RESUME JURNAL

PEMODELAN QSAR TERHADAP AKTIVITAS ANTIBAKTERI

BEBERAPA SENYAWA TURUNAN BENZOIMIDAZOLE
Aldo Agustian
Prodi S1 Farmasi, Sekolah Tinggi Farmasi Bandung
Jl. Soekarno Hatta No. 754, Bandung

Abstrak
Jurnal ini berisi tentang studi QSAR dari 12 senyawa turunan benzoimidazole. Studi ini
dilakukan untuk mengkorelasikan dan memprediksi struktur dari senyawa yang diteliti dengan
aktivitasnya sebagai antibakteri terhadap bakteri gram negative Pseudomonas aeruginosa. Untuk
memilih deskriptor yang digunakan dalam studi QSAR, peneliti menggunakan model regresi
linier berganda (MLR) agar dihasilkan model prediksi terbaik yang dapat menjelaskan hubungan
struktur senyawa uji dengan aktivitasnya menghambat pertumbuhan bakteri. Digunakan cross
validation dengan metode leave-one-out untuk memvalidasi model prediksi yang dihasilkan.
Hasilnya, peneliti menyarankan agar model QSAR didasarkan pada deskriptor : Parameter
lipofilitas (logP) dan energy hidrasi (HE). Proses validasi diperoleh adanya kesesuaian antara
hasil eksperimental dengan prediksi dari nilai penghambatan bakteri, sehingga menunjukan
dihasilkannya model QSAR dengan kualitas yang baik.

1. PENDAHULUAN

Peneliti tertarik melakukan penelitian terhadap studi QSAR karena studi QSAR tidak
diragukan lagi sangat membantu dalam dunia kimia medisinal modern. QSAR sendiri
mempelajari tentang bagaimana struktur senyawa dapat mempengaruhi aktivitas senyawa
tersebut. Untuk memperoleh korelasi yang signifikan antara struktur senyawa dengan
aktivitasnya, perlu digunakan deskriptor yang tepat. Banyak deskriptor yang mencerminkan sifat
dari suatu molekul sederhana, dengan demikian dapat meberikan wawasan tentang sifat
fisikokimia apa saja yang perlu dipertimbangkan untuk mengoptimalkan aktivitas dari molekul
tersebut. Aktivitas yang digunakan dalam QSAR meliputi aktivitas biologis yang dapat
dinyatakan secara kuantitatif, seperti konsentrasi zat yang diperlukan untuk menghasilkan respon
biologis tertentu. Deskriptor yang digunakan pun diekspresikan dengan angka, sehingga
memudahkan untuk menemukan korelasi antara kedua hal tersebut secara kuantitatif. Saat ini
QSAR sedang banyak diterapkan dalam banyak disiplin ilmu, khususnya dalam design senyawa
obat. Penilaian menggunakan QSAR diperoleh prediksi aktivitas suatu zat kimia dari struktur
molekulnya. QSAR menawarkan kemungkinan melakukan skrining zat kimia dalam jumlah
besar dengan waktu singkat dan biaya relatif rendah.

Digunakan senyawa turunan benzoimidazole sebagai subjek karena inti benzimidazole telah
banyak mendapat perhatian selama satu dekade terakhir dalam pengembangan senyawa obat
baru. Aktivitasnya sebagai antimikroba membuat beberapa senyawa turunan benzimidazole telah
banyak disintetis dan diaplikasikan dalam dunia medis. Posisi dan substituent yang tersubstitusi
pada cinci benzoimidazole bertanggungjawab terhadap beragam aktivitasnya. Sintesis
benzoimidazole yang disubsitusikan dengan cincin heterosiklik lain juga mendapat perhatian
karena beragam aktivitas mereka antara lain sebagai antioksidan, antijamur, antituberkular,
antikanker, dan antialergi. Berbagai benzoimidazole juga beraktivitas sebagai penghambat yang
efektif bagi pertumbuhan virus HIV. Berbagai hal di atas yang menjadi berbagai pertimbangan
bagi peneliti untuk melanjutkan studi tentang aktivitas benzoimidazole menghambat
pertumbuhan bakteri, serta korelasi sifat-sifat molekul dengan aktivitasnya. Tujuan penelitian ini
adalah untuk mempelajari kegunaan QSAR dalam memprediksi aktivitas antibakteri turunan
benzimidazole terhadap bakteri gram-negatif Pseudomonas aeruginosa.

