KLIPING KOMPUTASI KIMIA

MENGGAMBAR MOLEKUL DAN MENGHITUNG

ENERGI,
JURNAL QSAR,
MENENTUKAN PANJANG IKATAN,
ANALISIS SIKLOHEKSANA STABILITAS
KARBOKATION DAN HIPERKONJUGASI
KONFORMASI 1,3-BUTADIENA

I DEWA MADE KRESNA

09 313 161
PENDIDIKAN KIMIA
KELAS B

JURUSAN KIMIA
FAKULTAS MATEMATIKA DAN ILMU
PENGETAHUAN ALAM
UNIVERSITAS NEGERI MANADO
2011

KOMPUTASI KIMIA

MENGGAMBAR MOLEKUL DAN MENGHITUNG

ENERGI

I DEWA MADE KRESNA

09 313 161
PENDIDIKAN KIMIA
KELAS B

JURUSAN KIMIA
FAKULTAS MATEMATIKA DAN ILMU
PENGETAHUAN ALAM
UNIVERSITAS NEGERI MANADO
2011
1.

Extended Huckel (Hoffmann, 1963)

Metode Extended Huckel adalah metode kimia kuantum semiempirik, yang
dikembangkan oleh Roald Hoffmann sejak tahun 1963. Metode Huckel awalnya hanya
mempertimbangkan orbital pi, lalu metode ini berkembang mencakup orbital sigma.
Metode Extended Huckel dapat digunakan untuk menentukan orbital molekul , tetapi
kurang bagus digunakan dalam menentukan geometri struktur dari sebuah molekul
organik. Namun metode ini dapat menentukan energi relatif konfigurasi geometris yang
berbeda. Metode Extended Huckel ini hanya mempertimbangkan elektron valensi.

2.

Complete Neglect Of Differential Overlap (CNDO, Pople 1965)

Complete Neglect of Differential Overlap (CNDO) adalah metode yang didasarkan
pada kimia kuantum, yang lebih spesifik dalam metode kimia kuantum semi-empiris.
Metode ini menggunakan dua pendekatan, yaitu core approximation dan zerodifferential overlap. Metode ini pertama kali diperkenalkan oleh John Pople pada tahun
1965. Metode CNDO ini merupakan metode untuk menghitung energi elektronik dan
orbital molekul. CNDO tidak melibatkan pengetahuan tentang ikatan kimia melainkan
menggunakan pengetahuan tentang kuantum fungsi gelombang. CNDO dapat
digunakan untuk kedua shell tertutup molekul, dimana elektron sepenuhnya
dipasangkan dalam orbital molekul dan molekul shell terbuka, yang radikal dengan
elektron tidak berpasangan.

3.

Intermediate Neglect Of Differential Over-Lap (INDO, Pople 1967).

Intermediate Neglect Of Differential Over-Lap (INDO) adalah metode kimia
kuantum semi-empiris yang merupakan pengembangan dari CNDO. Metode ini juga
diperkenalkan oleh John Pople pada tahun 1967. Seperti CNDO, metode ini juga
menggunakan zero-differential overlap untuk integral dua-elektron tetapi tidak untuk
integral yang lebih dari orbital yang berpusat pada atom yang sama. Metode ini
sekarang jarang digunakan dalam bentuk aslinya tapi menjadi dasar untuk beberapa
metode lain, seperti MINDO , ZINDO dan SINDO.

4.

Modified Neglect Of Diatomic Overlap (MNDO, Dewar)

Modified Neglect of Differential Overlap (MNDO) adalah metode kimia kuantum
semi-empiris untuk perhitungan struktur elektronik molekul dalam kimia komputasi.
Hal ini didasarkan pada pendekatan integral Neglect of Differential Diatomic Overlap.
Demikian pula, metode ini menggantikan metode sebelumnya yaitu metode Mindo.
Metode ini merupakan bagian dari program MOPAC yang dikembangkan Michael
Dewar. Pengembangan dilakukan oleh W. Thiel's group, yang disebut MNDO/d, yang
menambahkan fungsi d, secara luas digunakan untuk senyawa organologam. MNDOC,
dari W. Thiel's group, secara eksplisit juga menambahkan efek korelasi meskipun urutan
kedua teori perturbasi dengan dipasang parameter untuk percobaan dari perhitungan
berkorelasi. Dengan cara ini, metode ini memberikan hasil yang lebih baik untuk sistem
di mana korelasi sangat penting dan berbeda dari yang ada dalam keadaan dasar
molekul dari set MNDO sebelumnya.

