt. dan Dr. Rumiyati, M.Si., Apt.

FAKULTAS FARMASI

UNIVERSITAS GADJAH MADA

YOGYAKARTA

2013

PERCOBAAN 1 DAN 2QUANTITATIVE STRUCTURE-ACTIVITY RELATIONSHIP

(QSAR)

1. Tujuan

a. Menggambarkan, memodelkan, dan membuat basis data struktur 3D seri senyawa untuk

dataset QSAR.

b. Menghitung deskriptor pada dataset QSAR.

c. Melakukan perhitungan dan pemilihan deskriptor terhadap dataset seri senyawa inhibitor

COX-2.

d. Melakukan analisis QSAR terhadap dataset seri senyawa inhibitor COX-2.

2. Dasar teori

Aktivitas biologis suatu obat diperoleh setelah terjadi interaksi senyawa dengan

molekul spesifik dalam obyek biologis. Interaksi tersebut ditunjang dengan spesifitas sifat

kimia fisika senyawa yang tinggi. Aktivitas obat berhubungan dengan sifat kimia fisika obat,

dan merupakan fungsi dari struktur molekul obat. Pengetahuan tentang hubungan struktur

kimia dan aktivitas biologis merupakan dasar penting dari penggunaan rancangan obat.

Tahun 1950 menjadi titik awal perkembangan kimia komputasi, yaitu munculnya

eksperimen komputer (Computer Experiment) yang mengubah deskripsi suatu sistem kimia

di antara eksperimen dan teori. Dalam eksperimen komputer, perhitungan dilakukan dengan

resep algoritma yang ditulis dalam bahsa pemrograman dengan menggunakan model dari

para pakar teoritis. Metode ini memungkinkan perhitungan sifat molekul yang kompleks

dengan hasil yang berkolerasi secara signifikan dengan eksperimen (Jensen, 1999).

Penelitian kimia komputasi dalam bidang terapan dilakukan dengan mempelajari korelasi

antara struktur-aktivitas atau strruktur-sifat terhadap data percobaan yang telah diperoleh.

Perkembangan kimia komputasi kemudian berkembang, salah satunya studi

Hubungan Kuantitatif Struktur-Aktivitas (HKSA) atau Quantitative Structure-Activity

Relationship (QSAR). Asumsi mendasar dari QSAR adalah adanya hubungan kuantitatif

antara sifat mikroskopis (struktur molekul) dan sifat makroskopis/empiris (aktivitas

biologis) dari suatu model (Lee et al., 1996). Istilah struktur tidak hanya terbatas pada

pengertian pengaturan ruang dan hubungan antar atom dan molekul, tetapi juga sifat fisika

dan sifat kimia yang melekat pada susunan tersebut. Berdasarkan parameter yang digunakan

kajian QSAR digolongkan menjadi 3 metode yaitu analisis Hansch, analisis Free-Wilson

dan QSAR 3D atau CoMFA.

Untuk memperoleh hubungan yang signifikan, penggunaan deskriptor yang tepat

sangatlah menentukan. Berdasarkan cara memperolehnya deskriptor terbagi dalam dua

golongan, yaitu deskriptor empiris (diperoleh dari hasil percobaan menggunakan parameter

empiris) dan deskriptor teoritis (diperoleh dari perhitungan komputasional yang diturunkan

dari kimia teori).

Pada analisis statistik QSAR terdapat dua pendekatan utama yaitu, aktivitas suatu

seri senyawa dinyatakan sebagai hubungan linear dari deskriptor dam hubungan non-linear

dari deskriptor. Hubungan linear antara deskriptor dan aktivitas biologis dapat diperoleh dari

PCA, PLS dan analisis regresi multilinear sedangkan hubungan non-linear diperoleh dari

neural network dan genetic algorithm.

