JURUSAN KIMIA
FAKULTAS MATEMATIKA DAN ILMU
PENGETAHUAN ALAM
UNIVERSITAS NEGERI MANADO
2011
KOMPUTASI KIMIA
JURUSAN KIMIA
FAKULTAS MATEMATIKA DAN ILMU
PENGETAHUAN ALAM
UNIVERSITAS NEGERI MANADO
2011
1.
2.
3.
4.
5.
6.
dikembangkan oleh JJP Stewart dan pertama kali diterbitkan pada tahun 1989. Sebuah
model perhitungan untuk PM3 kompleks lantanida, disebut Sparkle/PM3.
OLEH:
I DEWA MADE KRESNA
09 313 161
KELAS B
JURUSAN KIMIA
FAKULTAS MATEMATIKA DAN ILMU
PENGETAHUAN ALAM
UNIVERSITAS NEGERI MANADO
2011
HUBUNGAN KUANTITATIF STRUKTUR DAN AKTIVITAS
QUINOXALINE-2-KARBOKSILAT 1,4-DI-N-OKSIDA SEBAGAI
AGEN ANTI-MIKOBAKTERI
Dalam upaya berkelanjutan dari kelompok riset kami untuk mengidentifikasi senyawa
aktifbaru terhadap Mycobacterium tuberkulosis, kita resor untuk struktur-
untuk
mengatasi tidak
adanya pengukuran eksperimental
untuk
sistem
biologis didasarkan pada kemampuan untuk merumuskan kuantitatif hubungan strukturaktivitas (QSARs) [16,17]. Teori ini telah sebagai peran utama, usulan model yang
mampu memperkirakan kegiatan senyawa, dengan mengandalkan pada asumsi bahwa
efek
yang
dihasilkan adalah
konsekuensi
dari struktur molekul.
Sejak studi pelopor Hnsch penggunaan QSAR telah menjadi membantu dalam
memahami interaksi kimia-biologis dalam
obat
dan
pestisida penelitian, serta
dalam berbagai bidang toksikologi. Oleh karena itu, struktur diterjemahkan ke
dalam yang disebut molekul deskriptor, menggambarkan fitur yang relevan yang
berbeda
dari senyawa,
melalui rumus
matematika yang
diperoleh dari
kimia grafik teori, teori
informasi, mekanika
kuantum,
dll [18] Lebih
dari seribu deskriptor yang tersedia ada dan dilaporkan dalam literatur, dan kita
harus memutuskan bagaimana untuk memilih orang-yang menjadi ciri properti di
bawah pertimbangan
di terbaik
mungkin cara.
Meskipun
sejumlah besar hubungan struktur-aktivitas
(LAK) dilaporkan sebelumnya untuk menganalisis biologi sifat yang ditampilkan
oleh derivatif quinoxaline, tidak satupun dari Hasil QSAR termasuk [5-15,1922]. Alasan utama dari hal ini dapat dikaitkan dengan fakta bahwa dalam beberapa
dasawarsa terakhir eksperimental Data biologis pada senyawa quinoxaline yang tersedia
untuk membangun sebuah model kuantitatif, namun kini kelemahan ini terus
menerus diatasi oleh kelompok-kelompok penelitian yang berbeda yang data
register baru ke dalam literatur. Dalam studi ini, kami mengembangkan eksplorasi lebih
lanjut dari
profil biologis dipamerkan
oleh quinoxaline-2-karboksilat 1,4-di-Noksida derivatif beralih ke formalisme QSAR, membangun model prediksi di saat
ini tersedia data untuk lima sifat biologis yang berbeda.