5.

Austin Model 1 (AM1, Dewar, 1985)

Austin Model 1 (AM1) adalah metode semi-empiris untuk perhitungan kuantum
struktur molekul elektronik dalam kimia komputasi. Hal ini didasarkan pada pendekatan
integral Neglect of Differential Diatomic Overlap. Secara khusus, metode ini adalah
generalisasi dari MNDO. AM1 dikembangkan oleh Michael Dewar yang diterbitkan
pada 1985. AM1 merupakan upaya untuk meningkatkan model MNDO dengan
mengurangi tolakan atom pada jarak pemisahan dekat. Kompleksitas masalah
parameterisasi di AM1 yaitu meningkatnya parameter per atom dari 7 di MNDO
menjadi 13-16 per atom di AM1. Hasil perhitungan AM1 kadang-kadang digunakan
sebagai titik awal untuk parameterizations dari forcefields dalam pemodelan molekul.
Pengembangan AM1 adalah SemiChem Austin Model 1 (SAM1), yang
diimplementasikan dalam program AMPAC dan yang secara eksplisit memperlakukan
d-orbital.

6.

Parameterized Model 3 (PM3, Stewart, 1989)

Parameterized Nomor Model 3 (PM3) adalah metode semi-empiris untuk
perhintungan kuantum struktur molekul elektronik dalam kimia komputasi . Hal ini
didasarkan pada pendekatan integral Neglect of Differential Diatomic Overlap. Metode
PM3 menggunakan formalisme dan persamaan yang sama dengan metode AM1.
Perbedaannya adalah: 1) PM3 menggunakan dua fungsi Gaussian untuk fungsi tolakan
inti, bukan jumlah variabel yang digunakan oleh AM1 (yang menggunakan antara satu
dan empat Gaussians per elemen), 2) nilai-nilai numerik dari parameter yang berbeda.
Perbedaan lainnya terletak pada filsafat dan metodologi yang digunakan selama
parameterisasi ini: bahwa AM1 mengambil beberapa nilai parameter dari pengukuran
spectroscopical, PM3 menggunakannya sebagai nilai-nilai optimizable. Metode ini

dikembangkan oleh JJP Stewart dan pertama kali diterbitkan pada tahun 1989. Sebuah
model perhitungan untuk PM3 kompleks lantanida, disebut Sparkle/PM3.