3. Cara kerja

Direktori kerja (WorkDir) dibuat pada folder yang dipilih

Program MOE dijalankan dan dilakukan penyetelan direktori kerja (CWD program MOE)

MOEFileOpenfolder yang ditujuCWDcancel

Database dibuat pada program MOE dengan mengubah file dataset .txt menjadi .mdb

Beberapa field dihapus dan field PCHEMBL_VALUE diganti menjadi PIC50

Struktur 3D dibangun pada layar Database Viewer (DBV)

DBVCompute MoleculeEnergy Minimize

Optimasi geometri struktr 3D dilakukan pada layar Database Viewer (DBV)

DBVCompute MoleculeSCF Calculation

Senyawa pada dataset diberi nama sebagai COMPUND_KEY pada layar Database Viewer

(DBV)

DBVCompute MoleculeMolecul Name

Perhitungan deskriptor dilakukan pada layar Database Viewer (DBV)

DBVCompute DescriptorCalculate

Deskriptor terpilih dianalisis pada layar MOE QuaSAR-Wizard

MOEToolsQSARQSAR-Wizard

Model-model persamaan QSAR dibuat dengan mengombinasikan 2 sampai 7 deskriptor

pada layar MOE QuaSAR-Evolution

MOEToolsQSARQuaSAR-Evolution

Analisis dan pemilihan model persamaan QSAR terbaik dilakukan

4. Data

Dataset : JMC_1995_38_4570

Kerangka (scaffold)

compound_key R1 R2 R3 R4 R5 X Y Z

7a CH3 H F H H CH3 CH3 CH3

7b CH3 H F F H CH3 CH3 CH3

7c CH3 H F Cl H CH3 CH3 CH3

7f CH3 H Cl H H CH3 CH3 CH3

7 g CH3 H Cl Cl H CH3 CH3 CH3

7h CH3 H OCH3 H H CH3 CH3 CH3

7i CH3 H OCH3 F H CH3 CH3 CH3

7j CH3 H OCH3 Cl H CH3 CH3 CH3

7k CH3 H OCH3 Cl H CH3 CH3 CH3

7l CH3 H H CH3 CH3 CH3

7m CH3 H N(CH3)2 Cl H CH3 CH3 CH3

7n CH3 H C H H CH3 CH3 CH3

7o CH3 H CF3 H H CH3 CH3 CH3

7p CH3 H CF3 F H CH3 CH3 CH3

8a NH2 H F H H CH3 CH3 CH3

8b NH2 H F F H CH3 CH3 CH3

8c NH2 H F Cl H CH3 CH3 CH3

8e NH2 H F F H CH3 CH3 CH3

8f NH2 H Cl H H CH3 CH3 CH3

8g NH2 H Cl Cl H CH3 CH3 CH3

8h NH2 H OCH3 H H CH3 CH3 CH3

8i NH2 H OCH3 F H CH3 CH3 CH3

8j NH2 H OCH3 Cl H CH3 CH3 CH3

8k NH2 Cl OCH3 Cl H CH3 CH3 CH3

8l NH2 H H CH3 CH3 CH3

8m NH2 H N(CH3)2 CL H CH3 CH3 CH3

8o NH2 H CF3 H H CH3 CH3 CH3

8p NH2 H CF3 F H CH3 CH3 CH3

DuP-697 CH3 H F H Br S CH3 CH3

Sc-58125 CH3 H F H CF3 CH3 N N

Compound_key R1 R2 R3

L-745337

Ns-398

Model persamaan QSAR

Model Dekriptor N m r s F

1 AM1_HF ; vsa_acc10

02 0,8122 0,3476 29,0818

2 AM1_HF; PEOE_VSA+3; vsa_acc10

03 0,8621 0,3026 27,9788

3 AM1_HF; RDF095u, TRDF050010

03 0,8609 0,3049 27,6874

4 AM1_HF; vsa_acc; vsurf_ID110

03 0,8609 0,3050 27,6757

5AM1_HF; vsa_acc; vsurf_DD12; vsa_acc;

vsurf_ID1

10

04 0,8915 0,2822 27,094

6AM1_HF; AM1_UMO; RDF095u; TRDF050U;

vsa_acc; vsurf_ID1

10

05 0,9249 0,2349 31,9330

7AM1_HF; Q_VSA_HYD; RDF095u; SM_L;

TRDF060e

10

05 0,9233 0,2395 31,2182

8AM1_HF; Q_VSA_HYD; RDF085e; RDF095u;

