1. Introduction
Virtual screening, disebut juga screening in silico merupakan suatu cabang kimia
medisinal untuk screening komputasi database senyawa kimia dalam pencarian senyawa lead
(penuntun) obat baru. Virtual screening mengacu pada teknik desain obat yang rasional,
structure-based dan modelling molekular. Sekitar tahun 1970, peneliti mengembangkan
penemuan obat baru dengan cara metode penumbuhan berbagai protein dengan kristalografi
X-ray dan NMR, tetapi hasil dari pengembangan tersebut hanya menghasilkan sedikit obat
baru, yaitu kaptopril dan methotrexate. Hal ini dikarenakan resolusi struktur protein rendah
dan keterbatasan metode dan vower komputer. Peneliti telah mencoba metode de novo untuk
mendesain final drug candidate pada komputer. Senyawa yang disarankan lebih banyak sulit
untuk disintesis, kemudian pada akhir tahun 1980 teknik desain obat rasional terdiskredit
karena tingkat kegagalan yang tinggi. Di tahun 1990, terdapat perubahan metode dalam
penemuan obat industri, yaitu teknik screening dan sintesis yang mengubah proses
identifikasi senyawa lead. Karakterisasi genom manusia diduga menghasilkan target obat
baru.
2. Konsep Virtual Screening
Tujuan utama virtual screening adalah untuk mereduksi berbagai ruang senyawa kimia
virtual dari molekul organik kecil untuk mensintesis dan atau screening terhadap target
protein spesifik untuk mendapatkan kandidat obat. Informasi yang didapat dari virtual
screening antara lain: seperti apa bentuk umum dari suatu obat, apa saja yang diketahui dari
senyawa yang berinteraksi dengan reseptor, dan bagaimana struktur protein target dan
interaksi ligand an protein.
2.1 Screening Druglikeness
Bagian pertama dari virtual screening adalah mengevaluasi druglikeness dari
molekul kecil. Molekul druglike menunjukkan parameter farmakokinetika (ADMET).
Molekul druglike secara sintetis layak dan mempunyai pharmacophore yang memberikan
peluang untuk interaksi spesifik dengan protein target yang dimaksudkan. Druglikeness
dinilai menggunakan metode: simple counting, functional group filter, dan
pharmacophore filter. Teknik komputasi digunakan untuk mengidentifikasi druglikeness
meliputi: neutral networks, pendekatan partisi rekursif, dan algoritma genetik.
2.1.1 Counting Scheme
Pengumpulan database untuk obat yang diketahui digunakan untuk mengembangkan
pengetahuan tentang struktur dan sifat potensial dari molekul obat. Sifat fisikokimia yang
penting antara lain bobot molekul, muatan, dan lipofilitas diprofilkan untuk rule simple
counting untuk descriptor yang relevan dengan parameter ADMET. Contohnya adalah
rule of five Lipinski, yang membatasi berat molekul kurang dari atau sama dengan 500,
koefisien partisi octanol-air (Clog P < 5), dan donor dan aseptor yang memiliki ikatan
hydrogen. Pada gambar ditunjukkan bahwa prosedur profil menggunakan parameter polar
surface area (PSA) sebagai descriptor. Dibandingkan antara obat CNS oral dan non-CNS
oral yang mencapai studi efikasi fase 2, didapatkan 90% senyawa obat CNS.
.
2.1.2 Functional Group Filter
Senyawa-senyawa seperti senyawa reaktif, toksik dan senyawa lain yang tidak
diperlukan dihilankan dengan menggunakan filter substruktur spesifik. Contoh senyawa
reaktif antara lain alkil hailda, peroksida, dan carbazide. Lead unsuitable contohnya
crown ether, disulfida rantai metilen alifatik dengan karbon 7 atau lebih. Contoh natural
product yang dihilangkan antara lain quinon, poliena, dan turunan klorohexinida. Namun
tidak semua natural product merupakan unsuitable lead. Penghilangan grup atom dan
senyawa toksik memberikan cara yang cepat dan mereduksi database yang besar, namun
ini hanyalah pendekatan kasar untuk mengeliminasi senyawa yang berpotensi toksik.
Cara yang lebih baik adalah dengan structured-base, dilihat dari mutagenisitas,
karsinogenisitas, dan toksisitas akut.
