LATAR BELAKANG :

Phosphodiesterase 1 (PDE1) adalah target potensial untuk sejumlah gangguan

neurodegeneratif seperti penyakit Schizophrenia, Parkinson, dan Alzheimer. Sejumlah
pyrazolo [3,4-d] inhibitor pirimidin PDE1 menjadi sasaran teknik pemodelan molekul yang
berbeda [seperti hubungan struktur-aktivitas kuantitatif berbasis regresi (QSAR): regresi
linier berganda, mesin vektor pendukung dan jaringan syaraf tiruan; QSAR berbasis
klasifikasi: Monte Carlo berdasarkan QSAR; Open 3DQSAR; pemetaan farmakofor dan
analisis molekular docking] untuk mendapatkan pengetahuan rinci tentang persyaratan
fisikokimia dan struktural untuk aktivitas penghambatan lebih tinggi. Plastisitas cincin
pirimidinon memainkan peran penting untuk penghambatan PDE1. Fungsi N-methylated
pada posisi ke-5 dari pyrazolo [3,4-d] pirimidin inti diperlukan untuk berinteraksi dengan
enzim PDE1. Cincin siklopentil menyatu dengan induk diperlukan untuk potensi pengikatan
PDE1. Substitusi phenylamino pada posisi ke-3 sangat penting untuk penghambatan PDE1.
The N2-substitusi pada bagian pirazol adalah penting untuk penghambatan PDE1
dibandingkan dengan analog N1-tersubstitusi. Selain itu, rantai samping benzil yang
tersubstitusi-p pada posisi N2 membantu untuk meningkatkan profil penghambatan PDE1.
Tergantung pada pengamatan ini, beberapa molekul baru diprediksi yang mungkin memiliki
penghambatan PDE1 yang lebih baik. Phosphodiesterase (PDE) adalah superfamili enzim
bertanggung jawab untuk hidrolisis ikatan fosfodiester. Inhibitor PDE1 dapat menghentikan
pemecahan cAMP dan cGMP. Dengan demikian, ini dapat mempertahankan aktivitas sistem
saraf pusat.

METODE (Software dan tipe analisis):

Struktur 2D dari senyawa ini dibuat sketsa dengan menggunakan perangkat lunak ultra
ChemDraw (Cambridge Soft Corporation, USA). perangkat lunak Discovery studio 3.0
(Accelrys Inc. San Diego, USA) pada beberapa deskriptor fisikokimia dan struktural (AlogP,
berat molekul, jumlah akseptor ikatan hidrogen dan donor, cincin aromatik).

 Tipe Analisis :

1. Studi QSAR 2D berbasis regresi

Studi 2D QSAR berbasis regresi dilakukan dengan studi 2D QSAR linier

dengan analisis regresi linier berganda bertahap (S-MLR) serta studi 2D-
QSAR non-linear dengan metode pembelajaran mesin seperti mesin vektor
pendukung (SVM) dan saraf tiruan jaringan (ANN) teknik. Pemodelan 2D
QSAR berbasis SMILES juga dilakukan melalui
Metode optimasi Monte Carlo.

2. Studi 2D QSAR linier

 Deskriptor dihitung dengan menggunakan perangkat lunak DRAGON Milano
Chemometrics dan QSAR Research Group, Bicocca untuk pengembangan
model 2D QSAR. Setelah generasi deskriptor dan persiapan tes dan set
pelatihan, model dikembangkan pada pelatihan yang ditetapkan dengan
metode S-MLR (Adhikari et al., 2016) dan kemudian divalidasi pada tes yang
ditetapkan oleh Leave-one-out ( LOO) metode (Amin & Gayen, 2016).
Beberapa model dikembangkan dengan deskriptor ini. Model yang paling
memuaskan melewati semua kriteria dan kondisi dipilih sebagai model akhir.