2. METODOLOGI
a) Bahan dan metode

Senyawa turunan benzoimidazole yang digunakan dalam penelitian ini telah disintesis
dengan prosedur yang telah dijelaskan oleh peneliti.

Gambar 1. Rumus struktur senyawa 1-benzilbenzimidazole

 Kode Senyawa R1 R2 R3 R4
1 CH3 H CH3 CH3
2 Cl H CH3 CH3
3 F H CH3 CH3
4 OCH3 H CH3 CH3
5 CH3 NH2 H H
6 Cl NH2 H H
7 F NH2 H H
8 OCH3 NH2 H H
9 CH3 NH2 CH3 CH3
10 Cl NH2 CH3 CH3
11 F NH2 CH3 CH3
12 OCH3 NH2 CH3 CH3
Tabel 1. Subsitusi rantai samping pada senyawa uji

b) Uji antibakteri secara eksperimental

Aktivitas antibakteri semua senyawa turunan benzimidazole diinvestigasi guna melihat daya
penghambatannya terhadap bakteri Pseudomonas aeruginosa secara in vitro. Aktivitas
antibakteri senyawa diuji dengan metode difusi cakram menggunakan media agar Mueller-
Hinton. Isolat bakteri uji dibiakan dalam tabung berisi Nutrient Broth. 1 ml dari tabung NB
dihomogenisasi dalam tabung berisi 9 ml Nutrient agar cair. Suspensi yang telah dihomogenkan
dituangkan ke dalam cawan petri steril. Cakram kertas dengan diameter 5 mm ditempatkan pada
permukaan media agar yang telah memadat, kemudian 20 μl senyawa uji diteteskan pada cakram
kertas menggunakan mikropipet. Setelah diinkubasi selama 24 jam dalam suhu 25-27 ° C,
diameter zona inhibisi diukur dalam satuan mm. Diameter zona inhibisi lebih dari 8 mm
menunjukan senyawa uji aktif melawan mikroorganisme. Setiap tes dilakukan dalam 3 ulangan.

Uji konsentrasi hambat minimum (MIC) dilakukan dengan metode pengenceran agar. MIC
didefinisikan sebagai konsentrasi terendah senyawa turunan benzimidazole yang mampu
menghambat pertumbuhan bakteri P. aeruginosa. Larutan senyawa uji disiapkan dalam
dimetilformamida (DMF), sementara untuk pengenceran digunakan air suling. Konsentrasi
senyawa yang diuji berkisar antara 6,25 – 125 μg/μl. Inokulasi kemudian diinkubasi pada suhu
35° C selam 16-20 jam. Kontrol menggunakan bakteri dalam DMF tanpa senyawa uji. Nilai MIC
senyawa turunan benzimidazol yang diperoleh dinyatakan sebagai μg/μl. Untuk mengukur
kekuatan antibakteri, peneliti membuat perbandingan dengan agen antibakteri yang digunakan
dalam terapi pengobatan, yaitu Ampicillin dan Gentamicin sebagai pembanding.

c) Pemodelan molekul

Peneliti melakukan semua studi pemodelan molekul menggunakan perangkat lunak

HyperChem versi 7.5 dengan prosesor P-III. HyperChem menyertakan pembangun model yang
merubah sketsa kasar 2D menjadi molekul 3D. Model 3D yang dibuat selanjutnya dibersihkan
dan mengalami minimalisasi energi menggunakan mekanika molekul medan gaya MM2 yang
terdapat dalam perangkat HyperChem. Minimalisasi dijalankan hingga nilai gradient Root Mean
Square (RMS) mencapai nilai yang lebih kecil dari 0,1 kkal / mol⋅A. Optimasi ulang
menggunakan metode Austin Model-1 (AM-1) sampai nilai gradient RMS mencapai nilai yang
lebih kecil dari 0,0001 kkal / mol⋅A, optimasi ulang ini menggunakan program MOPAC. Energi
struktur terendah digunakan pada setiap molekul untuk menghitung deskriptor.

d) Deskriptor

Deskriptor dikategorikan menjadi parameter elektronik, geometrik, hidrofobik, dan topologi.

