Dosen Pengampu :
Rahmawati Raising, M.Farm-Klin., Apt
Oleh :
Dian Yuliana (201708038)
S1 FARMASI 5B
1
PERANCANGAN OBAT BERBANTUAN KOMPUTASI
A. PENDAHULUAN
Proses penemuan dan mendesain obat baru merupakan proses panjang dan
kompleksyang dapat memakanwaktu bertahun – tahun, secara rata – rata 10-15
tahun dan biaya yang tinggi sebelum mencapai ke konsumen. Hal ini menjadi
tantangan bagi peneliti dalam strategi dan upaya efektif dan ekonomisdalam
penemuan obat. Akhir – akhir ini penemuan dan pengembangan obat
menggunakan teknik komputasi telah meningkat kegunaanya untuk meningkatkan
efisiensi obat.
Metode in vitro dan in vivo lazin digunakan dalam proses penemuan obat.
Metode terbantukan computer (Computer-Assisted Drug Design, CADD) atau
desain molekuler terbantukan (Computer –Assisted Molecular Design, CAMD)
sudah tidak langka lagi bagi para peneliti dalam riset industry farmasi. Computer
menawarkan metode in silico suatu metode yang menggunakan kemampuan
computer dalam perancangan obat sebagai komplemen dari in vitro dan in vivo.
Kemampuan komputasi yang meningkat secara eksponensial merupakan peluang
mengembangkan simulasi dan kalkulasi dalam merancang obat baru. IUPAC
memberikan pengertian kimia komputasi sebagai disiplin ilmu yang menggunakan
metode matematika untuk menghitung sifat molekuler atau untuk menstimulasi
kelakuan system molekuler.
Perancangan CAMD atau CADD atau in silico digunakan untuk
mempercepat da mempermudah identifikasi hit, seleksi hit-to-lead,
2
mengoptimalkan absorpsi, distribusi, metabolisme, ekskresi, profil toksisitas, dan
menghindari masalah keamanan efek samping obat. Tujuan dari CADD adalah
untuk mengidentifikasi dan merancang molekul kecil yang memiliki efek terapi
klinik dan efisien dan efektif. Berbagai metode komputasi telah dievaluasi sebagai
strategi yanag menjajikan tergantung kegunaan dan system yang diinginkan
sehingga pendekatan CADD digunakan secara luas dalam mengakselerasi proses
penemuan dan pengembangan yang murah dan cepat. CADD merupakan metode
terbaru yang merupakan kombinasi terbaru model matematika dan simulasi
menggunakan perangkat lunak simulasi sebagai kesatuan dalam system. Molekul
mekanik (MM) dan mekanika kuantum (QM) merupaka metode popular yang
digunakan dalam CADD. QM dan MM digunakan untuk menghitung interaksi
antara ligan protein dalam CADD. Aplikasi dari kombinasi QM-MM merupaka
perangkat lunak yang sangat berguna untuk menguraikan fenomena antar muka
antara disiplin kimia dan biologis dalam komputasi.
Jika struktur protein tidak diketahui namun ligan diketahui, maka metode
yang digunakan adalah LBDD, seperti Hubungan Kuantitatif Structur dan
aktivitas (HKSA) dan pemodelan farmakofor.
3
Metode de novo digunakan secara praktis ketika ligan tidak diketahui
namun target diketahui strukturnya. Perancanan ligan de novoakan dapat diuji
untuk berbagai struktur dalam waktu cepat dan me-rangking energibebas dari
yang terkecil hingga yang terbesar secara akurat, hingga didapatkan metode ikatan
yang actual seperti halnya eksperimen.
Satu dari perangkat metod LBDD yang angat popular 15tahun terkhir
adalah penapian maya atau dikenal dengan virtual screening(VS). kedua metode
yakni LBDD dan SBDD merupakan teknologi yang powerfull yang dapat
diaplikasikan pada VS untuk mengidentivikasi dan mengoptimalkan senyawa
4
pemandu. VS merupakan perangkat baru dalam penemuan obat yang memiliki
kecepatan akselerasi dan mereduksi biaya proses penemuan dan pengembangan
obat baru di industry farmasi.
B. PENGGOLONGAN
1. Ligan Based Drug Design (LBDD)
2. Structure Based Drug Design (SBDD)
3. Fragmen Based Drug Design (FBDD)/de Novo Drug Design
4. Dasar-dasar Pemodelan Farmakofor
5. Simulasi Penambatan Molekuler
6. Simulasi Dinamika Molekuler
7. Perancangan obat metode de novo
5
C. DASAR-DASAR PEMODELAN FARMAKOFOR
Setelah itu satu seri mlekul diselaraskan dan ditumpangkan pada titik-titik
tertentu kemudian farmakofor dibuat dengan dihubungkan dengan sisi aktif target
6
yang sama dan selanjudnya jarak rata-rata dengan superposisi antarfitur
diturunkan dalam scoring Fit Value atau nilai kesesuaian antarfitur. Hubungan
spesian antar fitur farmakofor dapat dinyatakan sebagai jarak, sudut, dan torsi.
