Salmonella typhimurium merupakan bakteri yang menyebabkan penyakit salmonellosis pada

gastroenteritik yang ditandai dengan periode satu sampai empat hari nyeri pada bagian abdomen,
demam dan diare. Listeria monocytogenes merupakan bakteri yang menyebabkan listeriosis. Pada
jurnal Ethan C.Rath dkk. ini bertujuan untuk mengetahui senyawa-senyawa yang berpotensi
memiliki aktivitas antibakteri terhadap bakteri Salmonella typhimurium dan Listeria
monocytogenes. Prediksi aktivitas antimikroba dilakukan dengan menggunakan QSAR
(Quantitative Structure-Activity Relationship). Metode yang digunakan pada jurnal ini diadaptasi
dari prosedur yang dikembangkan Bai lab. Tahap pertama adalah menemukan senyawa antimikroba
yang diketahui untuk training set dan test set yang didapat dari database PubChem, PubMed dan
European Bioinformatics Institute Database. Senyawa yang dipilih merupakan agen bakteriostatik
terhadap S.typhimurium, L. Monocytogenes ataupun keduanya dan memiliki range Minimum
Inhibitory Concentration (MIC) yang lebar. Tipe deskriptor yang digunakan adalah AlogPS,
GSFragment, QNPR ISIDA fragments dan E-state. Software untuk menentukan QSAR yang
digunakan pada jurnal ini adalah QSARINS. QSARINS menghasilkan model prediktif
menggunakan multiple linear regression (MLR) berdasarkan algoritma genetik untuk deskriptor
yang dipilih. Pada file bakteri S. Typhimurium terdiri dari 26 senyawa di kelompok training dan 6
senyawa di kelompok prediksi sedangkan file bakteri L. Monocytogenes terdiri dari 37 senyawa di
kelompok training dan 7 senyawa di kelompok prediksi.
QSAR Modeling
Data file the.txt untuk S.typhimurium dan L.monocytogenes diimported secara terpisah ke dalam
program QSARINS (qsar.it). Semua senyawa dalam set tes tersebut secara manual dideleted dari
file yang diunggah. Selanjutnya, senyawa training dijalankan dengan filter internal perangkat lunak.
Filter internal digunakan untuk menghapus deskriptor yang memiliki konsistensi di bawah 80% data
secara keseluruhan dan yang 95% berkorelasi dan Filter internal sebagian besar menghapus
deskriptor untuk semua model QSAR. Langkah selanjutnya yaitu prosedur pengaturan untuk
persamaan QSARINS molekuler deskriptor yang tersisa dipilih sebagai variabel dan log (MIC)
sebagai respons. Algoritma Genetika dalam program selanjutnya digunakan untuk memilih model
teratas untuk setiap iterasi deskriptor berdasarkan nilai Q2. Jumlah iterasi (berapa kali Genetic
Algorithm yang dijalankan) sama dengan 1/5 jumlah total senyawa dalam set tes (seperti yang
direkomendasikan oleh Erikssonetal.); jumlah kombinasi (variabel deskriptor molekuler) sama
dengan jumlah deskriptor molekuler yang tersisa setelah tahap filter internal awal. Setelah
Algoritma Genetika diterapkan, QSARINS akan menampilkan 5 model teratas dari setiap iterasi.
Algoritma ini diatur berprogram selama 20 iterasi dengan 500 generasi yang diproses untuk setiap
iterasi.
Internal Selection
Model-model tadi kemudian diurutkan berdasarkan masing-masing R2 dan R2-Q2. Parameter
model default untuk S.typhimurium dan L.monocytogenes sama untuk keduanya tetapi, karena
QSARINS menghasilkan model dengan rentang nilai yang berbeda masing-masing, parameternya
sedikit dimodulasi untuk mengurangi jumlah keseluruhan model yang dipertimbangkan. Nilai cutoff
yaitu R2 > 0,75 dan R2-Q2 < 0,10. nilai-nilai tersebut meningkat dari kurangnya konservatif yang
disajikan oleh sebagian besar peneliti lainnya. Oleh karena itu, hanya model terbaik yang dipilih
oleh statistik internal yang digunakan sebagai analisis lebih lanjut.