TUGAS KIMIA KOMPUTASI

HUBUNGAN KUANTITATIF STRUKTUR DAN
AKTIVITAS QUINOXALINE-2-KARBOKSILAT 1,4DI-N-OKSIDA SEBAGAI
AGEN ANTI-MIKOBAKTERI

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-

aktivitas hubungan kuantitatif (QSARs) teori. Untuk ini tujuan, kami

mempekerjakan parameter tertentu potensi, sitotoksisitas dan selektivitas seperti yang
diberikan oleh
Tuberkulosis antimikroba Akuisisi & Koordinasi Fasilitas (TAACF) program. Molekule
r Struktur dari 43 quinoxaline-2-karboksilat 1,4-di-N-oksida derivatif adalah
tepat diwakili oleh Jenis 1497 DRAGON deskriptor teoritis, dan model terbaik regresi
linear ditetapkan dalam
kerja menunjukkan hasil prediksi. Penerapan persamaan QSAR dikembangkan
sekarangmelayani sebagai panduan rasional untuk calon usulan struktur baru
yang masih tidak memilikieksperimen ditugaskan data biologis.
Pendahuluan
Tuberkulosis (TB), disebabkan
oleh Mycobacterium
tuberculosis, adalah
pernapasan menular penyakit yang menyerang hampir 32% dari dunia populasi, lebih
dari penyakit menular lainnya. Ada suatu diperkirakan 8,8 juta kasus TB baru di tahun
2005. Sebanyak 1,6 juta orang meninggal karena TB, termasuk 195.000 pasien yang
terinfeksi dengan HIV. Organisasi Kesehatan Dunia (WHO) memperkirakan bahwa
dalam 20 tahun berikutnya sekitar 30 juta orang akan terinfeksi dengan
bacillus. Perkembangan resistensi M. tuberculosis untuk umumnya digunakan obat antiTB, insiden meningkat penyakit pada pasien immuno-dikompromikan, dan jangka
waktu
yang lebih
lama
terapi yang diperlukan
sebagai akibat
dari
perkembangan resistensi, menyoroti kebutuhan untuk obat baru untuk memperluas
jangkauan efektif Pilihan pengobatan TB.
Quinoxaline digambarkan sebagai bioisoster dari quinoline,
naftalena, benzothiophene dan cincin
aromatik lainnya
seperti
piridin
dan pyrazine. Karena
kemiripan antara
beberapa
antitubercular obat
dan quinoxaline, serta Kehadiran bagian quinoxaline di beberapa spektrum yang luas
antibiotik, diharapkan
bahwa analog quinoxaline akan
menunjukkan
antitubercular aktivitas. Sebagai hasil dari proyek penelitian anti-TB, kelompok kami
dipublikasikan beberapa penelitian di mana sintesis dan biologi evaluasi sejumlah
besar quinoxaline dan 1,4 quinoxaline-di-N-oksida derivatif telah
dijelaskan [515]. Dari
penelitian,
beberapa quinoxaline-2-karboksilat 1,4-N-oksida derivatif,
dengan pola yang berbeda substituen pada quinoxaline inti, yang dipersiapkan dan
mereka
menunjukkan antitubercular penting
aktivitas in
vitro, 1-43.
Kami
juga mengamati
bahwa
kurangnya dua kelompok Noksida umumnya menyebabkan hilangnya
Kegiatan antimycobacterial [5,8]. Telah
ditetapkan bahwa luas yang berguna anti-TBC obat harus murah sehingga secara
rutin tersedia untuk populasi yang membutuhkan di negara-negara berkembang. Untuk
alasan ini, kelompok riset kami mencari baru yang tersedia dan murah reagen dalam
upaya kami yang berkelanjutan untuk mengidentifikasi murah baru anti-Calon obat TB.
Saat
ini, sistematisasi informasi
yang
tersedia sebagai
berikut
interpretasi selanjutnya dianggap sangat penting oleh komunitas ilmiah. Cara alternatif

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].

Molekul deskriptor dan pencarian model

Untuk tujuan komputasi struktural teoritis deskriptor untuk derivatif
quinoxaline, pertama kita pra-dioptimalkan struktur dari senyawa dengan mekanika
molekul medan kekuatan (MM +) prosedur termasuk dalam Hyperchem 6,03 paket [24]
dan setelah itu, kami menyempurnakan geometri yang dihasilkan oleh berarti metode
semiempirical PM3 (Parametrik Metode-3) menggunakan algoritma Polak-Ribiere dan
norma batas gradien 0,01 kcalA ? 1. Deskriptor molekul dihitung dengan menggunakan
perangkat lunak DRAGON [25] sehingga kolam berisi D = 1497 variabel numerik.
Kami menggunakan metode pengganti (RM) [26-29] sebagai variabel subset pemilihan
pendekatan, sebuah algoritma yang menghasilkan multivariabel regresi linier model
dengan meminimalkan standar deviasi (S), dan yang hasilnya cukup dekat dengan yang
diperoleh dengan pencarian (kombinatorial) yang tepat dari molekul deskriptor
meskipun membutuhkan banyak kerja komputasi. RM memberikan model dengan
parameter statistik yang sama dari algoritma genetika [30]. Dalam semua perhitungan
kami, kami menggunakan sistem komputer Matlab 7.0 [31]. Dalam semua persamaan
QSAR dirancang, N adalah jumlah data poin, R adalah koefisien korelasi, S standar
model deviasi, p adalah pentingnya model. FIT adalah Kubinyi fungsi [32,33], sebuah
parameter statistik yang erat berhubungan dengan Rasio Fisher (F), tapi menghindari
kelemahan utama yang terakhir yang terlalu sensitif terhadap perubahan di d kecil
(jumlah deskriptor) nilai dan kurang sensitif terhadap perubahan nilai d yang besar. Bagi
mereka quinoxaline senyawa yang dipamerkan data yang disensor dari properti biologis,
dan eksperimen yang dilaporkan sebagai melebihi nilai batas tertentu (> nilai),
pengalaman berbasis Jumlah itu secara manual ditugaskan dengan tujuan membimbing
model kinerja pada data ini hilang.
Berbagai keputusan Kriteria yang bersamaan dianalisis untuk menentukan
ukuran model pelatihan lima set diselidiki, seperti, penentuan d optimal untuk
dimasukkan dalam QSAR masing-masing, yang berikut yang: (a) nilai terendah untuk
parameter S; (b) terendah S (ln%-o) nilai, (c) Parameter tertinggi FIT; (d) jumlah