Peneliti menghitung deskriptor untuk setiap senyawa menggunakan perangkat lunak
HyperChem, Dragon, dan CS Chem Office Software versi 7.0. Karena untuk setiap senyawa ada
banyak deskriptor, maka peneliti menggunakan matriks korelasi Pearson sebagai model kualitatif
untuk memilih deskriptor yang cocok untuk analisis MLR. Delapan deskriptor yang menunjukan
korelasi maksimum terhadap aktivitas senyawa dipilih untuk dievaluasi lebih lanjut. Delapan
deskriptor tersebut diantaranya : refraktivitas molar (MR), polarisabilitas (P), volume molar
(MV), energi hidrasi (HE), energi total (TE), grid area permukaan (SAG), dan koefisien partisi
(logP). Nilai deskriptor untuk setiap senyawa disajikan pada table berikut :

Senyaw MR P MV HE TE DM SAG logP

a
1 87,25 30,78 811,60 -1,00 27,17 3,98 490,32 4,24
2 87,69 30,87 804,81 -1,86 26,87 3,974 429,54 4,31
3 83,10 28,85 777,39 -2,23 27,02 3,976 477,14 3,91
4 89,34 31,42 841,79 -3,68 28,92 3,978 507,17 3,63
 5 81,56 28,46 744,54 -6,39 26,35 4,464 458,41 3,44
6 81,99 28,55 736,31 -7,16 26,03 4,427 450,08 3,52
7 77,40 26,53 704,51 -7,31 26,07 4,428 433,17 3,12
8 83,65 29,1 771,05 -8,95 27,94 4,429 470,97 2,83
9 90,12 32,13 844,29 -4,26 27,67 4,428 503,71 4,42
10 89,24 32,22 833,57 -5,38 27,18 4,409 498,16 4,49
11 85,97 30,2 802,16 -5,21 27,46 4,410 480,77 4,09
12 92,27 32,77 871,99 -6,83 29,38 4,406 517,74 3,80
Tabel 2. Nilai deskriptor molekul yang digunakan dalam analisis regresi

e) Metode statistic

Peneliti melakukan analisis regresi secara lengkap menggunakan perangkat lunak statistika
PASS 2005, GESS 2006, dan NCSS.

3. HASIL DAN PEMBAHASAN

Evaluasi pertama yang dilakukan peneliti pada senyawa turunan benzoimidazole ialah
pengujian aktivitas antibakteri secara in vitro terhadap bakteri gram (-) Pseudomonas
aeruginosa. Hasil skrining mengungkapkan bahwa semua senyawa uji menunjukan aktivitas
penghambatan terhadap P. aeruginosa dengan nilai MIC masing-masing sebagai berikut :

Senyawa Log (1/CMIC)

1 4,602
2 4,637
3 4,609
4 4,328
5 4,278
6 4,314
7 3,981
8 3,704
9 4,627
10 4,659
11 4,333
12 4,352
Ampicillin 4,446
Gentamicin 5,787
Tabel 3. Hasil skrining antibakteri secara eksperimental
 Untuk upaya menentukan peran struktur senyawa terhadap aktivitasnya, peneliti
melakukan studi QSAR. Satu set senyawa turunan benzoimidazole yang terdiri dari 12 senyawa
digunakan untuk generasi model regresi linier. Senyawa pembanding (Ampicillin dan
Gentamicin) tidak termasuk karena mereka memiliki struktur yang berbeda. Parameter
fisikokimia, elektronik, sterik, dan deskriptor molekul lainnya digunakan sebagai variabel
independen yang berkorelasi dengan aktivitas antibakteri.

Untuk mengembangkan model MLR membutuhkan beragam set data yang diperoleh
dengan mempertimbangkan sejumlah deskriptor. Deskriptor berupa nilai numerik yang
melambangkan perbedaan bentuk struktur dari setiap molekul. Pemilihan beberapa deskriptor
yang sesuai dari sejumlah deskriptor yang tersedia membutuhkan suatu metode yang mampu
membedakan antar parameter. Oleh karenanya, peneliti melakukan matriks korelasi Pearson pada
semua deskriptor yang tersedia menggunakan perangkat lunak statistika NCSS. Analisis matriks
menghasilkan 8 deskriptor yang digunakan untuk pengembangan model MLR. Delapan
deskriptor tersebut tersaji dalam tabel (2).