SM_L; TRDF060e

10

05 0,9473 0,2001 37,8583

9AM1_HF; Q_VSA_HYD; RDF085p; RDF095u;

SM_L; TRDF060e

10

06 0,9456 0,2063 36,5809

10AM1_HF; Q_VSA_HYD; RDF085e; RDF095u;

SM_L; TRDF060e; vsurf_DD23

10

07 0,9585 0,1933 40,3938

11AM1_HF; PEOE_VSA_PPOs; Q_VSA_HYD;

RDF085e; RDF095u; SM_L; TRDF060e

10

07 0,9566 0,2022 38,4541

12

AM1_HF; PEOE_VSA_PPOs; Q_VSA_HYD;

RDF085e; RDF095u; SM_L; TRDF060e;

vsurf_DD23

10

08 0,9652 0,2032 40,8837

13AM1_HF; Q_VSA_HYD; RDF030m; RDF085p;

RDF090v; RDF095u; SM_L; TRDF060e

10

08 0,9650 0,2046 40,5937

14AM1_HF; Q_VSA_HYD; RDF085e; RDF095u;

SM_L; TRDF060e; b_single; vsurf_DD23

10

08 0,9650 0,2046 40,5827

Correlation plot

Persamaan QSAR terbaik :

13, 4933 + 0,017763 * AM1_HF + -0,0189012 * Q_VSA_HYD + - 0,0500847 * RDF085e

+ 0,126528 * RDF095u + 0,09596 * SM_L + - 0,0542494 * TRDF060e + 0,0642508N *

vsurf_DD23

Dengan nilai

N : 100

m : 7

F : 40,3938

s : 0,1933

r2 : 0,9188

r : 0,9585

PRESS: 7.47606204

5. Hasil dan pembahasan

Praktikum QSAR (Quantitative Structure-Activity Relationship) bertujuan untuk

mengetahui kerangka dasar senyawa yang dihasilkan dari dataset yang telah disediakan dan

melakukan perhitungan deskriptor serta menyusun model persamaan QSAR dan

menganalisisnya.

Pada praktikum kali ini didapat dataset JMC_1995_38_4570 yang merupakan suatu

inhibitor COX-2. Enzim siklooksigenase (COX) merupakan enzim yang mengkatalisis

pembentukan prostaglandin, suatu mediator inflamasi, dan produk metabolisme asam

arakhidonat (Ikawat dkk.,2006). Enzim siklooksigenase terdiri dari 2 isoenzim yaitu

siklooksigenase 1 (COX-1) yang bersifat konstitutif untuk memelihara fisiologi normal dan

homeostasis dan siklooksigenase 2 (COX-2) yang terinduksi pada sel yang mengalami

inflamasi oleh sitokin, endotoksin, dan faktor pertumbuhan (Leahy et al,2002).

Metode yang digunakan adalah studi interaksi senyawa yang diketahui dapat

menghambat COX-2 dengan menggunakan aplikasi komputer, menggunakan informasi dari

struktur maupun sifat fisikokimia ligan sehingga dapat diketahui sisi aktifnya (Zukhrullah,

2012). Aplikasi yang digunakan pada praktikum kali ini adalah MOE (Molecular Operating

Environment). MOE merupakan suatu program aplikasi pemodelan molekul yang

dikembangkan oleh Chemical Computing Group Inc. (www.chemcomp.com). Program ini

menyediakan paket aplikasi untuk memanipulasi dan menganalisis struktur kimia molekul

dalam jumlah yang banyak. Database pada MOE menyediakan data molekuler sebagai data

numerik untuk mendesain dan menganalisis suatu senyawa

(http://www.chemcomp.com/MOE-Cheminformatics_and_QSAR.htm).

Pertama-tama dibangun struktur 3D senyawa dari dataset yang telah ada.