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.

Hasil dan Diskusi

Untuk
tujuan pemodelan, biologis data
dari quinoxaline 43
derivatif tercantum dalam Tabel 1 diubah menjadi unit logaritma. Kami mencari model
terbaik regresi linear
pada lima
antimycobacterial parameter dengan
beralih
ke Penggantian tersebut
Metode pemilihan subset variabel pendekatan. Jadi, yang
paling
deskriptor struktural yang
relevan dan
representatif dipilih
dengan
menggunakan alat
optimasi efisien
pada setiap
rangkaian pelatihan
quinoxalines, menjelajahi kolam berisi
lebih dari
seribu
variabel numerik dihitung dengan
menggunakan DRAGON program.
Semua
model QSAR linear predictive dilaporkan di bawah ini dapat menangkap fitur
struktural penting dari quinoxaline yang senyawa yang berhubungan dengan efek
biologis mereka. Sebuah
deskripsi
singkat
untuk
setiap deskriptor molekul, yang orthogonalized saat
termasuk
dalam setiap
model, yang disediakan oleh Tabel 2.
Di sini, V adalah simbol untuk deskriptor ortogonal, N adalah jumlah molekul
dalam training set, R adalah korelasi koefisien, S adalah standar deviasi model, FIT
adalah Kubinyi fungsi, p adalah pentingnya model, outlier (> 2S) menunjukkan jumlah