External Validasi
File model yang disimpan untuk model terbaik yang dipilih diambil dari "model" dan dimuat ke
QSARINS. Jumlah baris disesuaikan untuk menyamakan jumlah senyawa dalam set tes. Senyawa
dan data deskriptor molekuler yang relevan kemudian dimuat ke dalam model. Model memprediksi
log (MIC) dari senyawa uji yaitu Nilai prediksi log (MIC) dibandingkan dengan nilai log
eksperimental (MIC) dengan analisis kesalahan persen dan R2 (kecocokan tren linier) dari senyawa
yang diprediksi.
Prediksi
Setelah model terbaik terakhir dipilih dan digabungkan seperti yang dijelaskan di sebelumnya,
masing-masing model selanjutnya digunakan pada prediksi set yang dikumpulkan dari lab Bai.
Seperangkat senyawa 835 dikumpulkan dari PubChem berdasarkan hasil terbaik dari pencarian
identitas yang sama menggunakan BPK sebagai kueri. Senyawa-senyawa ini kemudian difilter
berdasarkan pada domain penerapan model untuk setiap model, setiap model di luar domain
penerapan deleted dari hasil akhir. Model konsensus untuk setiap bakteri juga diterapkan pada
kumpulan data ini. Senyawa apa pun dalam domain penerapan untuk 75% model gabungan
disimpan, semua senyawa lain dikeluarkan dari set terakhir.
Konsesus model ditentukan berdasarkan nilai R2 dari model yang memenuhi kriteria. Model terpilih
jika cutoff validasi eksternal R2 ≥ 0.60 dan persen error ≤ 10% untuk S. typhimurium dan validasi
eksternal R2 ≥ 0.90 dan persen error ≤ 35% untuk L. Monocytogenes. Teknik ini digunakan untuk
mengkombinasi prediksi dari model yg teridentifikasi untuk setiap spesies bakteri.
Hasil

Berdasarkan data tabel diatas, model 76 untuk bakteri S. typhimurium memiliki validasi
eksternal R2 tertinggi dan persen error yang terendah yang berarti model 76 merupakan model
yang akurat dan konsisten. Setelah menemukan model kemudian prediksi menggunakan
QSARINS. Sedangkan L. Monocytogenes model 90 memiliki validasi eksternal R2 tertinggi.
 Gambar grafik diatas menunjukkan persentase inklusi tiap deskriptor kimia. Terdapat
empat

deskriptor terlibat dalam > 90% model teratas termasuk konstituen dengan single karbon, 6 cincin
karbon, 6 rantai karbon dan dua karbon yang menuntun ke nitrogen. Dua deskriptor menunjukkan
koefisien terbaik yaitu deskriptor yang mengandung Sulfur.
 Tabel diatas menunjukkan data dari SMILES yaitu struktur dari senyawa berpotensi
sebagai antimikroba dengan konsentrasi minimum penghambatan (MIC). MIC ini menunjukkan
konsentrasi terendah dari senyawa agar dapat menghambat pertumbuhan bakteri S. typhimurium.

L. Monocytogenes Prediction
Dalam penelitian ini menjalankan prediksi dari 835 senyawa yang sama melalui model
yang dipilih untuk menentukan senyawa yang terbaik dari set. Sepuluh senyawa terbaik yang
terletak di dalam domain penerapan model 90 dapat dilihat pada Tabel 3 (dibawah). Senyawa-
senyawa ini memiliki banyak kesamaan struktural dengan yang dideteksi oleh model yang berbasis
S. typhimurium.

Combining all predictions

Tiga model QSAR yang terpisah (dua rincian yang telah dijelaskan dan satu dari penelitian
sebelumnya untuk E.coli) untuk setiap spesies target individu efektif dalam memberikan prediksi
yang sangat akurat dan dapat dipercaya. Model-model ini tidak dapat menghasilkan konsensus
langsung pada satu set tunggal senyawa potensial, dan tidak dapat dikombinasikan secara langsung
tanpa asumsi yang tidak lengkap tentang keefektifan senyawa yang diketahui. Untuk mendapatkan
hasil yang lebih baik tentang efektivitas senyawa yang diprediksi dari berbagai bakteri patogen.
Hasil dan informasu dikumpulkan melalui dua pendekatan terpisah. Pertama berfokus pada
penggunaan prediksi rata-rata MIC di semua model dan kedua menggunakan penilaian kesamaan
untuk menemukan kesamaan struktur umum dari senyawa terbaik dari masing-masing
model.Dengan rata-rata log (MIC) untuk setiap senyawa disemua tiga prediksi, sehingga dapat
menarik kesimpulan untuk efektivitas umum senyawa.Dari tabel empat dapat dilihat 5 senyawa
terbaik atau teratas, senyawa tersebut memiliki struktur yang sama dengan CPC dengan head
aromatis dan tail hidrofobik panjang.Untuk menemukan kesamaan senyawa dan tingkat kesamaan
antara setiap set,dapat dibandingan berpasangan melalui SIMCOMP2, tool online yang disediakan
oleh KEGG. Untuk memperluas kemungkinan senyawa serupa, dilakukan dengan cara
memperluas daftar potensi ke 50 senyawa terbaik atau teratas yang diperkirakan untuk setiap
spesies. Beberapa komponen struktural serupa diidentifikasi dalam perbandingan berpasangan,
tetapi hanya satu struktur utama yang diidentifikasi untuk senyawa dengan 0,75 kesamaan antara
ketiga prediksi (Pada Gambar 4). Pencarian senyawa yang paling mirip menghasilkan
1L.monocytogenes.