3. Studi QSAR 2D non-linear

Untuk menyelidiki lebih lanjut kemungkinan hubungan non-linear antara

deskriptor yang dipilih akhir dari model SMLR dan aktivitas penghambatan
binding PDE1, metode pembelajaran mesin, yaitu SVM, selanjutnya
dilakukan ANN (Amin et al., 2016a; Mandi, Nantasenamat, Srungboonmee,
Isarankura-Na-Ayudhya, & Prachayasittikul, 2012).
Konsep SVM didasarkan pada pemetaan non-linear dari input descriptor ke
dalam ruang fitur dimensi yang lebih tinggi melalui perhitungan kernel
matematis. Berbagai jenis fungsi kernel yang digunakan dalam metode SVM
termasuk kernel linear, kernel polinomial, kernel sigmoid dan fungsi dasar
radial (RBF) kernel (Nantasenamat et al., 2013). Namun, kernel RBF diterima
secara luas dalam studi QSAR. SVM berhasil memecahkan masalah program
kuadratik yang dibatasi dan mencapai margin maksimal dari hyperplane yang
terpisah untuk memisahkan contoh positif dan negatif. Di sisi lain, ANN
meniruarsitektur otak manusia di mana node-node ANN dapat dibandingkan
dengan neuron-neuron biologis dan lapisan-lapisan ANN yaitu lapisan
masukan, tersembunyi dan keluaran analog dengan bobot sinaptik neuronal.
Dalam JST, informasi molekuler dari pendeskripsi pertama kali datang ke
lapisan input dan selanjutnya, diteruskan ke node lapisan tersembunyi dan
akhirnya ke lapisan output untuk diproses. Nilai berat acak diberikan ke
berbagai simpul yang saling berhubungan dari berbagai lapisan.
Kinerja kedua metode pembelajaran mesin yang diawasi (SVM dan ANN) ini
tergantung pada beberapa parameter optimal. Oleh karena itu, parameter set
optimal [untuk SVM: parameter kompleksitas (C), nilai eksponen (ε), jenis
kernel dan parameter yang sesuai (γ); untuk ANN: jumlah node tersembunyi,
tingkat pembelajaran, momentum belajar dan waktu pelatihan] diselidiki
dengan menggunakan perangkat lunak AutoWeka (Nantasenamat et al., 2015).
Perangkat lunak AutoWeka adalah perangkat penambangan data otomatis
yang menyediakan opsi untuk mengoptimalkan parameter untuk metode
pembelajaran mesin (Nantasenamat et al., 2015).
4. Analisis QSAR berbasis SMILES melalui
Pengoptimalan Monte Carlo

Analisis QSAR berbasis SMILES dilakukan oleh perangkat lunak CORAL

(http: //www.insilico.eu.coral). Perangkat lunak CORAL membutuhkan
molekul dalam format senyum dan oleh karena itu, perangkat lunak Open
Babel digunakan untuk menghasilkan senyum kanonik (O`Boyle et al., 2011) .
Ada tiga jenis pendeskripsi optimal yang dihasilkan dengan notasi SMILES
pendeskripsi berbasis SMILES, berbasis grafik, dan hibrid (kombinasi
SMILES dan grafik). Dalam deskriptor berbasis grafik, perhitungan dapat
dilakukan dengan tiga jenis grafik: HSG (grafik hidrogen terhenti), HFG
(grafik berisi hidrogen) dan GAO (grafik orbital atom).

Langkah utama dari optimasi Monte Carlo adalah memilih periode dan
ambang yang lebih disukai yang memberikan model kualitas statis terbaik
(yaitu korelasi tertinggi
koefisien) untuk set tes. Setelah pemilihan ambang dan epochs yang sesuai,
model dibangun dengan memasukkan nilai ambang dan epoch yang dipilih
dengan membawa
keluar seluruh proses optimasi Monte Carlo, orang bisa mendapatkan model
yang cocok dan model terbaik dipilih berdasarkan kriteria Golbraikh dan
Tropsha
(Golbraikh & Tropsha, 2002).

5. Studi QSAR 2D berbasis klasifikasi

Studi 2D QSAR berbasis klasifikasi dilakukan dengan menggunakan teknik

pemodelan klasifikasi rekursif dan Bayesian.