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

molekul atau alignment untuk tugas kesamaan molekuler, informasi menggabungkan

tentang besarnya perpindahan antara molekul centroid (pusat massa) dan pusat
polarisabilitas-bidang (pusat biaya) [41].
Semacam ini ditemukan parameter yang berharga untuk prediksi mobilitas
elektroforesis peptida. Getaway (Geometri, Topologi, dan Atom-Berat Majelis)
deskriptor [42], seperti R2u +, R3p, R7p + dan + RTE, secara khusus dirancang dengan
tujuan yang cocok dengan geometri 3D-molekul. Ini adalah berasal dari hij elemen
matriks Pengaruh Molekuler (H), diperoleh melalui nilai-nilai koordinat Cartesian
atom. Para elemen diagonal ofH (hii) disebut memanfaatkan, dan dianggap untuk
mewakili pengaruh dari setiap atom molekul dalam menentukan seluruh bentuk
molekul. Sebagai contoh, atom mantel selalu memiliki nilai lebih tinggi dari atom hii
dekat pusat molekul, sementara setiap elemen hij off-diagonal mewakili tingkat
aksesibilitas dari atom ke-j untuk interaksi dengan atom engan. Para pengaruh matriks /
jarak (R) melibatkan kombinasi dari elemen matriks H dengan orang-orang dari matriks
geometris (G). 3D-Morse deskriptor (Mor02e, Mor19u) diperoleh melalui transformasi
molekul umumnya digunakan dalam elektron studi difraksi [43]. Difraksi elektron tidak
secara langsung menghasilkan koordinat atom, tetapi menyediakan pola difraksi dari
koordinat atom yang diturunkan dengan matematika transformasi. Kode-kode ini
ditetapkan untuk mencerminkan kontribusi terhadap properti diselidiki, pada diresepkan
hamburan sudut, dari properti atom tertentu. Holistik tertimbang invarian molekul
(kehendak) deskriptor [44] (G2v) diperoleh sebagai indeks statistik dari atom
diproyeksikan ke tiga sumbu utama (Komponen utama) yang diperoleh dari kovarians
tertimbang matriks koordinat atom.
Bobot digunakan adalah kembali sifat-sifat atom yang memungkinkan
diferensiasi antara atom. Tujuan mendefinisikan indeks tersebut adalah untuk
menangkap 3Dinformation tentang distribusi ukuran, bentuk, simetri dan atom
sehubungan dengan kerangka acuan invarian. Hal ini berguna untuk melihat bahwa
semua berasal QSARs melibatkan kombinasi molekul deskriptor 2D dan 3D--jenis. Para
sekuensial urutan variabel-variabel ini muncul dalam setiap model setuju dengan urutan
pentingnya kontribusi relatif (dalam modulus), sebagai dideduksi dari standarisasi
berikutnya dari koefisien regresi orthogonalized [45]. Yang paling penting deskripsi dari
setiap hasil QSAR untuk semua kasus yang menjadi topologi alam, dengan lebih 3Dvariabel yang juga dimasukkan ke dalam persamaan sehingga meningkatkan sesuai
statistik. Hasil ini menunjukkan kenyataan bahwa kebanyakan turunan quinoxaline
mencakup hampir planar struktur, dan karena itu, jenis konformasi tergantung dari
deskriptor memainkan peran sekunder. Konektivitas dari atom dan mereka
identitas menimbulkan pengaruh terbesar pada menggambarkan tergantung variabel.
Seperti dapat diamati pada Tabel 1, model 1a "5, kita hadir di sini telah
kecenderungan keseluruhan diterima memperkirakan perilaku
Data biologis
yang
teramati dalam
pelatihan setiap set. Hal
ini
penting
untuk
garis bahwa QSARs digeledah sedemikian
rupa,
mereka
meminimalkan parameter S,
dan selain dari mereka
mengalami
dengan

kondisi berikut variasi data

dalam yang
terbaik
mungkin cara. Untuk kasus penghambatan minimum
konsentrasi
(MIC) nilainilai, Persamaan. (1) melibatkan 5
variabel dan
43
titik
data akurat
memprediksi inhibitor quinoxaline sangat
ampuh
(MIC <1 mg / mL) dan
yang
sama berlaku
untuk bahan
kimia
menampilkan potensi terendah 1 <MIC <6,25
mg / mL. untuk lebih menguji model QSAR, penting untuk memeriksa data
yang outlier.
Outlier biasanya diidentifikasi dengan
memiliki sisa besar,
dan
ada beberapa alasan untuk terjadinya mereka dalam studi QSAR. Hanya ada
dua senyawa dengan residual (dalam unit log) melebihi dua standar deviasi: 8
(res = 0,605 mg / mL) dan 37 (Res = 0,502 mg / mL?), Meskipun tidak ada 3S melebihi
nilai. Fakta ini mungkin disebabkan oleh kesalahan eksperimental atau ke dipilih subset
dari deskriptor dalam model, sedangkan kesalahan yang dihasilkan dari optimasi
geometri dari senyawa dapat dibuang. Situasi serupa terjadi untuk perkiraan toksisitas,
yang diungkapkan melalui konsentrasi penghambatan 50% di VERO sel (IC50). The 4parameter model yang diberikan QSAR oleh Pers. (2) adalah dapat secara akurat
membedakan efek toksik dari 34 quinoxaline derivatif, hanya menampilkan outlier
tunggal: 1 (res = 0,369 mg / mL?) yang tidak melebihi batas yang relatif 2.5S dan
prediksi kesalahan yang rendah (37%).
Mengenai indeks selektivitas, yang dinotasikan sebagai hasil bagi IC50/MIC,
model yang didasarkan pada 5 deskriptor molekul dan 34 molekul dapat benar
mengklasifikasikan senyawa yang eksperimental lulus tes ini. Hanya dua molekul
outlier yang hadir yang tidak melebihi 3S: 11 (? res = 0,680) dan 28 (Res =?
0,625). Selanjutnya, QSARs dari Pers. (4) dan (5) yang dikembangkan dengan hanya 12
molekul masing-masing, karena tidak tersedianya pengukuran eksperimental tambahan
untuk EC90 dan EC90 / MIC, masing-masing. Bahkan, ada satu data titik (senyawa 22)
nilai properti yang terpisah dari yang lain karena tidak ada percobaan dilakukan sampai
sekarang di dalam interval ini, tetapi kita memutuskan untuk menyediakan dengan
informasi ini ke model. Jelas, QSARs ini memiliki domain penerapan sempit struktural
karena dengan kelangkaan pengamatan eksperimental, meskipun mereka juga lintasdivalidasi seperti persamaan sebelumnya. Meskipun ini ketidaknyamanan, kami pikir
berguna untuk melaporkan kedua model sebagai keputusan pelengkap alat untuk
QSARs sebelumnya dikembangkan. Persamaan. (4) dan (5) mencakup tiga parameter
struktural masing-masing dan melakukan tidak menunjukkan senyawa outlier melebihi
2S.
Sebagai bagian dari aplikasi model QSAR, Pers. (4) dan (5) memungkinkan
memprediksi efektivitas senyawa 30-43, dan lainnya senyawa tanpa data ini (3, 24, 25
dan 27). Semua prediksi hasil adalah nilai-nilai yang baik, sehingga senyawa ini akan
diatur lebih lanjut dievaluasi, dengan pengecualian dari senyawa 25 (satu-satunya
difluorinated derivatif yang menunjukkan selectiveness). Yang diprediksi efektivitas
senyawa 39 tidak jelas karena hasil yang berbeda dari model 4 dan 5; ini bisa
disebabkan oleh kehadiran atom brom, tidak termasuk dalam senyawa lainnya set
pelatihan. Mengingat hasil yang dicapai dan sebagai upaya lebih lanjut untuk