Discussion
Dengan pengembangan perhitungan yang akurat yang dapat dipercaya untuk
pengembangan dan identifikasi makananan maupun obat-obatan yang berpotensi sebagai
antimikroba yang aman sangat penting untuk meningkatkan efisiensi. QAC dan QAC-like
umbrella. Penggunaan antimikroba QAC dikembangkan dua model yang berfokus dari efekrifitas
senyawa pada S. typhimurium dan L. monocytogenes,model ini diproduksi menggunakan
deskriptor set dioptimalkan dan Algoritma Gentika (GA) dalam QSARINS, dan telah menunjukan
akurasi (persen error) dan rellability (Q2) terhadap test. dan training test dengan keakuratan dan
model optimal untuk datatest. Deskriptor yang digunakan untuk setiap data set, berpotensi
memberikan informasi besar dalam komponen struktur penting dari efektif QACs.
Model-model yang diproduksi untuk publikasi sebelumnya telah menemukan sejumlah
senyawa terbaik yang memiliki potensi sebagai antimikroba yang aman. Setiap 10 set terbaik atau
teratas terkandung setidaknya satu rantai lurus dengan cincin heksana pada bagian head, sama
dengan QACs paling umum yang digunakan. Senyawa ini dapat menjadi pengganti langsung baik
untuk BPK dalam pengolahan daging tetapi tidak dapat memberikan banyak perbedaan dalam hal
kelarutan, residu, dan resistensi antimikroba potensial.
Ada senyawa lain di set ini yang menunjukkan potensi untuk mengatasi masalah
antimikroba. Dalam set ini ada sekelompok senyawa yang memiliki lebih besar “head”, yang
biasanya terdiri dari dua cincin menyatu dengan 1-3 nitrogen dan satu set cincin karbon menyatu
sebagai “tail”. Tail ini mengingatkan pada struktur yang paling kolesterol dan steroid lainnya.
Struktur tersebut dapat dikatakan bahwa senyawa tersebut mungkin bisa berinteraksi dengan
membran bakteri dengan cara yang sa,a dengan rantai langsung yang berikatan. Jika hal ini terjadi,
mungkin senyawa ini dapat dengan mudah mengatasi resistensi bakteri QAC dan mungkin dapat
mengurangi masalah residu. Akan tetapi, senyawa ini akan jauh lebih sulit untuk larut dalam air
karena memiliki bagian hidrofobik yang sangat besar. senyawa ini memiliki potensi dalam
menggantikan QAC yang digunakan saat ini untuk dekontaminasi makanan yang aman dikarena
senyawa tersebut memiliki kesempatan untuk mengatasi resistensi bakteri.
Penggunaan kedua konsensus yaitu model bakteri yang berbeda dan melalui kesamaan
struktural yang terdeteksi antara 50 senyawa prediksi terbaik atau teratas dari masing-masing
model, dapat menentukan elemen struktural yang paling penting membantu mempersempit daftar
senyawa potensial. Semua senyawa memiliki struktur yang hampir identik dengan struktur CPC,
hal menunjukkan tingkat keakuratan yang tinggi pada mendeteksi senyawa teratas/terbaik
menggunakan salah satu metode. Tetapi , senyawa ini tidak memberikan struktur yang sangat
efektif dalam mengatasi resistensi antimikroba. Dalam penelitian ini lebih membatasi daftar
dengan melihat toksisitas dari masing-masing senyawa yang lebih beracun kurang mungkin
menjadi antimikroba yang aman. Validasi eksperimental untu masa depan untuk senyawa
penelitian ini yang diidentifikasi secara komputasi akan memberikan daftar akhir calon
antimikroba.
Penelitian ini Sementara prediksi hasil yang didapat didasarkan pada daftar yang luas,
model yang dapat diterapkan kembali ke daftar senyawa potensial yang lebih tetargetkan, maka
akan memberikan langkah filter tambahan untuk setiap studi yang ingin menguji secara
eksperimen setiap senyawa potensial QAC / QAC. Selanjutnya, senyawa potensial utama
penelitian ini juga bisa diuji dengan cara yang sama, yang berfokus pada model yang lebih akurat
untuk struktur yang hampir sama. struktur ini mampu dalam mengatasi beberapa masalah, bahkan
resistensi langsung (karena afinitas pengikatan terhadap pompa e-fluks dapat dikurangi),
meskipun tidak mampu mengatasi resistensi dalam jangka panjang. Dalam hal lipofilisitas,
beberapa senyawa yang diprediksi mengandung lebih banyak heteroatom yang menyebabkan
peningkatan polaritas yang akan mempengaruhi kemampuan permukaan yang lebih berlemak
menggunakan pencucian / bilasan berbasis air. Dampak lingkungan dari senyawa-senyawa ini
tidak dapat dipastikan saat ini.
Penemuan dan pengembangan senyawa QAC / QAC-like sangat penting dalam pengembangan
makanan dan dalam pengelolaan mikroba patogen pada permukaan makanan. Tanpa penelitian
lebih lanjut tentang senyawa potensial, resistensi antibiotik dan masalah lain saat ini akan terus
menjadi kerugian bagi industri makanan dan pada konsumen. Senyawa baru apa pun yang dapat
mengatasi masalah antimikrobial makanan yang aman saat ini akan menjadi standar gold untuk
semua antimikroba lainnya. Meskipun daftar dalam penelitian ini untuk saat ini tidak sempurna
untuk penggantian CPC, akan tetapi model ini dapat diterapkan untuk senyawa QAC dan QAC-
like lainnya untuk meningkatkan kelangsungan studi di masa mendatang dan mengurangi biaya
pengambilan sampel massal dari list.
 Rangkuman cara membuat struktur snyawa di camdraw
1. ada fitur untuk menampilkan tabel untur
Untuk mengetahui namanya yaitu blok trus di contruk structure to name
Control+Shift+Alt+N(untuk lht nama)
Dapat juga copy paste sperti word pada biasanyanya