Metode
Data Set
Informasi eksperimental dari
senyawa quinoxaline
muncul pada
Tabel 1 dikumpulkan dari
literatur [12,15]. Para
dilaporkan dalam
evaluasi in
vitro aktivitas antituberkulosis ini dilakukan di Pusat Penyakit Hansen GWL di dalam
Tuberkulosis antimikroba Akuisisi & Fasilitas Koordinasi
(TAACF) program
skrining untuk penemuan obat baru untuk pengobatan tuberkulosis. Di bawah
arahan U. S. Nasional Institut Alergi dan Penyakit Infeksi (NIAID), Southern Research
Institute koordinat program secara keseluruhan [23]. Tingkat 1 layar dilakukan di 6,25
mg / mL terhadap M. tuberculosis H37Rv
menggunakan lempeng Alamar Assay Biru. senyawa menunjukkan
setidaknya
90% penghambatan di
layar 1 Tingkat yang lebih
rendah diuji
ulang pada
konsentrasi terhadap M.
tuberculosis H37Rv untuk
menentukan
Konsentrasi penghambatan minimum yang
sebenarnya (MIC). bersamaan
dengan
penentuan MIC, senyawa diuji untuk
sitotoksisitas
(IC50) dalam
sel VERO. Indeks selektivitas (SI = IC50/MIC) juga ditentukan; dianggap signifikan
bila SI> 10. Setelah Tingkat 2 layar selesai, senyawa yang dipilih dianggap untuk
evaluasi lebih lanjut dalam uji makrofag; senyawa diuji untuk membunuh M.
tuberculosis galur Erdman di
dalam
mouse
makrofag sumsum
tulang. EC90 dan EC99 ditentukan sebagai
mempengaruhi konsentrasi terendah 90% dan pengurangan 99%, masing-masing, di
koloni membentuk unit dibandingkan
dengan
obat bebas kontrol.
Senyawa
dengan EC90/MIC <16 dipertimbangkan untuk lebih lanjut evaluasi. Pada tahap
ini tim kimia medis review Data, mengingat karakteristik seperti SAR, kelarutan, dan
log p
nilai, untuk
menentukan
apakah evaluasi
dalam pada
model pengujian vivo
dijamin [22].
terendah outlier quinoxalines melebihi 2S, 3S 2.5S dan (e) nilai terendah untuk yang
maksimal antar-korelasi antara deskriptor dalam model (Rmaxij), dan (f) distribusi
menguntungkan relatif percentual prediksi kesalahan. Kami mempekerjakan prosedur
orthogonalization diperkenalkan beberapa tahun lalu oleh Randic [34] sebagai cara
untuk meningkatkan statistik interpretasi dari model yang dibangun oleh saling
indeks. Dari sudut pandang kami, co-linearitas dari molekul deskriptor harus
serendah mungkin,
karena keterkaitan yang
antara deskriptor yang
berbeda
dapat menyebabkan sangat tidak stabil koefisien regresi, yang membuatnya mustahil
untuk mengetahui
relatif pentingnya suatu indeks
dan meremehkan utilitas
dari
koefisien regresi dari model. Langkah penting dari Proses orthogonalization adalah
pilihan perintah yang tepat orthogonalization, yang dalam analisis ini adalah agar
memaksimalkan korelasi antara setiap deskriptor ortogonal dan properti biologis yang
teramati. Teknik pengacakan y
[35] terdiri
dalam berebut properti eksperimental sedemikian
cara bahwa
kegiatan tidak
sesuai
dengan masing-masing senyawa.
Setelah menganalisis 5.000.000 kasus y randomisasi untuk setiap dikembangkan QSAR,
nilai S terkecil diperoleh menggunakan
Prosedur ternyata menjadi
nilai lebih
miskin bila
dibandingkan
dengan
satu ditemukan ketika
mempertimbangkan kalibrasi benar. Para validasi teoritis dipraktekkan atas setiap model
linier didasarkan pada prosedur cuti-lebih-out cross-validasi (ln%-o) [36], dengan%
n mewakili jumlah
molekul dihapus dari
pelatihan ditetapkan. Jumlah kasus
untuk penghapusan data
acak
dianalisis dalam
setiap ln%-o adalah 5.000.000,
sedangkan% n = 10%
dipertimbangkan.