6. Pemodelan rekursif QSAR (RP QSAR)

Metode rekursif partisi (RP) menentukan simpul dan daun internal pohon
(Adhikari et al., 2016) . Setiap node internal terhubung ke tes
deskriptor dan setiap daun dilambangkan sebagai label klasifikasi. Indeks
Gini, parameter lain, menunjukkan metode pemisahan. Untuk setiap node,
algoritma membantu dalam pencarian deskriptor serta titik cut-off bersama
dengan pengurangan indeks Gini untuk membagi senyawa menjadi beberapa
cabang. Proses ini dilanjutkan sampai node signifikan serta jumlah minimum
sampel / node diperoleh. Sejauh hasil yang lebih baik diperhatikan,
kompleksitas harus dikurangi bersama dengan 'Jumlah sampel minimum /
 node' dan 'Kedalaman pohon maksimum' ditetapkan masing-masing menjadi
4 dan 20. Kurva ROC membantu untuk memahami kekokohan model RP ini
(Hevener et al., 2012) . 2006).

7. Pemodelan Bayesian

Model klasifikasi Bayesian adalah pendekatan lain untuk menentukan fitur

struktural penting yang diperlukan untuk aktivitas penghambatan PDE1 yang
diinginkan (Amin, Adhikari, Gayen, & Jha, 2016; Klon, Lowrie, & Diller,
2006) .Model ini dihasilkan dengan menggunakan Discovery studio 3.0
(Accelrys Inc. San Diego, USA). Pendekatan pemodelan Bayesian adalah
pendekatan klasifikasi yang dapat membedakan senyawa aktif dari yang tidak
aktif atau dengan kata lain, model klasifikasi Bayesian adalah model berbasis
sidik jari yang menentukan daerah yang menguntungkan dan tidak
menguntungkan dalam molekul untuk aktivitas yang diinginkan. Teknik ini
didasarkan pada terjadinya
berbagai deskriptor di set molekul yang dapat membedakan antara set ini.
Fitur-fitur penting ditentukan untuk set pelatihan dan prediktabilitas model
diperiksa pada set tes. Analisis Bayesian untuk klasifikasi aktif dari senyawa
yang tidak aktif dapat dilakukan dengan ECFP (sidik jari konektivitas
panjang) atau FCFP (sidik jari kelas fungsional).

8. Studi QSAR 3D

Studi QSAR 3D dilakukan oleh perangkat lunak Open3DQSAR (Tosco &

Balle, 2011). Penyelarasan molekuler adalah dasar dari setiap analisis QSAR
3D (Cramer, Patterson, & Bunce, 1988). Konformasi yang mengikat dari cpd
1 (PDB: 5B25) diambil dari Protein Data Bank dan digunakan sebagai
template untuk penyelarasan membentuk struktur kristalografi (Li et al.,
2016). Setelah itu, analisis QSAR 3D dilakukan. Parameter validasi statistik
dinilai oleh koefisien korelasi (R2), koefisien korelasi lintas-divalidasi (Q2),
standar deviasi dari kesalahan prediksi (SDEP) untuk model Open3DQSAR.

9. Studi pemetaan farmakofora

Studi pemetaan pharmacophore adalah bagian penting dari penemuan dan

optimasi timbal (Debnath, 2002). Model farmakofora 3D dikembangkan
dengan menggunakan perangkat lunak Discovery Studio 3.0 (Accelrys Inc.
San Diego, USA). Generasi model farmakofora adalah pengaturan fitur kimia
yang diperlukan untuk aktivitas biologis tertentu (Pavadai et al., 2016).
Farmakofora dibangun dalam tiga fase: fase konstruktif, subtraktif dan
 optimisasi. Dalam fase konstruktif, senyawa yang paling aktif diekstraksi;
fitur mereka diidentifikasi dan disimpan. Pada fase subtraktif, pencocokan
farmakofora senyawa tidak aktif dan dihapus. Fase optimasi dilakukan
setelah fase konstruktif dan subtraktif untuk peningkatan skor. Ini terdiri dari
memilih farmakofora baru dari daftar, menambahkan atau menghapus fitur
baru.