Gambar 1
5 Konformasi senyawa 4-hydroxy piperidinol
diperoleh peringkat (Penilaian didasarkan pada donor-reseptor ikatan
hidrogen, muatan, maupun karakter lipofilisitas) dan dilakukan
identifikasi farmakofor pada serangkaian molekul tersebut. Sebagian
besar dari program-program tsb. juga mempertimbangkan fleksibilitas
ligand saat memetakan farmakofor. Hal tersebut dikarenakan ikatan
senyawa-protein mungkin akan sulit terbentuk pada senyawa dengan
energi konformasi yang kecil.
2.3.4.4 Pengembangan farmakofor berbasis reseptor
Jika struktur reseptor dalam 3 dimensi sudah diketahui, suatu
farmakofor dapat dikembangkan berdasarkan sisi aktif reseptor
tersebut. Data biokimia dapat dianalisa untuk mengetahui identitas
substrat dan ikatan penghambat untuk kemudian menghasilkan
farmakofor dengan bantuan suatu program secara otomatis.
Banyak ligand berikatan dengan protein melalui interaksi
tertentu, seperti ikatan hidrogen dan interaksi hidrofobik. Program
seperti LUDI dan POCKET dapat menganalisa sisi terbaik protein yang
bisa berikatan dengan ligand dengan mengidentifikasi interaksi-
interaksi tsb. Seperti telah disebutkan bahwa protein tidak bersifat
rigid, Carlson mengusulkan simulasi molekular terkait rigiditas
protein sebagai parameter penting dalam pengembangan senyawa
farmakofor.
2.3.5 Skrining Virtual berbasis Farmakofor
Penyaringan virtual berbasis farmakofor adalah proses
pencocokkan atom maupun gugus fungsi dan relasi geometrik. Contoh
program yang menggunakan prinsip tersebut adalah :
1. 3Dsearch 4. MACCS-3D
2. Aladdin 5. Catalyst
3. UNITY 6. ROCS (berdasarkan struktur)
Secara garis besar, metode ini dibagi dalam dua tahapan ;
program melakukan skrining senyawa yang sesuai dengan yang
dibutuhkan farmakofor, lalu program mengecek apakah struktur
senyawa tersebut sesuai dengan ruang dan kriteria yang tersedia
(Senyawa yang kaku dapat dieliminasi untuk menghemat waktu). Meski
demikian, pencarian pada senyawa fleksibel pun cukup banyak
menghabiskan waktu karena posibilitas konformasinya yang juga jauh
lebih bervariasi daripada senyawa yang kaku.
Pemetaan konformasi fleksibel agar termasuk dalam kriteria
pencarian senyawa juga memiliki dua pendekatan ;
a) Menghasilkan konformasi yang diharapkan melalui membuat suatu
database (lebih lama dan membutuhkan penyimpanan besar), dan
b) Menghasilkan konformasi yang memiliki kesesuaian melalui
penelusuran (tidak terekam dalam database).
Metode penelusuran sistematis cocok digunakan untuk molekul dengan
beberapa ikatan yang sifatnya dapat berrotasi, sehingga
penggunaannya terbatas.
2.4 Skrining Virtual berbasis Bentuk/Struktur
Metode komputasi untuk menggambarkan bentuk 3D dari protein-ligand
umumnya dikenal dengan pendekatan molecular docking. Prinsipnya adalah
mendapatkan data interaksi kedua molekul secara in silico. Pada era ini,
metode ini dapat berlangsung hanya dalam hitungan menit, bahkan bisa
dalam hitungan detik. Proses evaluasi berdasar energi yang menampilkan
ikatan bebas energi antar protein-ligand umum dikenal dengan scoring
function.
Berikut adalah contoh beberapa software dengan metode docking dan model
scoring-nya.
i = ligand
j = protein
A ij dan B ij = replusi dari vdW (van der Waals) dan parameter atraksi dari potensial
6-12
r ij = jarak antara atom i dan j
q = titik muatan dari tiap atom
D = konstanta dielectric
2.4.3.2 Empirical Scoring
Fungsi dari empirical scoring adalah untuk metode regresi multi variasi.