Blok struktur kimia, strus ctrol c,

Pilih MM2-> minimize enerrgy-> klw sudh simpan->file save as->-> dililih nama filenya save as
tipe MDL mol FILE-> kasih nama BATU

Buka situs untuk struktur senyawa kimianya RCSB.org-> 1pxx->download PDB File

Word speace
Import file yg tdi didownload->import file->open->hilngkan centang air dan cofactornya-
>breakdown dan pilih slh satunyaa->DIF 1701->prveretion->cavity5 klik
Bisa langsung ke dockingnya->docking wizers-. internal ES-> Hbord, dll-> klik next->diset 10x
running->next->di save dngan cara yg (terekam direkaman)->proses docking dimulai
File->docking result yg telah disimpan
Kefiti 2 adalah kefiti aktif yang terbaik untuk analgesik

Save as batu 2
Dibuka->dibuat 3D->save as->MM2 minimize energy->disave nama file batu 2
Preparation di ganti always->import->word prize diksh nama batu2->
Pembuatan melegro dipilih langsung pada gambar struktur kimianya->klik kanan-.conver past
to ligant->diklik pada 3 atom ligan yang ad pasa sturuk(yang sudh dijadikan ligan)-> di elight disk
molekul-> sejajar
Set ligant dibatu2->site liht ->ceklist batu 2 saja->next semuanyanya di cek-> jangan lupa file
penyimpanananya diman-> dan selanjutya di start docking

Batu2 memiliki ikaatan yg lbh baik dibandingkn dngn batu dan afinitasnya lbh bgs dibandingkan
dgn batu

TUGAS : mencatat kembali prosedur docking

Docking 1 aspirin
2 paracetamol pada CFD@
3 didocking 3 kloro dan 4 cloro benzoil tiourea
Dievalusi rerent scorenya, asam amino yang berikatan