Tiga dimensi (jarak, sudut, dan torsi) fitur farmakofor dapat menggambarkan sifat
dari titik geometris untuk jenis interaksi dengan reseptor. Jenis farmakofor terdiri
dari hidrofobik,aromatic, akseptor ikatan hydrogen, donor ikatan hydrogen, ion
positif, dan ion negative. Kualitas pemetaan antara ligan terhadap farmakofor
ditunjukan oleh nilai fit value. Semakin tinggi fit value mempresentasikan
semakin cocok ligan pada posisi fitur-fitur farmakofor.
7
Teknik ini merupakan metode penemuan obat untuk menemukan fitur-fitur
penting yang muncul dalam mengikat reseptor target.
8
kumpulan molekul terpilih pada konfigurasi tertentu, sehingga kita akan tahu
berapa banyak molekul dapat dipetakan sepenuhnya atau sebagian dalam
farmakofor.
Resultan jarak antarfitur merupakan skor yang didasarkan bagaimana
molekul tersebut terpetakan dengan baik pada model farmakofor. Senyawa paling
aktif akan dipetakan pada semua fitur-fitur dnegan skorn tertinggi. Fit value
direpresentasikan sebagai skor kualitas dari pemetaan molekul terhadap fiturnya
dalam suatu model farmakofor. Skor tertinggi fit akan dimiliki oleh suatu molekul
yang gugus fungsinya memiliki superimposition (tumpang tindih) terbaik
terhadap fitur-fitur kimia dari suatu model farmakofor. Fungsi scoring fit
diperoleh dari persamaan :
9
Saat ini, Accelrys telah mengintegrasikan Catalyst dalam perangkat lunak
Discovery Studio,HipHop dijalankan menggunakan kolom MaxOmitFeat dan
Principal,. Nilai konversi penetapan suatu senyawa aktif atau nonaktif diletakkan
pada kolom Principal dan nilai berapa banyak fitur kimia yang tidak terselaraskan
10
oleh molekul aktif ditulis dalam kolom MaxOmitFeat. Nilai MaxOmitFeat
merepresentasikan jumlahfitur-fitur farmakofor yang terpetakan atau terselaraskan
oleh setiap molekul. Nilao “0” artinya bahwa semua gugus atau bagian molekul
diasumsikan terpetakan oleh semuafitur-fitur farmakofor. Nilai “1” menyatakan
mengizinkan 1 fitur tidak terpetakan dan “2” mengizinkan 2 fitur tidak terpetakan
oleh molekul. Nilai “2” pada kolom Principal memastikan bahwa senyaa tersebut
aktif dengan memetakan semua fitur oleh gugus-gugus fungsi molekul tersebut.
Nilai “1” mengatur bahwa fitur-fitur ini akan mempertimbangkan tidak terpetakan
sedikitnya satu fitur. Nilai “0” artinya mengizinkan senyawa tersebut diabaikan
untuk masuk pada fitur-fitur kimia. Senyawa dengan nilai 2 pada kolom Principal
dapat dinyatakan sebagai senyawa yang paling aktif, nilai 1 aktif menengah, dan 0
tidak aktif,
Pada fase ini pencarian konformasi sangat penting dalam memiliki dan
membagi training set. Training set dibagi menjadi 3 kategori, yaitu : sangat aktif,
11
moderat aktif, dan tidak aktif. Kategori sangat aktif dihitung berdasarkan
persamaan
Keterangan :
Senyawa dipertimbangkan tidak aktif jika berada pada diatas nilai MA.
12
Dalam fase optimasi, alogaritme simulasi annealing digunakan untuk
menerapkan kekuatan prediksi dari hipotesis. Meningkatkan skor dapat dicoba
dengan menerapkan small perturbartion dalam algoritme ke farmakofor yang
dibuat. Dalam tahap akhir dari fase optimasi, uji tambahan kuantitatif Occam’s
razor dipilih untuk menyederhanakan model yang lebih akurat dalam
mengestimasi aktivitas dengan benar dan akurat.