Contohnya adalah program docking FlexX menggunakan fungsi scoring yang mirip
dengan Bohm. Program ini menghitung jumlah dari energy bebas dari jumlah ikatan
yang berotasi pada ligan, ikatan hydrogen, dan interaksi pasangan ion, hidrofobik dan
pi-stacking dari gugus aromatic, dan interaksi lipofilik :
∆𝐺𝑜, ∆𝐺𝑟𝑜𝑡, ∆𝐺𝑖𝑜, 𝐴𝐺, ∆𝐺𝑎𝑟𝑜, ∆𝐺𝑙𝑖𝑝𝑜 adalah parameter yang cocok dengan metode
regresi multi variasi. f(∆𝑅, ∆∝) menjelaskan penyimpangan dari geometri. Nrot
adalah jumlah dari ikatan yang dapat berotasi secara bebas.
2.4.3.3 Knowledge-Based Scoring
Karena kekuatan yang mengatur interaksi protein-ligan sangat kompleks, maka
pendekatan implisit untuk menangkap semua ikatan protein-ligan yang relevan
tampaknya sangat menarik. Potensi dari pasangan atom protein-ligan dapat dihitung
dengan data structural (misalnya PDB). Nilai akhir dikalkulasikan dari jumlah slueuh
interaksi pasangan atom protein-ligan :
Protein yang disiapkan untuk virtual screening hanya sekali saja kecuali ada
konformasi protein yang berbeda baru dipertumbangkan. Reseptor juga perlu
ditetapkan serta struktur protein dan reseptor harus dimodelkan seakurat mungkin.
Karena jumlah molekul besar, maka tahap manual dalam preparasi dari
database ligan harus dihindarkan. Dimulai dari struktur 2D, tipe ikatan harus di
cek, protonasi harus dihilangkan, molekul pelarut harus dihilangkan, kecuali
muatan harus tetap ada. Koordinat 3D bisa dihasilkan dengan program seperti
CONCORD atau CORINA. Parameter optimisasi dan pengambilan sample
tergantung dari flexibilitas senyawa. Karena docking tunggal tidak bergantung
satu sama lain, maka dapat dijalankan secara paralel.
2.5 Filter Cascade
Virtual Screening merupakan proses mengurangi database secara cepat dan sangat
memungkinkan untuk bekerja secara efesien sampai angka terkecil dari senyawa yang
diduga lead compound yang digunakan sebagai proyek pengembangan obat. Teknik ini
telah dijelaskan di atas bentuk cascade dari perbedaan fungsi filter yang mana
dikendalikan oleh kecepatan mereka. Kecepatan filter ADMET menggunakan 3D dan 3D
filter farmakofor dan pada akhirnya dilakukan docking dan metode penilaian.
3. Aplikasi
3.1 Identifikasi dari penghambat DAT berdsasarkan pencarian database farmakofor
3D
Dopamin Transporter (DAT) adalah suatu transmembran protein helix yang mana
memiliki peran dalam menghentikan dopamin transmission dengan mengikat pelepasan
dopamin di sinap. Tidak ada struktur eksperimen yang tersedia untuk DAT.
Bagaimanapun, secara luas SAR dari DA inhibitors (kebanyakan analog kokain) tersedia.
DAT berhubungan dengan beberapa penyakit seperti kecanduaan dan penyakit gangguan
perilaku (ADD). Dalam usulan ini, suatu model farmakofor merupakan derivat yang
berdar pada 2 komponen yang telah diketahui R-Cocaine dan WIN-35065-2. Ikatan
pada elemen dari senyawasenyawa itu adalah cincin N yang mana dapat tersubstitusi,
karbonil oksigen dan cincin aromatik ditetapkan dalam posisi tersebut sebagai center.
Karena kedua senyawa memiliki beberapa fleksibilitas, untuk mendapatkan hasil
pencarian konformasi sistematik yang memungkinkan makan derivat harus berikatan
dengan DAT. Untuk mengidentifikasinya perlu dilakukan pengelompokkan konformer.
Setelah selesai, ukur jarak antar farmakofor yang terpilih.
