Bab 4 Dan 5 - Kolinergik-Antikolinergik [PDF]

Citation preview

BAB IV HASIL DAN PEMBAHASAN Quantitative Structure–Activity Relationship (QSAR) adalah metode untuk membangun model komputasi atau matematika yang berupaya menemukan korelasi yang signifikan secara statistik antara struktur dan fungsi menggunakan teknik kemometrik. Pada penelitian ini model CoMFA dan CoMSIA 3D-QSAR diturunkan menggunakan inhibitor asetilkolinesterase. CoMFA (Comperative Molecular Field Analysis) menghasilkan persamaan yang menghubungkan aktivitas biologis dengan kontribusi medan energi interaksi di setiap titik grid (Verma et al., 2010). Analisis CoMFA bertujuan untuk menemukan prediksi model yang terbaik pada sistem yang digunakan. Dari 53 inhibitor kolinesterase, 46 senyawa diambil secara acak digunakan sebagai training set untuk membentuk model CoMFA dan 7 senyawa digunakan sebagai test set untuk validasi model. Test set yang terdiri dari 7 senyawa inhibitor digunakan untuk memvalidasi lebih lanjut model 3DQSAR. Senyawa test set dipilih secara acak sehingga dapat mewakilkan keragaman struktural dan aktivitas dalam data set. Nilai yang dihasilkan menunjukkan bahwa metode yang digunakan memiliki korelasi baik. Analisis PLS dilakukan pada training set dan validasi silang (cross-validated) q2 0,810 untuk 5 komponen. Analisis PLS yang tidak divalidasi silang (non cross-validated) dengan komponen optimal menunjukkan nilai r2 konvensional 0,961, nilai F = 196,689, dan perkiraan kesalahan standar estimasi (SEE) 0,270. Deskriptor dari bidang sterik berkontribusi sebanyak 63,2% dan bidang elektrostatik sebanyak 36,8%. Analisis bootstrap dilakukan dengan 100 run, yang bertujuan untuk validasi model lebih lanjut dengan sampling statistikal dari data set asli untuk membuat data set baru. Analisis CoMSIA dilakukan dengan menggunakan lima deskriptor yaitu sterik, elektrostatik, hidrofobik, donor ikatan hidrogen, dan akseptor ikatan hidrogen. Studi CoMSIA menunjukkan validasi silang (cross-validated) q2 0,583 dengan jumlah optimal komponen 6, r2 konvensional 0,947 dengan kesalahan standar estimasi 0,111, dan nilai F 243,934. Kontribusi dari bidang sterik terdapat sebanyak 20,7%, deskriptor elektrostatik 23,0%, bidang hidrofobik 21,3%,



sedangkan donor ikatan hidrogen 15,0% dan akseptor ikatan hidrogen 20,0%. Analisis bootstrap dilakukan dengan 100 run, untuk validasi model dengan sampling statistik dari data set asli untuk membuat data set baru. Dihasilkan nilai r2 bootstrap yang lebih tinggi 0,990 untuk CoMSIA dengan kesalahan standar estimasi



0,318



yang



menegaskan



validitas



statistik



dari



model



yang



dikembangkan. Korelasi antara CoMFA dan CoMSIA eksperimental dan prediksi masing-masing ditunjukkan pada gambar 2, dan analisis statistik dapat dilihat pada Tabel 1. Tabel 1. Analisis Statistik CoMFA dan CoMSIA



Gambar 2. Aktivitas Perkiraan dan Pengamatan dari Training Set dan Test Set dengan Model (a) CoMFA dan (b) CoMSIA R2 memperkirakan proporsi variasi Y yang dijelaskan oleh regresi (varian yang dijelaskan dari model). Semakin kuat hubungan antara variabel dependen dan independen, R2 semakin mendekati 1, sebaliknya, semakin lemah hubungan, R2 semakin mendekati nol. SEE mengukur dispersi dari nilai-nilai yang diamati dari garis regresi. Semakin kecil nilai SEE, semakin tinggi keandalan prediksi