meningkatkan profil biologis dari quinoxaline di-N-oksida derivatif, kita menerapkan

lima QSARs dikembangkan untuk memperkirakan antimycobacterial parameter
antitubercular mungkin baru calon yang tidak hadir masih eksperimental ditugaskan
data biologis. Struktur molekul diajukan atas dasar bahwa bahan kimia ini dapat
disintesis dari reagen murah dan tersedia secara komersial.
Nonsubstituted quinoxalines pada posisi R6/R7, bersama dengan 7 - Turunan
klorinasi, dianggap yang paling menarik senyawa dari titik kimia dan biologi pandang
[10 -14]. Senyawa 44-68 dihasilkan dari kondensasi sebelumnya b-ketoesters
(mempertahankan kelompok-kelompok di R2 dan R3 posisi) dengan sesuai
monosubstituted benzofuroxans, sehingga menimbulkan 7 - (Fluoro atau kloro)
quinoxaline 1,4-di-N-oksida derivatif. Dengan prediksi ini, kita bisa menentukan
pengaruh halogen atom pada posisi R7. Sebaliknya, senyawa 69-114 berasal dari reaksi
beberapa tersedia secara komersial baru b-ketoesters dengan non-diganti benzofuroxan
kerangka. Proses ini menyebabkan senyawa sederhana yang tidak Isomer masalah
ini. Di antara turunan sebelumnya 69 - 114, struktur dengan hasil terbaik dipilih dan
baru
senyawa dirancang, 115-150. Ini analog menjaga R2/R3 posisi dari yang sesuai bketoester tetapi menunjukkan halogen atom (fluor atau klor) di posisi R7. Tabel 3
meringkas hasil terbaik anti-TBC struktur seperti yang diperkirakan oleh Pers. (1) (5). Beberapa hasil yang menarik dapat diamati dari tabel ini, karena banyak senyawa
yang diusulkan mengarah prediksi menguntungkan bagi lima parameter biologis. Antara
seri pertama dari senyawa diprediksi, 44-68, hanya dua yang salah lagi menunjukkan
nilai yang baik untuk lima model yang 7 - diklorinasi derivatif (45, 51). Mengenai
substituen dalam karboksilat kelompok, ters-butil (47) dan alil (48, 49) derivatif
diperkirakan sebagai tidak aktif dan turunan benzil (52) adalah diperkirakan sebagai
yang
paling aktif
(MIC terendah); fakta
ini bertepatan
dengan data
eksperimen sebelumnya.
Selain
itu, semua etil 3 (40-tersubstitusi) phenylquinoxaline-2karboksilat 1,4-di-N-oksida derivatif diperkirakan sebagai aktif tetapi nonselektif; ragu
tetap tentang senyawa 56 yang SI diperkirakan lebih tinggi dari 10 tetapi dalam
sel VERO IC50 terlalu rendah. Sisa dari diperkirakan senyawa disiapkan dengan baruketoesters b,
sehingga
menimbulkan substituen baru
dalam kelompok karboksilat dan R3
posisi perancah quinoxaline. Pengenalan besar
kelompok, seperti iso-propil dan tert-butil, dalam posisi R3 menjadi derivatif yang tidak
aktif (73-76). Diantara senyawa-senyawa yang mengandung cincin aromatik terkait
dengan posisi R3, hanya 30 - (kloro fluoro atau
atau metoksi) fenil (87, 91, 103) dan piridil-40 (111)
derivatif diperkirakan sebagai
aktif, selektif dan
efektif,
membuktikan pentingnya posisi relatif
dan sifat
dari substituen tersebut. Pengenalan cincin benzena sebagai
substituen dari
kelompok karboksilat (79-82, 120-123, 138 141) melahirkan struktur
yang
paling menarik. Selain itu, 7-terfluorinasi derivatif (133-150) yang diperkirakan, secara
umum, sebagai
yang
paling selektif dan derivatif 7-diklorinasi (115-132) tidak