Pembangunan struktur 3D ini bertujuan untuk memperkirakan kerangka dasar dari suatu

senyawa. Kerangka dasar ini dapat digunakan sebagai senyawa penuntun untuk mengetahui

besarnya aktivitas biologis yang dihasilkan dengan memodifikasi gugus-gugus samping

pada kerangka dasar. Oleh karena itu, proses pembangunan struktur ini penting dilakukan

karena dapat menjadi pedoman langkah-langkah selanjutnya. Selanjutnya dilakukan

optimasi struktur senyawa hal ini dilakukan karena dalam menghitung deskriptor dibutuhkan

struktur yang teroptimasi. Optimasi struktur (minimisasi energi) berusaha untuk menemukan

satu set koordinat atom-atom yang menghasilkan fungsi energi potensial molekul berada di

titik minimum. Korelasi antara aktivitas biologis (berupa dosis atau konsentrasi

penghambatan) dengan sifat fisikokimia senyawa yang diturunkan dari perhitungan kimia

kuantum sehingga menghasilkan hasil yang baik dalam kajian QSAR. Deskriptor kimia

kuantum yang banyak digunakan dalam studi QSAR adalah muatan bersih atom. Pada

praktikum ini menggunakan metode kimia komputasi semiempirik AM1.

Langkah selanjutnya adalah melakukan perhitungan deskriptor. Deskriptor adalah

parameter-parameter yang mengkarakterisasi sifat struktural suatu senyawa. Pada langkah

ini kita harus menyortir deskriptor yang akan kita gunakan agar deskriptor yang kita

gunakan dapat menggambarkan sifat struktural senyawa semirip mungkin dan adanya

beberapa deskriptor yang memiliki pengertian yang sama sehingga harus mengeliminasi

salah satu. Deskriptor yang kita pilih akan menentukan aktivitas dari senyawa yang kita

miliki sehingga harus lebih jeli dalam memilih deskriptor yang akan digunakan.

Kemudian mencari persamaan-persamaan model QSAR dengan mengombinasikan 2

sampai 8 deskriptor. Hal ini diperlukan untuk mencari persamaan terbaik dari persamaan-

persamaan yang ada. Ciri-ciri utama persamaan terbaik yaitu persamaan yang memiliki nilai

r (koefisien korelasi) tinggi, nilai s (standar estimasi error) rendah dan nilai F (kriteria

Fisher) tinggi.

Setelah dilakukan pencarian model persamaan QSAR didapatlah 14 model persamaan.

Dari beberapa model persamaan yang ada maka dipilih persamaan ke sepuluh karena

berdasarkan parameter statistiknya model ini diperkirakan merupakan model persamaan

terbaik. Alasan dari pemilihan persamaan ini karena nilai F (40,3938) dan r (0,9585) yang

cukup tinggi dan nilai s (0,1933) yang paling rendah. Dalam analisis QSAR, persamaan

yang mempunyai r lebih dari 0.7 sudah dapat dikatakan memiliki korelasi yang baik. Pada

model yang dipilih, persamaannya memiliki tujuh buah deskriptor (model tersebut

mengandung terlalu banyak deskriptor) sehingga persamaan kurang efisien. Walaupun

demikian, hanya model tersebutlah yang secara kriteria mampu mewakili persamaan model

terbaik. Model persamaan terbaik yang diperoleh ini digunakan untuk memprediksi harga

aktivitas inhibisi teoritis senyawa terhadap enzim COX-2.

Deskriptor-deskriptor pada model persamaan terpilih yaitu AM1_HF, Q_VSA_HYD,

RDF085e, RDF095u, SM_L, TRDF060e, vsurf_DD23. Deskriptor AM1_HF merupakan

satu-satunya deskriptor yang selalu muncul di setiap persamaan yang dipilih. AM1_HF

merupakan 3D molecular descriptor, dekriptor ini menunjukkan energi dari suatu bentuk

konformasi senyawa yang dilambangkan dengan kcal/mol dan dihitung menggunakan AM1

Hamilton (MOPAC). Deskriptor Q_VSA_HYD merupakan 2D molecular descriptor dan

termasuk dalam partial charge descriptor, deskriptor ini menunjukkan total muatan

hidrofobik van der Waals pada area permukaan struktur senyawa dimana deskriptor ini

bergantung pada muatan parsial masing-masing atom pada struktur kimia yang

membutuhkan perhitungan muatan parsial. Deskriptor vsurf_DD23 merupakan 3D

molecular descriptor dan termasuk pada surface area, volume and shape descriptor.

Deskriptor ini menunjukkan jarak penghubung dari vsurf_Ddmin.