molekul yang memiliki (res) residu yang melebihi dua standar deviasi, dan toilet dan l10%-o berdiri untuk oneout pergi dan meninggalkan-10%-out teknik validasi silang,
masing-masing. Tak satu pun dari kualitas yang baik berasal QSARs memasukkan
berlebihan informasi struktural, karena mereka termasuk orthogonalized molekul
deskriptor yang menghindari collineality antara numerik yang berbeda variabel yang
dapat menghasilkan model-model yang sangat tidak stabil. Sebagai langkah berikutnya,
dengan tujuan utama memverifikasi bahwa linier QSARs didirikan tidak hanya korelatif
tetapi juga akan fungsi sama baik untuk prediksi data biologis baru tidak dimaksud
selama tahap pelatihan model, itu wajib untuk melakukan validasi mereka dalam rangka
untuk menganalisis mereka kinerja prediktif [36]. Persamaan. (1) - (5) memuaskan
berlalu proses internal validasi, sebagaimana dibuktikan oleh stabilitas model pada
inklusi / eksklusi senyawa dari pelatihan diatur, diukur melalui parameter toilet umum
digunakan (Rloo) bersama-sama dengan parameter%-o ln lebih parah (Rl-10%-o). Hasil
ini di kisaran model divalidasi: R-n%-o harus lebih besar dari 0,50, menurut literatur
khusus [37]. Atau, untuk kasus yang melibatkan model 1-3 lebih banyak data poin (N)
kami melakukan validasi eksternal, dengan memperkirakan biologis data untuk
beberapa turunan quinoxaline segar tidak dipertimbangkan selama pengembangan
model. Prediksi dicapai pada senyawa uji set (dilambangkan dengan tanda bintang di
Tabel 1) dapat memberikan wawasan pada variasi dari eksperimental properti untuk
struktural terkait seperti''tidak diketahui struktur'', menunjukkan fungsi yang benar dari
tiga hubungan struktur-aktivitas. Akhirnya, sebagai langkah lebih lanjut untuk menilai
kekokohan persamaan ini, kita menerapkan y-pengacakan prosedur [35] untuk setiap
dari mereka, menunjukkan bahwa kalibrasi tidak hasil dari kebetulan dan karena itu,
berhubungan dengan struktur-aktivitas berlaku hubungan.
Topologi deskriptor muncul dalam Pers. (1) - (5), seperti X5A, IVDE, TIE, T
(F. F.), S3K dan GGI8, mencirikan bentuk topologi'''' menggambarkan elemen struktur
yang berbeda seperti bercabang derajat, ukuran, simetri, fleksibilitas, cyclicity,
centricity, dll [38] Para Jarak topologi matriks (D), diperkenalkan oleh Harary dalam
1960, account untuk''''melalui ikatan interaksi atom dalam molekul, sebagian besar ciri
deskriptor distribusi dari jarak topologi di setiap graf kimia. Struktural variabel
diperkenalkan oleh Broto, Moreau dan Geary [39] sesuai bi-dimensi autocorrelations
antara pasangan atom dalam molekul, dan didefinisikan dalam rangka untuk
mencerminkan kontribusi dari dianggap atom properti untuk properti tanggungan
investigasi. Skema pembobotan yang berbeda dapat diadopsi untuk membedakan sifat
atom: massa (m), polarisabilitas (p), elektronegativitas (e) atau volume (v). 2DAutocorrelations (MATS7p, MATS2m, GATS3m dan GATS7v) dapat dengan mudah
dihitung, yaitu: dengan menjumlahkan produk dari berat atom dari atom terminal
semua jalan panjang yang ditentukan. Deskriptor BCUT (BELm6) adalah nilai-nilai
eigen dari matriks Beban (B) [40]. Seperti diketahui, B sesuai dengan matriks adjacency
dimodifikasi (A) dengan utama elemen-elemen diagonal yang tertimbang dengan
properti atom tertentu. Di antara deskriptor lebih diuraikan, geometri variabel (DISPe)
yang 3D-deskriptor yang diperoleh dari ekspansi saat itu tidak memerlukan superposisi
tidak meningkatkan hasil tersebut untuk membuat sintesis mereka berharga karena
masalah pemisahan isomer.