10. Studi docking molekuler

Struktur PDE1 (PDB: 5B25) dipilih untuk analisis docking karena

dikomplekskan dengan cpd 1 dari kumpulan data ini dan akan memberikan
informasi yang lebih akurat.
terkait dengan konformasi yang mengikat dari senyawa yang baru dirancang
memiliki pyrazolo [3,4-d] pirimidin perancah. Sebelum merapatkan ligan
masuk dihapus dari protein menggunakan perangkat lunak Discovery Studio
3.0 dan kemudian diperiksa dan diperbaiki untuk redocking dengan enzim
PDE1 (Accelrys Inc. San Diego, USA) . Struktur ligan yang dirancang
disiapkan dan energi diminimalkan menggunakan VLife MDS 4.4 (VLife
Sciences Technologies Pvt. Ltd: Pune, India) dan
setelah itu atom hidrogen kutub bersama dengan biaya sebagian Gasteiger
dimasukkan. Struktur protein diambil dalam platform EMAS
(http://www.ccdc.cam.ac.uk/products/life_sciences/gold) untuk studi
molecular docking. Molekul air dalam struktur tidak dihapus (Wang, Li, Li,
Yang, Wang,
et al., 2013; Wang, Li, Li, Yang, Zhang, dkk., 2013; Wang, Li, Yang, Zhang,
& Yang, 2013; Wang et al., 2015; Wang, Yang, Li, & Wang, 2016) karena
ikatan hidrogen yang dimediasi air penting dalam pengikatan ke enzim PDE1
(Li et al., 2016). Oleh karena itu, dalam protokol persiapan protein EMAS,
molekul air tidak
dihapus dan atom hidrogen ditambahkan (Jones, Willet, & Glen, 1995). Situs
pengikatan enzim PDE1 didefinisikan dengan jarak radius 8 Å sekitar
the bound cpd 1. Perhitungan docking dilakukan menggunakan fungsi fitness
Goldscore. Energi bebas dari pose pengikatan dievaluasi dan pose yang ada
mirip dengan konformasi crystalized cpd 1 telah dipilih sebagai konformasi
yang mungkin mengikat enzim PDE1.
DESKRIPTOR:
1. (PDE1) inhibitor 9

PDE1 (phosphodiesterase tipe 1) adalah enzim phosphodiesterase juga dikenal sebagai

phosphodiesterase yang tergantung kalsium dan kaltimodulin. PDE1 adalah salah satu
dari 11 keluarga fosfodiesterase (PDE1-PDE11). PDE1 memiliki tiga subtipe, PDE1A,
PDE1B dan PDE1C yang membagi lebih jauh ke berbagai isoform. Berbagai isoform
menunjukkan afinitas yang berbeda untuk cAMP dan cGMP.
 Struktur
Isozim PDE1 termasuk dalam enzim Kelas I, yang mencakup semua PDE vertebrata
dan beberapa enzim ragi. Enzim kelas I semuanya memiliki inti katalitik setidaknya 250
asam amino sedangkan enzim Kelas II kekurangan fitur yang umum.
Biasanya PDE vertebrata adalah dimer dari protein linier 50-150 kDa. Mereka
terdiri dari tiga domain fungsional; inti katalitik yang dilestarikan, N-terminus regulasi
dan C-terminus , Protein bersifat chimeric dan setiap domain dikaitkan dengan fungsi
khusus mereka.
Pengaturan N-terminus secara substansial berbeda dalam berbagai jenis PDE.
Mereka diapit oleh inti katalitik dan termasuk daerah yang secara otomatis menghambat
domain katalitik. Mereka juga menargetkan urutan yang mengontrol lokalisasi subseluler.
Di PDE1 wilayah ini berisi domain pengikat calmodulin.