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

I DEWA MADE KRESNA

09 313 161
PENDIDIKAN KIMIA
SEMESTER V
KELAS B

LAPORAN PRAKTIKUM PERCOBAAN I

ANALISIS SIKLOHEKSANA
Hasil :
Konformasi
Kursi

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

Sudut CCC (o)

<612 = 110,827
<123 = 110,827
<234 = 110,834
<345 = 110,829
<456 = 110,829
<561 = 110,833
<612 = 111,301
<123 = 111,301
<234 = 111,297
<345 = 111,301
<456 = 111,3
<561 = 111,297
<612 = 111,301
<123 = 111,301

Sudut Torsi CCCC (o)

<6123 = -60
<1234 = 60
<2345 = -60,0006
<3456 = 60,0007
<4561 = -60,0006
<5612 = 60
<6123 = -55,2207
<1234 = 55,2175
<2345 = -55,216
<3456 = 55,2174
<4561 = -55,2162
<5612 = 55,2179
<6123 = 0,000788659
<1234 = 55,2167

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

Haksial-Haksial = 2,62713 (sebelum optimasi)

Haksial-Haksial = 2,61862 (setelah optimasi)
Analisis:
1. Jarak Haksial-Haksial pada struktur awal dan struktur teroptimasi dari sikloheksana bentuk
perahu mengalami pemendekan/pendekatan. Hal ini tidak diharapkan karena sesuai
dengan penuntun optimasi akan mengubah jarak antar dua atom hidrogen tersebut
menjadi sedikit berjauhan sampai didapatkan energi yang lebih rendah.
2. Tentukan energi relatif dari setiap konformasi.
Kursi
Energi AMBER
-1689,3471
mutlak (kkal/mol)
Energi AMBER
0,0
(0.0552823
relative
(kcal/mol/Ang))
(kkal/mol)

Perahu

Perahu Terpilin

-1689,3434

-1686,1597

0.0857142
(kcal/mol/Ang)

0.0830337
(kcal/mol/Ang)

LAPORAN PRAKTIKUM PERCOBAAN II

STABILITAS KARBOKATION DAN HIPERKONJUGASI

Hasil :

Panjang Ikatan Dan Sudut Karbokation

Karbokation

Panjang Ikatan C-C

()

Panjang Ikatan Csp3H ()

Sudut Terhadap Csp2

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

Muatan Dalam Karbokation

t-butil

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 Karbokation

Karbokation

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.

LAPORAN PRAKTIKUM PERCOBAAN III

KONFORMASI 1,3-BUTADIENA
Ab Intio Large 6-31G
Sudut dihedral
awal (o)
180
150
120
90
60
45
30
15
0

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