Sebanyak 107 struktur
yang
berbeda (44-150) diperkirakan sebagai
antimycobacterial kandidat menggunakan 5 model untuk masing-masing dievaluasi
parameter, namun hanya 12 (45, 51, 69, 70, 79, 82, 87, 91, 103, 111, 115, 120) dari
mereka
menunjukkan hasil
yang cukup
baik untuk
membenarkan mereka
sintesis (Tabel 3). Fakta ini berarti bahwa, berdasarkan prediksi, 90% dari sintesis
dan evaluasi biologis
dapat dihindari.
Tabel 4 mencakup nilai-nilai numerik
untuk teoritis deskriptor yang muncul di semua QSPR dikembangkan.
DAFTAR PUSTAKA
[1] WHO Fact Sheet No. 104, 2007.
[2] WHO, Weekly Epidemiological Record No. 15, 2003, 78, 121.
[3] J.C. Palomino, S.C. Leao, V. Ritacco, Tuberculosis 2007: From Basic Science to
Patient Care, http://www.tuberculosistextbook.com, 2007.
[4] L.M. Lima, E.J. Barreiro, Curr. Med. Chem. 12 (2005) 23.
[5] M.E. Montoya, Y. Sainz, M.A. Ortega, A.L. De Cerain, A. Monge, FARMACO 53
(1998)
570.
[6] Y. Sainz, M.E. Montoya, F.J. Martinez-Crespo, M.A. Ortega, A.L. De Cerain, A.
Monge,
Arzneimittel-Forsch. 49 (1999) 55.
[7] M.A. Ortega, Y. Sainz, M.E. Montoya, A.L. De Cerain, A. Monge, Pharmazie 54
(1999) 24.
[8] M.A. Ortega, M.E. Montoya, A. Jaso, B. Zarranz, I. Tirapu, I. Aldana, A. Monge,
Pharmazie 56 (2001) 205.
[9] M.A. Ortega, Y. Sainz, M.E. Montoya, A. Jaso, B. Zarranz, I. Aldana, A. Monge,
Arzneimittel-Forsch. 52 (2002) 113.
[10] B. Zarranz, A. Jaso, I. Aldana, A. Monge, Bioorg. Med. Chem. 11 (2003) 2149.
[11] A. Jaso, B. Zarranz, I. Aldana, A. Monge, Eur. J. Med. Chem. 38 (2003) 791.
[12] A. Jaso, B. Zarranz, I. Aldana, A. Monge, J. Med. Chem. 48 (2005) 2019.
[13] R. Villar, E. Vicente, B. Solano, S. Pe rez-Silanes, I. Aldana, J.A. Maddry, A.J.
Lenaerts,
S.G. Franzblau, S.-H. Cho, A. Monge, R.C. Goldman, J. Antimicrob. Chemother. 62
(2008) 547.
[14] E. Vicente, R. Villar, A. Burguete, B. Solano, S. Pe rez-Silanes, I. Aldana, J.A.
Maddry,
A.J. Lenaerts, S.G. Franzblau, S.-H. Cho, A. Monge, R.C. Goldman, Antimicrob.
Agents Chemother. 52 (2008) 3321.
[15] E. Vicente, S. Pe rez-Silanes, L.M. Lima, S. Ancizu, A. Burguete, B. Solano, R.
Villar, I.
Aldana, A. Monge, Bioorg. Med. Chem. 17 (2009) 385.
[16] C. Hansch, A. Leo, Exploring QSAR. Fundamentals and Applications in Chemistry
and Biology, American Chemical Society, Washington, DC, 1995.