2. Parameter SVM

SVM adalah algoritma pembelajaran yang diawasi yang meminimalkan risiko struktural yang
disebut. SVM banyak digunakan baik dalam tugas klasifikasi dan regresi. Di sini
mempertimbangkan SVM untuk klasifikasi yang dikembangkan oleh Corinna Cortes dan Vladimir
N. Vapnik pada tahun 1995. Ini dapat dengan mudah diperluas ke kasus SVM non-linear
menggunakan apa yang disebut trik kernel. Model linier SVM adalah:
f(x)=wTx+b
di mana x adalah vektor fitur input, w dan b tidak diketahui dan perlu ditentukan oleh sampel
pelatihan.
hal dapat diformulasikan sebagai:
mininizew,ε 12wTw+C∑i=1nεi
subject to yif(xi)≥1−εi,i=1,2,⋯,nεi≥0,i=1,2,⋯,n
Oleh karena itu, dengan gagasan kernel K (xi,xj)=ΦT(xi)Φ(xj), fungsi classifier SVM
yang dihasilkan dapat ditulis ulang sebagai:
f(xi)=∑i=1NsykαkK(xi,sk)+b
 di mana sk, k = 1,2, ⋯, Ns adalah yang disebut vektor dukungan (SV).

3. A log P

MAKSUD DARI TABEL DAN FIGURE

KORELASI DENGAN EKSPERIMEN

KESIMPULAN
Serangkaian pyrazolo [3,4-d] pirimidin yang memiliki aktivitas penghambatan PDE1 digunakan
untuk mendapatkan wawasan tentang persyaratan struktural dari molekul-molekul ini. Dari
rincian ini studi SAR kuantitatif dengan model QSAR yang divalidasi serta pemetaan
farmakofora.
kesimpulan berikut dapat dibuat:

(1) Plotaritas cincin A, B, dan C sangat menentukan untuk penghambatan PDE1.

(2) Fungsi N-methylated (fitur farmakofora hidrofobik) pada posisi ke-5 dari inti
pyrazolopyrimidione planar diperlukan untuk berinteraksi dengan enzim PDE1. Modifikasi
fungsi N-desmethyl menghasilkan aktivitas yang buruk (cpd 47 vs cpd 48).

(3) Cincin C dari pirazida pirazol [3,4-d] berfungsi sebagai fitur positif ionisable (PI) yang
dibuktikan oleh model farmakofora.

(4) Substitusi besar pada posisi Ca cincin C tidak menguntungkan (cpd 12 vs cpd 9-10).

(5) Cincin siklopentil yang menyatu pada cincin C sesuai dengan fitur HY1 dari Hypo-1. Oleh
karena itu, cincin siklopentil terkonfigurasi mutlak juga merupakan salah satu kontributor utama
terhadap potensi pengikatan PDE1.

(6) Kelompok 3-amino pada inti pirazol ditemukan menjadi sangat penting. Penggantian dari
fungsi -NHF dengan oksigen, atom sulfur dan bagian methelena menghasilkan penurunan 35-90
kali lipat dalam efisiensi pengikatan PDE1.
(7) Senyawa dengan gugus 3-fenilamino pada cincin A bermanfaat terhadap PDE1 daripada liner
yang sesuai dan alkilamino bercabang (-NH2, -CH3NH, -n PrNH, -i-PrNH, -i-BuNH, -cPentNH,
-c-HexNH) analog.

(8) Senyawa dengan atom nitrogen pyrazole tidak tersubtitusi (cpd 13) menunjukkan aktivitas
yang buruk terhadap enzim PDE1 (Ki: 1.4 μM). Oleh karena itu, substituen pada cincin pyrazole
penting (baik pada N1 atau N2) untuk meniru fungsi ribosa cGMP, yang dapat menghasilkan
interaksi reseptor obat yang lebih baik.

(9) Analog pengganti N2 tampaknya lebih bermanfaat untuk penghambatan PDE1 dibandingkan
dengan gugus yang disubstitusi N1. Pengamatan ini didukung oleh semua model (2D berbasis
Regresi QSAR, model klasifikasi Bayesian, 3D QSAR dan teknik pemodelan farmakofora).

(10) Molekul bulkil aril pada posisi ke-2 cincin A menguntungkan untuk berinteraksi dengan
enzim PDE1. Menariknya, rantai samping benzil tersubstitusi-p pada posisi N2 sangat penting
untuk mempertahankan potensi penghambatan PDE1 dalam kisaran nanomolar.