Untuk melihat kontribusi deskriptor terpilih terhadap aktivitas antibakteri senyawa

turunan benzoimidazole, peneliti mengimplementasikan metode penambahan bertahap pada
perangkat lunak NCSS. Hasilnya, deskriptor yang cenderung berkorelasi secara ekslusif dengan
aktivitas antibakteri senyawa turunan benzoimidazole adalah koefisien partisi (logP). Model
parametrik terbaik ditemukan dalam persamaan berikut :

log1/CMIC = 0.518log P + 2.391

n = 12; r = 0.932; s = 0.085; F = 66.43 (1)

Kemudian peneliti menemukan bahwa penambahan HE sebagai parameter tambahan bagi

logP meningkatkan nilai koefisien korelasi (r) dari 0,932 menjadi 0,951. Berikut persamaan yang
diperoleh :

log1/CMIC = 0.415log P + 0.031HE + 2.940

n = 12; r = 0.951; s = 0.010; F = 42.21 (2)

Peneliti menegaskan bahwa penambahan parameter lain sebagai parameter tambahan

bagi logP dan HE tidak secara signifikan meningkatkan koefisien korelasi.
 Dari kedua persamaan yang diperoleh di atas, peneliti dapat menyimpulkan bahwa
lipofilitas (logP) berpengaruh kuat terhadap aktivitas antibakteri senyawa turunan benzimidazole.
Lipofilitas juga berperan penting dalam aktivitas farmakologi lainnya. Hal ini sesuai dengan teori
yang dikemukakan oleh Meyer dan Overton. Teori ini mengatakan bahwa logP merupakan
parameter hidrofobik yang tidak hanya penting untuk penetrasi dan distribusi obat, melainkan
penting juga untuk interaksi obat dengan reseptor. Karenanya, peneliti menyarankan bahwa logP
adalah parameter yang harus sangat diperhatikan dalam perancangan agen antibakteri, karena
logP merupakan faktor penentu bagi aktivitas agen antibakteri tersebut.

Untuk pengujian validitas kekuatan model MLR terpilih (persamaan 2), peneliti
menggunakan metode Leave-One-Out (LOO). Model MLR tersebut divalidasi oleh beberapa
perhitungan parameter statistik sebagai berikut : jumlah residu prediksi kuadrat (PRESS), jumlah
total deviasi kuadrat (SSY), koefisien korelasi yang divalidasi silang (r2CV), dan koefisien
korelasi yang disesuaikan (r2adj). Hasil validasi menggunakan metode LOO disajikan pada table
berikut :

Model PRESS SSY PRESS/SS SPRESS r2CV r2adj

Y
2 0,1644 0,9417 0,1746 0,1170 0,8254 0,8822
Tabel 4. Parameter-parameter validasi silang

Peneliti mengatakan bahwa PRESS merupakan parameter validasi yang penting karena
merupakan perkiraan yang baik dari kesalahan prediksi nyata pada model MLR. Nilai PRESS
yang lebih kecil dari nilai SSY menunjukan bahwa model MLR memprediksi dengan baik dan
secara statistik dianggap signifikan. Selanjutnya, model QSAR yang rasional harus memiliki
rasio PRESS/SSY yang lebih rendah dari 0,4. Rasio PRESS/SSY yang tersaji pada table (4)
menunjukan angka 0,1746 yang artinya model QSAR yang terpilih adalah rasional. Sedangkan
nilai r2CV dan r2adj adalah parameter penting untuk kualifikasi model QSAR (2) sebagai model
yang terbaik.