[17] R.P. Verma, C. Hansch, Chembiochem 5 (2004) 1188.
[18] A.R. Katritzky, V.S. Lobanov, M. Karelson, Chem. Soc. Rev. 24 (1995) 279.
[19] A. Carta, G. Paglietti, M.E.R. Nikookar, P. Sanna, L. Sechi, S. Zanetti, Eur. J. Med.
Chem. 37 (2002) 355.
[20] A. Carta, M. Loriga, G. Paglietti, A. Mattana, P.L. Fiori, P. Mollicotti, L. Sechi, S.
Zanetti, Eur. J. Med. Chem. 39 (2004) 195.
[21] A. Carta, P. Corona, M. Loriga, Curr. Med. Chem. 12 (2005) 2259.
[22] R.C. Goldman, B.E. Laughon, R.C. Reynolds, J.A. Secrist III, J.A.Maddry, M.A.
Guie, A.C.
Poffenberger, C.A. Kwong, S. Ananthan, Infect. Disord. Drug Targets 7 (2007) 92.
[23] TAACF, http://www.taacf.org (December 2008).
[24] Hyperchem 6.03 (Hypercube), http://www.hyper.com.
[25] Milano Chemometrics and QSAR Research Group, http://michem.disat.unimib.it/
chm.
[26] P.R. Duchowicz, E.A. Castro, F.M. Fernandez, M.P. Gonza lez, Chem. Phys. Lett.
412
(2005) 376.
[27] P.R. Duchowicz, E.A. Castro, F.M. Fernandez, MATCH-Commun. Math. Comput.
Chem. 55 (2006) 179.
[28] P.R. Duchowicz, M. Fernandez, J. Caballero, E.A. Castro, F.M. Fernandez, Bioorg.
Med. Chem. 14 (2006) 5876.
[29] A.M. Helguera, P.R. Duchowicz, M.A.C. Pe rez, E.A. Castro, M.N.D.S. Cordeiro,
M.P.
Gonza lez, Chemometr. Intell. Lab. 81 (2006) 180.
[30] S.S. So, M. Karplus, J. Med. Chem. 39 (1996) 1521.
[31] Matlab 7.0, The MathWorks Inc.
[32] H. Kubinyi, Quant. Struct.-Act. Relat. 13 (1994) 285.
[33] H. Kubinyi, Quant. Struct.-Act. Relat. 13 (1994) 393.
[34] M. Randic, J. Chem. Inform. Comput. Sci. 31 (1991) 311.
[35] S. Wold, L. Eriksson, Statistical validation of QSAR results, in: H. van de
Waterbeemd
(Ed.), Cheometrics Methods in Molecular Design, VCH, Weinheim, 1995, p.
309.
[36] D.M. Hawkins, S.C. Basak, D. Mills, J. Chem. Inform. Comput. Sci. 43 (2003)
579.
[37] A. Golbraikh, A. Tropsha, J. Mol. Graph. Model. 20 (2002) 269.
[38] F. Harary, Graph Theory, Addison-Wesley, Reading, MA, 1969.
[39] G. Moreau, P. Broto, Nouv. J. Chim. (New J. Chem.) 4 (1980) 359.
[40] F.R. Burden, J. Chem. Inform. Comput. Sci. 29 (1989) 225.
[41] B.D. Silverman, J. Chem. Inform. Comput. Sci. 40 (2000) 1470.
[42] V. Consonni, R. Todeschini, Rational Approaches to Drug Design, Prous Science,
Barcelona, 2001, pp. 235.
[43] J.H. Schuur, P. Selzer, J. Gasteiger, J. Chem. Inform. Comput. Sci. 36 (1996) 334.
[44] V. Consonni, R. Todeschini, M. Pavan, P. Gramatica, J. Chem. Inform. Comput.
Sci.
42 (2002) 693.
[45] N.R. Draper, H. Smith, Applied Regression Analysis, John Wiley & Sons, New
York, 1981 .
