ENZIM ACEE 25D desc

LAPORAN PRAKTIKUM KIMIA KOMPUTASI

Diajukan sebagai salah satu syarat untuk menempuh mata kuliah kimia komputasi



Oleh:





















JURUSAN KIMIA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS JEMBER
2011

M. Azhar Alhadi 081810301051
Istiqomah Rahmawati 091810301014
Jaka Hendari 091810301041
Gambar 1. Struktur 2D Inhibitor ACE
Data yang dipergunakan berasal dari enzim ACE dengan dataset ACEE 2.5D yang
didapatkan dari jurnal A Comparison of Methods for Modeling Quantitative Structure-Activity
Relationships Keyword. J . M ed . Chem . 2004, 47, 5541 -5554. Data diolah menggunakan
aplikasi MS. Excel 2010 dan R 2.12.0 dalam OS Windows 7.

A. Prosedur
Jumlah data adalah 114 data yang diurutkan dari
kecil ke besar berdasarkan aktivitas, sedangkan
parameter diurutkan berdasarkan abjad. Diambil 30
data secara acak sebagai data test. 84 data training
dicari persamaan regresinya dengan operasi multi linier
regresi menggunakan soItware R 2.12.0, di mana y
aktivitas dan x parameter.
30 data tes diuji ke dalam persamaan yang telah diperoleh, sehingga didapatkan aktivitas
hitungnya. Dihitung korelasi (standar deviasi) aktivitas hitung dengan aktivitas asli. Berdasarkan
analisis R yang diperoleh, dihilangkan satu parameter yang memiliki koeIisien paling kecil.
Dicari persamaan regresi linier kedua dari 84 data tanpa menyertakan satu parameter (yang
dihilangkan).
Diuji persamaan regresi tersebut terhadap 30 data test tanpa 1 parameter, sehingga
didapatkan aktivitas hitung. Dicari korelasi (standar deviasi) aktivitas hitung dengan aktivitas
asli. Dibandingkan antara nilai korelasi dari persamaan regresi ini dengan nilai korelasi
sebelumnya, jika korelasi lebih kecil maka parameter tersebut tidak berpengaruh dan pantas
dihilangkan, tanpa pengembalian pada perhitungan (operasi) selanjutnya. Operasi ini diterapkan
pada seluruh parameter sampai persamaan regresi hanya mengandung parameter yang
berpengaruh (signiIikan) saja.

B. DaItar parameter yang tidak berpengaruh
Deskriptor STDEV Keterangan
Param. Asli 2.083757 Tidak ada parameter yang dihilangkan
Dipole.mag 1.936675 The magnitude oI dipole moment
SdO 1.916443 Sum oI electropological state
Hbondacceptor 1.876391 Description that calculate oI Hbond acceptor
AlogP98 1.866587 Log oI the partition coeIIicient, atom type value
SsssCH 1.816392 Triple sigma bonded carbon
NssCH2 1.64415 The count oI CH
2

Jurs.FPSA.1 1.634372 Functional charge partial surIace areas
BIC 1.605142 Bond inIormation contain
Jurs.TPSA NA (Not
avaible)*
Calculation oI topological polar surIace area based on
Iragment.
* NA : sejak awal tidak memiliki koeIisien dalam persamaan regresi.

Gambar 2. GraIik distribusi aktivitas terhadap data
training (solid bars) and data tes (hashed bars).
C. Pembahasan Jurnal
Berdasarkan jurnal, diketahui bahwa data
set berasal dari 114 inhibitor ACE
(Angiostein Converting Enzyme), diambil
dari the work of Depriest et al. yang
mendeskripsikan kegunaan dari CoMFA
modeling. Aktivitas (pIC
50
) tersebar dengan
range luas, dari 2.1 sampai 9.9.
Isi jurnal tersebut membandingkan hasil
dari penerapan beberapa metode QSAR
terhadap beberapa inhibitor enzim seperti
metode CoMFA, CoMSIA, EVA, HQSAR,
(3D descriptor) dan tradisional 2D and 2.5D
descriptor. Adapun metode yang digunakan
dalam praktikum adalah metode tradisional
dengan deskriptor 2.5D, karena berasal dari
dataset ACEE 2.5D. Dapat dianggap sebagai
deskriptor 2.5D karena muatan dan struktur ditentukan dengan pendekatan langsung dan jelas
(menurut jurnal).
Berbeda dengan prosedur kami, dalam jurnal beberapa deskriptor dihapus dengan menguji
setiap Training set secara terpisah sehingga didapatkan graIik di atas. Pengurangan pertama
dilakukan dengan mengeliminasi deskriptor yang memiliki nilai yang sama untuk lebih dari 90
dari senyawa. Pengurangan kedua mengeliminasi-terkontaminasi satu deskriptor dari setiap
pasangan yang memiliki koeIisien korelasi R berpasangan yang bagus , R , ~ 0,95,
mempertahankan deskriptor 2D lebih dari deskriptor 2.5D dan juga descriptor sederhana
(misalnya: berat molekul) lebih dari deskriptor kompleks (misalnya: inIormasi-konten
descriptor).

D. Perbandingan hasil regresi persamaan
No. Persm. Regresi dan perlakuan Multiple R
2
Adjusted R
2
STDEV data test
1. Persm. data asli (114 data) 0.8948 0.7777 -
2. Persm. dari data Training awal 0.9372 0.7828 2.08
3. Persm. dari param. signiIikan saja 0.9272 0.817 1.605142
4. Dikembalikan seluruh (114 data)
pada persm. signiIikan.
0.8897 0.799 1.374772708 (-1)
1/2

4. Ganti data training dan tes ke-1 0.9165 0.7834 0.303
5. Ganti data training dan tes ke-2 0.9529 0.8778 0.807
Berdasar tabel operasi di atas terdapat perbedaan nilai antara R-squared dari data training
asli (tanpa data tes) dengan data training hasil pemisahan. Persamaan regresi yang sudah
dihilangkan parameter yang tidak berpengaruh memiliki multiple R
2
lebih kecil yang berarti
persamaan yang dihasilkan berkurang kelinierannya. Namun adjusted R
2
nya lebih besar artinya
persamaan relatiI lebih linier. Ketika seluruh data tes dikembalikan dan dibuat persamaan tanpa
mengikutsertakan parameter non-signiIikan diperoleh nilai STDEV terjadi penurunan R
2
dengan
STDEV tidak bisa ditentukan (akar negatiI). Sedangkan pada pergantian data Training dan data
tes diperoleh nilai STDEV menurun drastis.