LAPORAN RESMI PRAKTIKUM KIMIA MEDISINAL 2 PERCOBAAN 1 DAN 2 QUANTITATIVE STRUCTURE-ACTIVITY RELATIONSHIP (QSAR)

Disusun oleh: Nama NIM Golongan Kelas Hari praktikum Dosen Dosen jaga : Desi riza pratiwi : 10/304988/FA/08652 : II : FST 2010 : Selasa, 08.00 12.00 : B.S. Ari Sudarmanto, S.Si., M.Si. : Dr. Sardjiman, MS, Apt. dan Dr. Rumiyati, M.Si., Apt.

FAKULTAS FARMASI UNIVERSITAS GADJAH MADA YOGYAKARTA 2013

PERCOBAAN 1 DAN 2 QUANTITATIVE 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 7a 7b 7c 7f 7g 7h 7i 7j 7k

R1 CH3 CH3 CH3 CH3 CH3 CH3 CH3 CH3 CH3

R2 H H H H H H H H H

R3 F F F Cl Cl OCH3 OCH3 OCH3 OCH3

R4 H F Cl H Cl H F Cl Cl

R5 H H H H H H H H H

X CH3 CH3 CH3 CH3 CH3 CH3 CH3 CH3 CH3

Y CH3 CH3 CH3 CH3 CH3 CH3 CH3 CH3 CH3

Z CH3 CH3 CH3 CH3 CH3 CH3 CH3 CH3 CH3

7l

CH3

CH3

CH3

CH3

7m 7n 7o

CH3 CH3 CH3

H H H

N(CH3)2 C CF3

Cl H H

H H H

CH3 CH3 CH3

CH3 CH3 CH3

CH3 CH3 CH3

7p 8a 8b 8c 8e 8f 8g 8h 8i 8j 8k

CH3 NH2 NH2 NH2 NH2 NH2 NH2 NH2 NH2 NH2 NH2

H H H H H H H H H H Cl

CF3 F F F F Cl Cl OCH3 OCH3 OCH3 OCH3

F H F Cl F H Cl H F Cl Cl

H H H H H H H H H H H

CH3 CH3 CH3 CH3 CH3 CH3 CH3 CH3 CH3 CH3 CH3

CH3 CH3 CH3 CH3 CH3 CH3 CH3 CH3 CH3 CH3 CH3

CH3 CH3 CH3 CH3 CH3 CH3 CH3 CH3 CH3 CH3 CH3

8l

NH2

CH3

CH3

CH3

8m 8o 8p DuP-697 Sc-58125

NH2 NH2 NH2 CH3 CH3

H H H H H

N(CH3)2 CF3 CF3 F F

CL H F H H

H H H Br CF3

CH3 CH3 CH3 S CH3

CH3 CH3 CH3 CH3 N

CH3 CH3 CH3 CH3 N

Compound_key

R1

R2

R3

L-745337

Ns-398

Model persamaan QSAR

Model 1 2 3 4
AM1_HF ; vsa_acc

Dekriptor

N 100 100 100 100

m 2 3 3 3

r 0,8122 0,8621 0,8609 0,8609

s 0,3476 0,3026 0,3049 0,3050

F 29,0818 27,9788 27,6874 27,6757

AM1_HF; PEOE_VSA+3; vsa_acc AM1_HF; RDF095u, TRDF0500 AM1_HF; vsa_acc; vsurf_ID1

5 6 7 8 9 10 11

AM1_HF; vsa_acc; vsurf_DD12; vsa_acc; vsurf_ID1 AM1_HF; AM1_UMO; RDF095u; TRDF050U; vsa_acc; vsurf_ID1 AM1_HF; Q_VSA_HYD; RDF095u; SM_L; TRDF060e AM1_HF; Q_VSA_HYD; RDF085e; RDF095u; SM_L; TRDF060e AM1_HF; Q_VSA_HYD; RDF085p; RDF095u; SM_L; TRDF060e AM1_HF; Q_VSA_HYD; RDF085e; RDF095u; SM_L; TRDF060e; vsurf_DD23 AM1_HF; PEOE_VSA_PPOs; Q_VSA_HYD; RDF085e; RDF095u; SM_L; TRDF060e AM1_HF; PEOE_VSA_PPOs; Q_VSA_HYD;

100 100 100 100 100 100 100

4 5 5 5 6 7 7

0,8915 0,9249 0,9233 0,9473 0,9456 0,9585 0,9566

0,2822 0,2349 0,2395 0,2001 0,2063 0,1933 0,2022

27,094 31,9330 31,2182 37,8583 36,5809 40,3938 38,4541

12

RDF085e; RDF095u; SM_L; TRDF060e; vsurf_DD23

100

0,9652

0,2032

40,8837

13 14

AM1_HF; Q_VSA_HYD; RDF030m; RDF085p; RDF090v; RDF095u; SM_L; TRDF060e AM1_HF; Q_VSA_HYD; RDF085e; RDF095u; SM_L; TRDF060e; b_single; vsurf_DD23

100 100

8 8

0,9650 0,9650

0,2046 0,2046

40,5937 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 m F s r2 r : 100 :7 : 40,3938 : 0,1933 : 0,9188
: 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 persamaanpersamaan 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 m F s r2 r : 100 :7 : 40,3938 : 0,1933 : 0,9188
: 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 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 tanggal 11 November 2013 diakses diakses tanggal 11

8. Lampiran