(Gramatica, 2013). CV (cross-validated) digunakan untuk mengukur kemampuan prediksi model dan melihat kemungkinan model mengalami overfitted. Overfitting mengacu pada fenomena dimana model prediktif dapat menggambarkan hubungan antara prediktor dan respons, tetapi kemudian gagal memberikan prediksi yang valid untuk senyawa baru. Overfitting dari model biasanya dicurigai ketika nilai R2 dari model asli secara signifikan lebih besar (25%) dari nilai Q2 (Perbedaan antara R2 dan Q2 tidak boleh lebih dari 0,3). Nilai CV (cross-validated) dianggap lebih karakteristik dari kemampuan prediksi model. Dengan demikian, CV (crossvalidated) dianggap sebagai ukuran prediksi yang baik dan tidak cocok untuk R 2 (Veerasamy et al., 2011). Pada peta kontur CoMFA bidang sterik, terdapat kontur hijau besar berada di sekitar rantai samping pada posisi R4 dan kontur berukuran sedang ditemukan lebih dekat ke posisi R8, yang menunjukkan bahwa substituen besar lebih disukai di wilayah ini. Kontur kuning besar muncul di OH kelompok posisi R7 dan kontur berukuran sedang muncul di grup OH dari posisi R3, menunjukkan dua posisi ini tidak menguntungkan. Kontur kuning kecil terletak di posisi R1, menunjukkan bahwa subtituen kecil diperlukan untuk meningkatkan biologis aktivitas. Pada peta bidang elektrostatik, kontur warna biru menunjukkan kelompok muatan positif meningkatkan aktivitas biologis dan defisien elektron untuk afinitas pengikatan yang tinggi. Kurarinone menunjukkan kontur besar pada rantai samping R4 posisi kelompok lavandulyl dan kontur berukuran sedang pada grup C=O terdekat. Kontur merah menunjukkan kelompok bermuatan negatif yang meningkatkan aktivitas biologis. Dua kontur merah besar muncul pada posisi R4 kelompok lavandulyl menunjukkan lebih banyak hadir subtituen muatan negatif.



Gambar 3. Pemetaan kontur CoMFA bidang (a) sterik dan (b) elektrostatik (Gunda et al., 2015).



Pada pemetaan kontur CoMSIA bidang sterik, kontur hijau besar muncul pada posisi R4 kelompok lavandulyl dan kontur hijau kecil yang terletak di dekat posisi R8. Kontur hijau muncul yang berarti bahwa substituen yang disukai secara sterik akan meningkatkan aktivitas biologis inhibitor AChE. Pada peta kontur elektrostatik CoMSIA, kontur biru besar muncul di cincin utama dan kontur biru kecil pada posisi R5 menunjukkan adanya kehadiran konstituen muatan positif. Senyawa kurarinone menunjukkan kontur besar di samping rantai posisi R1, R2, dan dua kontur merah berukuran sedang hadir pada kelompok lavandulyl posisi R4 menunjukkan bahwa konstituen muatan negatif lebih banyak hadir di posisi ini. Peta kontur hidrofobik terdapat dua kontur kuning besar muncul di kelompok OH dari posisi R3 dan kelompok lavandulyl dari posisi R4 menunjukkan efek positif dan mendukung peningkatan aktivitas biologis. Kontur ungu menunjukkan efek positif, sedangkan kontur biru muda kelompok donor ikatan hidrogen menunjukkan efek negatif pada aktivitas biologis. Kontur akseptor ikatan hidrogen CoMSIA menunjukkan daerah di mana ikatan hidrogen akseptor di ligan mempromosikan atau mengurangi afinitas pengikatan dari molekul. Pada peta kontur akseptor ikatan hidrogen, kontur magenta mengelilingi R1, R2, R3, R4 dan di bawah posisi R8, menunjukkan adanya peningkatan aktivitas penghambatan molekul melawan AChE.