Nama
NIM
: I Dewa M. Kresna
: 09 313 161
Indicator
Panjang
Ikatan
CH
C=O
C=C
CC
CO
OH
Momen Dipol
(D)
Energy
Eksperimen
AM1
PM3
MNDO
CNDO
1.10
1.20
1.34
1.48
1.34
0.96
1.1
1.24
1.40
1.39
1.37
0.97
1.09
1.22
1.39
1.39
1.36
0.95
1.09
1.23
1.41
1.41
1.36
0.95
1.12
1.27
1.38
1.38
1.36
1.03
1.72 D
2.416 D
2.250 D
2.287 D
1.961 D
1641.25
kkal/mol
1696.08
kkal/mol
1694.33
kkal/mol
1693.82
kkal/mol
4951.59
kkal/mol
Metode semiempiris yang paling mendekati dengan data eksperimen adalah metode
CNDO.
TUGAS
KIMIA KOMPUTASI
ANALISIS SIKLOHEKSANA
STABILITAS KARBOKATION DAN
HIPERKONJUGASI
KONFORMASI 1,3-BUTADIENA
Kursi
(teroptimasi)
Perahu
Jarak CC ()
1-6 = 1,54
1-2 = 1,54
2-3 = 1,54
3-4 = 1,54
4-5 = 1,53998
5-6 = 1,54
1-6 = 1,51508
1-2 = 1,51512
2-3 = 1,51508
3-4 = 1,51511
4-5 = 1,51517
5-6 = 1,51511
1-6 = 1,51508
1-2 = 1,51512
Energi (kkal/mol)
E = -1689,3471
E = -1689,3471
E = -1689,3434
Perahu
(teroptimasi)
Perahu terpilin
Perahu terpilin
(teroptimasi)
2-3 = 1,51508
3-4 = 1,51511
4-5 = 1,51517
5-6 = 1,51511
1-6 = 1,51519
1-2 = 1,51541
2-3 = 1,51514
3-4 = 1,51514
4-5 = 1,51541
5-6 = 1,51519
1-6 = 1,53777
1-2 = 1,54129
2-3 = 1,54116
3-4 = 1,53731
4-5 = 1,54089
5-6 = 1,54136
1-6 = 1,51389
1-2 = 1,51734
2-3 = 1,51693
3-4 = 1,51393
4-5 = 1,51733
5-6 = 1,51695
<234 = 111,297
<345 = 111,301
<456 = 111,3
<561 = 111,297
<612 = 111,233
<123 = 111,219
<234 = 111,096
<345 = 111,219
<456 = 111,233
<561 = 111,259
<612 = 108,976
<123 = 109,629
<234 = 108,826
<345 = 108,8
<456 = 109,629
<561 = 109,049
<612 = 111,793
<123 = 112,286
<234 = 111,621
<345 = 111,757
<456 = 112,284
<561 = 111,665
<2345 = -55,2168
<3456 = 0,000688399
<4561 = 55,2162
<5612 = -55,218
<6123 = -55,4866
<1234 = 55,6435
<2345 = -55,6435
<3456 = 55,4866
<4561 = -55,2751
<5612 = 55,2751
<6123 = 30,0224
<1234 = 37,1165
<2345 = -71,5441
<3456 = 30,6909
<4561 = 36,4625
<5612 = -70,8452
<6123 = 27,7783
<1234 = 32,0949
<2345 = -62,4918
<3456 = 27,9245
<4561 = 31,9513
<5612 = -62,3451
E = -1689,3434
E = -1686,1597
E = -1686,1597
Perahu
Perahu Terpilin
-1689,3434
-1686,1597
0.0857142
(kcal/mol/Ang)
0.0830337
(kcal/mol/Ang)
Hasil :
t-butil
C2-C1 = 1,4553
C2-C3 = 1,45528
C2-C4 = 1,4553
C1-C2 = 1,50848
C2-C3 = 1,44341
C3-C4 = 1,43831
C1-H = 1,12368
C1-H = 1,13393
C1-H = 1,12367
C1-H = 1,11781
C1-H = 1,11759
C1-H = 1,11959
CCC = 119,995
CCC = 114,817
CCH9 = 109,654
CCH8 = 110,768
C1-C2 = 1,42302
C2-H = 1,13011
CCH7 = 113,048
C2-C3 = 1,57086
C2-H = 1,13011
CCH8 = 113,048
Sek-butil