(http://www.cadaster.eu/sites/cadaster.eu/files/challenge/descr.htm).

Pada persamaan model ini memiliki dua deskriptor RDF (Radial Distribution

Function) yaitu RDF085e dan RDF095u. Deskriptor RDF termasuk dalam Conformational

(3D) Descriptor yang didasarkan dari jarak distribusi molekul, deskriptor ini merupakan

koordinat suatu atom dimana kemungkinan menemukan suatu atom pada volume tertentu

dengan jarak R. Deskriptor RDF085e menunjukkan fungsi distribusi radial sebesar 85

berdasarkan keelektronegatifan Sanderson sedangkan deskriptor RDF095u menunjukkan

fungsi distribusi radial sebesar 95

(http://www.strandls.com/sarchitect/documents/manual_html/desctheory.html).

Selanjutnya dilakukan validasi, validasi dilakukan dengan tujuan untuk menentukan

kinerja sistem yang dapat diterima dalam hal akurasi dan efisiensi atau tidak. Pada

praktikum kali ini menggunakan validasi silang leave-one-out. Teknik validasi silang

merupakan salah satu teknik pendugaan error rate, teknik ini digunakan karena sesuai untuk

data yang berukuran kecil maupun besar. Pada teknik validasi silang leave-one-out sesuai

untuk data berukuran kecil (Fu, 1994). Validasi dilakukan pada model persamaan untuk

mendapatkan nilai Predicted Residual Sum of Squares (PRESS) dan Standar Error Prediksi

(SEP) minimal. Dari uji validasi ini didapatkan harga PRESS sebesar 7.47606204. nilai

PRESS ini sudah termasuk bagus karena memiliki nilai yang rendah.

6. Kesimpulan

Hasil kajian hubungan kuantitatif struktur-aktivitas dataset JMC_1995_38_4570, diperoleh

model persamaan: 13, 4933 + 0,017763 * AM1_HF + -0,0189012 * Q_VSA_HYD + -

0,0500847 * RDF085e + 0,126528 * RDF095u + 0,09596 * SM_L + - 0,0542494 *

TRDF060e + 0,0642508N * vsurf_DD23. Dengan nilai :

N : 100

m : 7

F : 40,3938

s : 0,1933

r2 : 0,9188

r : 0,9585

PRESS: 7.47606204

Persamaan ini dapat digunakan untuk memprediksi harga aktivitas inhibisi teoritis

senyawa terhadap enzim COX-2.

7. Daftar pustaka

Fu, L.M., 1994, Neural Network in Computer Intelligence, Singapore : Mc Graw-Hill

Ikawati, Z., Nugroho, A. E., Astutiningsih, W., 2006, Penekanan Ekspresi Enzim COX-2

pada Kultur Sel Raji oleh Ekstrak Kloroform Daun Cangkring (Erythrina fusca

Lour.), MOT,17(2), 85-90

Jensen, F., 1999, Introduction to Computational Chemistry, John Wiley&Sons, Canada

Leahy, K.M., Omberg, R.I., Wang, Y., Zweifel, B.S., Koki, A.t., Maferrer, J.L., 2002,

Cyclooxygenase-2 Inhibition by Celecoxib Reduces Proliferation and Induces

Apoptosis in Angiogenic Endhotelial Cells in Vitro, Cancer Res., 62, 625-631

Lee, K.W., Kwon, S.Y., Hwang, S., Lee, J.U., Kim, H., 1996, Bull. Korean Chem. Doc., 17,

147-152

Zukhrullah, M., Aswad, M., Subehan, 2012, Kajian Beberapa Senyawa Antiinflamasi:

Docking terhadap Siklooksigenase-2 secara In-Silico, Majalah Farmasi dan

Farmakologi, 16(1), 37-44

http://www.cadaster.eu/sites/cadaster.eu/files/challenge/descr.htm diakses tanggal 11

November 2013

http://www.chemcomp.com/MOE-Cheminformatics_and_QSAR.htm diakses tanggal 11

November 2013

http://www.strandls.com/sarchitect/documents/manual_html/desctheory.html diakses

tanggal 11 November 2013

8. Lampiran