Namun cara satu-satunya untuk mengukur keuatan prediksi sebenarnya dari model
menurut peneliti adalah dengan cara menghitung nilai log1/CMIC eksperimental dengan nilai
log1/CMIC prediksi menggunakan model / persamaan (2). Hasil perhitungan tersebut disajikan
pada table berikut :
 Senyawa Log(1/CMIC) eksperimental Log(1/CMIC) prediksi Selisih / Residu
1 4,602 4,669 -0,067
2 4,637 4,672 -0,035
3 4,609 4,949 0,115
4 4,328 4,332 -0,004
5 4,278 4,169 0,109
6 4,314 4,179 0,135
7 3,981 4,008 -0,027
8 3,704 3,837 -0,133
9 4,627 4,643 -0,016
10 4,659 4,637 0,022
11 4,333 4,476 -0,143
12 4,352 4,305 0,047
Ampicillin 4,446 - -
Gentamicin 5,787 - -
Tabel 5. Perbandingan nilai log(1/CMIC) eksperimental dengan log(1/CMIC) prediksi

Data di atas menunjukan bahwa hasil eksperimental dengan hasil prediksi menggunakan
model (2) memiliki kedekatan satu sama lain, ditandai dengan nilai residu yang kecil. Hal ini
menunjukan bahwa model (2) memiliki prediktabilitas yang baik. Gambar di bawah ini
menunjukan plot regresi linier dari nilai aktivitas antibakteri senyawa turunan benzoimidazole
yang diperoleh dari hasil eksperimental dengan hasil prediksi menggunakan model QSAR (2) :
 Gambar 2. Plot nilai aktivitas antibakteri senyawa benzoimidazole secara prediksi
menggunakan model (2) terhadap nilai eksperimental

Untuk menyelidiki adanya kesalahan sistematis dalam pengembangan model QSAR,

peneliti memplotkan residu dari nilai prediksi aktivitas antibakteri terhadap nilai-nilai
eksperimental, seperti yang ditunjukan pada gambar berikut :

Gambar 3. Plot nilai residu terhadap nilai log(1/CMIC) eksperimental

Dari gambar di atas terlihat bahwa perambatan residu di kedua sisi adalah nol,
menunjukan bahwa tidak ada kesalahan sistemik. Hal ini menunjukan bahwa model QSAR ini
dapat diterapkan untuk meprediksi aktivitas antibakteri dari senyawa dalam kelas turunan
benzoimidazole.
4. KESIMPULAN DAN SARAN
a) Kesimpulan
Dari hasil penelitian yang tertuang dalam jurnal, kami menyimpulkan bahwa senyawa
turunan 1-benzilbenzimidazole efektif menghambat pertumbuhan bakteri gram (-) Pseudomonas
aeruginosa secara in vitro. Pemodelan molekul dan analisis QSAR dilakukan untuk menemukan
efek kuantitatif dari struktur molekul senyawa terhadap aktivitas antibakterinya. Model
matematika yang akurat dikembangkan untuk memprediksi aktivitas antbakteri beberapa
senyawa turunan benzoimidazole. Validasi model telah dilakukan oleh penentuan parameter
statistik yang sesuai. Terdapat kesesuian antara nilai aktivitas antibakteri senyawa turunan
benzimidazole secara eksperimental dengan prediksi yang diperoleh melalui model QSAR yang
dikembangkan. Residu yang rendah dan nilai r2CV yang tinggi menunjukan kemampuan prediksi
yang baik dari model QSAR yag dikembangkan. Aktivitas antibakteri dari serangkaian senyawa
turunan 1-benzilbenzimidazole berhasil dimodelkan menggunakan berbagai deskriptor
molekuler. Pemodelan tersebut menyimpulkan bahwa pengaruh kuat lipofilitas (logP) sangat
penting untuk aktivitas antibakteri dan parameter tersebut biasanya berkaitan dengan aktivitas
penghambatan.

b) Komentar dan Saran

Penulisan jurnal yang kami resume terkesan sederhana namun sangat jelas sehingga
mudah difahami. Mulai dari latar belakang penelitian hingga kesimpulan akhir tertulis dengan
sangat jelas. Penulis menuangkan hasil penelitian melalui penyajian data yang apik. Diskusi hasil
penelitian pun tidak terkesan rumit walaupun penulis mengupas semua hasil penelitian hingga
pada intinya. Saran dari kami agar penulis tetap mempertahankan gaya penulisan jurnalnya dan
harapan kami agar penulis tidak berhenti melakukan berbagai penelitian lebih lanjut mengenai
pemanfaatan komputasi di bidang pengembangan obat.

5. PUSTAKA
Podunavac, O Sanja et al., 2011. QSAR Modeling Of Antibacterial Activity Of Some
Benzimidazole Derivatives. Chemical Industry & Chemical Engineering Quarterly Volume 17 (1)
33−38.