n-butil
C3-C4 = 1,5029
HCH = 109,312
Sek-butil
n-butil
C1-H = 0,169
C1-H = 0,216
C2-H = 0,191
C1-H = 0,201
C1-H = 0,204
C2-H = 0,191
C1-H = 0,169
C1-H = 0,16
C3-H = 0,198
C3-H = 0,218
Panas pembentukan
t-butil
174.6197245 (kcal/mol)
Sek-butil
183.8212300 (kcal/mol)
n-butil
202.9651383 (kcal/mol)
Analisis :
1. Ya, pada masing-masing karbokation menunjukkan adanya perbedaan panjang ikatan
C-H. Panjang ikatan yang paling besar ada pada karbokation t-butil = 1,13393 . Hal
terjadi karena adanya pengaruh hiperkonjugasi yang membuat melemahnya dan
memanjangnya ikatan C-H. Berarti semakin besar pengaruh hiperkonjugasi semakin
lemah dan panjang ikatan C-H.
2. Ikatan C-C yang paling kecil ada pada karbokation n-butil 1,42302 .pada ikatan C-C
peristiwa hiperkonjugasi akan meningkatkan order ikatan (lebih bersifat rangkap) dan
akan berakibat memendekkan ikatan C-C. Jadi semakin besar hiperkonjugasi maka
semakin pnedek atau semakin besar peluang membentuk ikatan rangkap.
3. Sudut yang diharapkan untuk hibridisasi sp2 sebesar 120 o. Ya, ada deviasi. Hal ini
disebabkan hiperkonjugasi yang menghasilkan beberapa bentuk resonansi dari
karbokation dengan beberapa variansi sudut.
4. Ya. Semakin besar muatan atom H menunjukkan semakin besar pula muatan positif
yang dipindahkan dari atom C yang terlibat dalam hiperkonjugasi.
5. Berdasarkan data dan literatur,
http://mulyono-website.blogspot.com/2011/10/karbokation-atau-ion-karbonium.html .
t-butil adalah bentuk karbokation yang paling stabil karena membutuhkan energi yang
lebih kecil untuk pembentukannya.
Kestabilan karbokation : primer < sekunder < tersier.
Sudut dihedral
teroptimasi (O)
180
158,28
133,489
83,0683
55,1639
44,1122
32,0986
18,2087
7,04506
Panas Pembentukan
(kkal/mol)
-97220,1179
-97218,984
-97215,6036
-97214,5654
-97216,5859
-97217,0674
-97217,0072
-97216,5723
-97216,2349
Semiempiris AM1
Sudut Dihedral
Awal (o)
180
150
120
90
60
45
30
Sudut Dihedral
Teroptimasi (o)
180
175,441
122,654
90,0359
57,6944
43,1425
29,3111
Panas Pembentukan
(kkal/mol)
-966,3844
-965,9336
-964,9244
-964,4275
-964,9025
-965,2926
-965,5495
15
0
15,415
0
-965,6168
-965,6109
ANALISIS
1. Konformer cis lebih stabil daripada trans karena memiliki nilai nilai yang tidak berbeda
dengan nilai optimasi.
2. -97217,0674 kkal/mol.
3. Pada keadaan transisi di sudut 60O. Hal ini dikarenakan berada pada keadaan transisis
antara cis dan trans.
http://ruanganhijau.blogspot.co.id/2011/12/kliping-komputasi-kimia.html