Gambar 4. Pemetaan Kontur CoMSIA Bidang (a) Sterik, (b) Elektrostatik, (c) Hidrofobik, (d) Donor Ikatan Hidrogen, (e) Akseptor Ikatan Hidrogen (Gunda et al., 2015). Studi docking molekuler dilakukan dengan menggunakan software flexX, untuk menyelidiki mode pengikatan antara inhibitor dan AChE. FlexX 33 adalah



metode berbasis fragmen. FlexX menangani fleksibilitas ligan dengan menguraikan ligan menjadi fragmen dan melakukan konstruksi tambahan algoritma langsung di dalam situs aktif protein. Metode ini memungkinkan fleksibilitas konformasi ligan dan menjaga protein tetap kaku. Fragmen dasar dipilih sedemikian rupa sehingga memiliki kelompok interaksi paling potensial dan konformasi alternatif paling sedikit. Dalam penelitian ini, digunakan pembentukan kompleks dari struktur kristal AChE (PDB ID: 1EVE) dengan NAG (N-acetyl-D-Glucosamine). Saat membuat File RDF, situs aktif didefinisikan dalam radius 6,5Å ligan. Studi docking molekuler telah dilakukan pada seri dari 53 turunan flavonoid alami ke dalam situs aktif asetilkolinesterase. Mode pengikatan turunan flavonoid dalam pengikatan situs kolinesterase diidentifikasi menggunakan simulasi docking fleksibel antarmolekul dengan menggunakan Program FlexX. Senyawa yang paling aktif, tidak aktif, dan moderat aktif menunjukkan interaksi dengan Asp72. Senyawa kurarinone yang paling aktif menunjukkan interaksi dengan Asp72, Ser286, dan Phe288 dengan jarak antara ligan dan protein masing-masing 1,94, 1,77 dan 1,93. Tabel 2. Interaksi Docking Asam Amino dan Jarak Dengan Senyawa Paling Aktif, Moderat Aktif, dan Tidak Aktif



(a) (b) Gambar 5. (a) Interaksi senyawa yang paling aktif Kurarinone dengan AChE (b) Interaksi senyawa yang kurang aktif Luteolin-7-O-rutinoside dengan AChE.



BAB V KESIMPULAN Berdasarkan hasil dan pembahasan diatas dapat ditarik kesimpulan yaitu analisis 3Q-QSAR dari turunan flavonoid dilakukan dengan CoMFA dan CoMSIA untuk menentukan model yang baik dengan inhibitor ACHe. Model CoMFA dihitung dengan dua parameter statistik, yaitu q2 yang menunjukkan kemampuan prediksi model, yang seharusnya ≥ 0,8 dan nilai r 2 menunjukkan konsistensi diri modelnya, yang seharusnya ≥ 0,9. Metode CoMSIA menetapkan sterik eksplisit, elektrostatik dengan hidrofobik, bidang donor dan akseptor ikatan hidrogen, yang dihitung menggunakan probe atom karbon sp 3 Peta kontur CoMFA dan CoMSIA serta pendekatan docking memberikan informasi yang cukup untuk memahami hubungan struktur-aktivitas. Nilai yang dihasilkan juga menunjukkan bahwa metode yang digunakan memiliki korelasi yang baik. Peta kontur dapat membantu mengidentifikasi daerah relevan yang dimana perubahan apapun dapat memengaruhi preferensi ikatan dan fitur yang berkontribusi pada interaksi antara flavonoid yang diteliti dan situs aktif AChE. Selain itu, peta kontur memiliki kemungkinan untuk membantu dalam mengidentifikasi fitur-fitur penting yang berkontribusi pada interaksi antara flavonoid yang diteliti dan situs aktif AChE. Dari hasil studi docking in silico, interaksi paling aktif berasal dari senyawa Kuraninone dan paling sedikit dari senyawa Luteolin-7-O-rutinoside. DAFTAR PUSTAKA Gramatica, P. 2013. On the Development and Validation of QSAR Models. Methods in Molecular Biology 930: 499-526. Gunda, S. K., S. Pasula, V. Gurram, and M. Shaik. 2015. 3D QSAR and In Silico Docking Studies of Natural Flavonoid Derivatives as AcetylcholinesteraseInhibitors. Int. J. Pharm. Sci. Rev. Res., Vol. 30 (1): 61-68. Veerasamy, R., H. Rajak, A. Jain, S. Sivadasan, C.P. Varghese, R.K. Agrawal. 2011. Validation of QSAR Models - Strategies and Importance. International Journal of Drug Design and Discovery 2(3): 511-519. Verma, J.,V.M. Khedkar, E.C. Coutinho. 2010. 3D-QSAR in Drug Design - A Review. Current Topics in Medicinal Chemistry 10: 95-115.