Analisa pada beberapa database kimia menggunakan farmakofor 3D, NCI 3D-
database menggunkan program Chem-X untuk pencarian. Saat pencarian tiap-tiap
senyawa, pertama dicek apakah memiliki farmakofor ata u tidak, kedua, ketiga dan
seterusnya, hingga mendapatkan senyawa yang telah teruji. Hasil pengujian ini bisa
mencapai 3 juta konformasi dengan total senyawa mencapai 4094, dimana 2% dari
database teridentifikasi sebagai “hits.” Angka-angka ini nantinya diseleksi menggunakan
filter seperti berat molekul, struktur baru, simplisitas, kesatuan, dan ikatan hidrogen
pengikat nitrogen. 70 senyawa terpilih untuk pengujian assay biokimia. 44 senyawa
menunjukkan lebih dari 20% bekerja sebagai inhibitor [3H]mazindol assay ikatan, yang
mana tiga komponen dipilih dari derivat SAR.
3.2 Penemuan Novel Matriptase Inhibitors dengan Structure-Based 3D Database
Screening
Matriptase adalah protease serin mirip trypsin yang ditemukan dapat terlibat
dalam pemodelan ulang jaringan, invasi kanker, dan metastasis. Inhibitor matriptase yang
poten dapat digunakan untuk pengobatan atau pencegahan kanker. HAI -1 (Hepatocyte
growth factor activator inhibitor 1) merupakan natural inhibitor dari matriptase. Dengan
demikian, dengan cara menganalisis interaksi dalam bentuk kompleks matriptase dan
HAI-1 Kunitz domain 1, dapat ditemukan interaksi penting yang dapat diidentifikasi
lebih lanjut. Adapun strategi yang digunakan untuk melakukan identifikasi inhibitor kali
ini adalah , pertama dengan membuat matriptase-HAI-1 kompleks Kunitz domain 1,
dimana kemudian diidentifikasi daerah ikatan pada matriptase dengan diperiksa
menggunakan NCI 3D database untuk menemukan kelompok ikatan yang mengikat HAI-
1 dengan matriptase dan hasil pengujian biokimianya (Gambar.6.25). Dalam
pembentukkan struktur 3D dari Kunitz domain 1 dari KSPI digunakan permodelan
homologasi. Kompleks dari matriptase dengan HAI-1 Kunitz domain 1 dibuat
menggunakan kombinasi docking manual dan program CHARMM (210). Hasil yang
didapat terdapat 3 region penting untuk mengikat inhibitor. Kemudian ketiga active site
ini digunakan dalam in silico screening dengan program DOCK. Dari proses ini 2000
senyawa teratas dengan score energy yang lebih besar dipertimbangkan sebagai inhibitor
yang potensial. Untuk cara lebih efesien dalam melakukan virtual screening yang
terdapat diatas dapat dilakukan dengan pencarian gugus pharmacophore dengan docking
terlebih dahulu. Dengan demikian diapatkan 69 senyawa yang terseleksi untuk
biochemical testing.
Ditemukan bawa matriptase lebih menyukai residu yang bermuatan positif yaitu
dalam posisi P1, inhibitor juga harus merupakan kelompok bermuatan posif untuk
mengikat secara efesien kepada Asp 185 daru situs S1 matriptase. Dari screening
didapatkan bahwa bis-benzamidines dipilih untuk penentuan Ki (concentration
independent) karena kelas senyawa ini dapat berikatan dengan situs S1 dan situs anionik.
Hasil ini menunjukkan bahwa dengan mengkombinasi pharmacophore hypothesis dengan
pencarian structure-based database dapat memberikan cara yang efesien untuk
mengindentifikasi leads compound dalam melakukan desain obat. Dengan meningkatan
scoring function akan membuat prediksi yang benar dan konsisten dari ikatan afinitas
protein dan ligand.
4. Kesimpulan
Cara untuk meningkatkan hasil keluaran adalah dengan menjaga nilai dari senyawa
docked sekecil mungkin dengan menggunakan pengetahuan prefilter database, utamanya
berdasarkan informasi gugus pharmacophore. Prescreen virtual libraries dengan
menggunakan pharmacophore techniques utamanya digunakan ketika menggunakan
representasi bentuk dari receptor site, pencarian pharmacophore bisa menjadi prefilter yang
sangat efektif. Juga dalam kasus dimana fleksibilitas receptor sitebermasalah, pencarian
pharmacophore mungkin kurang ketat. Sarana dan jalur diatas menunjukkan cara sederhana
dan murah untuk menemukan novel lead compound dalam penemuan obat. Proses virtual
screening merupakan cara yang efektif dan cepat, bahkan dengan virtual screening dapat
menghasilkan petunjuk yang mungkin tidak bisa dilakukan.