Dan saat persamaain ini digunakan untuk prediksi, nilai P diambil dari –lnP
seperti yang ditunjukkan pada persamaan 7,8:
13
Dimana π dan σ adalah parameter konstanta yang dihasilan dari nilai weight dan
error. X adalah deviasi nilai perkiraan dari weight dan error. Konfigurasi
komponen disebut sebagai konstanta cost. Nilai ini tergantung pada kompleksitas
hipotesis yang setara dengan entropi dari hipotesis. Konfigurasi dalam Hypogen
seharusnya tidak lebih dari 17.0.
Hypothesis Cost
Nilai cost hipotesis diukur dari total tiga faktor yaitu : cost weight, cost error,
dan cost konfigurasi (diset dengan nilai koefisien 1.0 untuk setiap cost) yang
ditujukan pada persamaan 7.9:
Cost = eE + eW + eC...................... (7.9)
Dimana nilai e, w dan c adalah koefisien yang berhubungan dengan
komponen error (E), weight (W) dan konfigurasi (C) yang diset sama dengan 1.0.
14
4. Training set
Turunan dalam suatu molekul yang aktivitas biologis dikenal dikumpulkan
dari berbagai refernsi sebagai training set. Informasi dari treaining set harus jelas
dan ringkas mengacu pada validitas literatur, karena jika training set berisi
informasi yang cukup, model yang dihasilkan mungkin tidak valid. Beragam data
aktivitas (4-5 urutan besarnya) diminta oleh alogaritme untuk mengkategorikan
senywa aktif dan tidak aktif (li et al, 2000). Konformasi dari anggota training set
penting dalam pengembangan model farmakofor, oleh karena itu setiap molekul
dalam training set akan diwakili oleh sekumpulan konformasi dengan energi yang
rasional (maksimal 256). Ini berarti bahwa diatas 256 dari konformasinta secara
kaurat merupakan konformasu yang kurang baik (li et al, 2000).
Tahap awal dalam membuat traonig set, setiap anggota training set dibuat
berdasarkan struktur yang benar dari komponen yang berbeda seperti kovalen
atom, ikatan yang benar dan aromatusitas yang hartus dipertimbangkan secara
hati-hati dan juga stereokimia benarpelu ditambahkan perlakuan pada stereokimia
yang tepat. Beberape perangkat lunak seperti hyperchem 7.0 (hypercube, 2002)
insigh ii (accelrys insigh ii san diego, ca) atau chem3d (sepaket dalam chemoffice
, chambridgesoft, chambridge, uk) dapat digunakan untuk hal ini. Setelah itu
senyawa yang telah dibuat dan disimpan menggunkan formar yang ada seperti
smiles, mol, sd atau mol2. Format ini dapat digunakan dalam produksi farmakofor
(poptodorov et al 2005).
Tahap kedua, anggota training set diseleksi dengan kuat berdasrkan fitur
kimia yang dihasilkan daro hiphop atau fase konstruktif. Training set dibagi tiga
kriteria yaitu paling aktif, moderat aktif, dan tidak active yang pemilihannya
berdasarkan persamaan 7.8 dan 7.9 dan juga berdasarkan berapa banyak fitur
kimia yang tidak ada seperti halnya fitur-fitur yang muncul pada senyawa paling
aktif (hiphop).
15
menyatakan bahwa pengukuran kuantitatif 3d (hypogen) yang molekulnya telah
dihimpitkan dilakukan hasil pengukuran kualitatif (hiphop) jika (a) energi
regangan dari setiap molekul kecil; (b) memiliki bentuk yang mirip; (c) atom atom
aromatiknya saling tumpang tindik; (d) atom-atom yang donornya tumpang tindih
; dan (e) atom-atom akseptornya tumpang tindih.
16
untuk memprediksi sifat-sifat statik maupun dinamika yang diturunkan secara
langsung dari interaksi di tingkat atom atau molekul. (Hospital et al. 2015).
Tujuan utama dari simulasi dinamika molekuler, yaitu :
a. Menghasilkan trejektori molekul dalam jangka waktu terhingga
b. Menjadi jembatan antara teori dan hasil eksperimen
c. Memungkinkan para ahli kimia untuk melakukan simulasi yang tidakbisa
dilakukan dalam laboratorium.
17
simulasi, maka semakin realistis hasil yang diperoleh tetapi biaya komputerisasi
akan semakin mahal.
Secara garis besar, sorotan studi dinamika molekul ada dua yaitu model
energi potensial dan mode algoritme dan metode numerik. Penentuan model
energi potensial bertujuan untuk mengatur hubungan antar-atom atau molekul
yang saling berinteraksi dalam sistem. Berdasarkan model inilah, maka gaya-gaya
yang memengaruhi dinamika sistem dapat ditentukam. Adapun sorotan yang ke
dua adalah menentukan alogoritme dan metode numberik yang paling tepat dan
efisien dalam pemecahan persoalan dinamika yang kompleks (Rochevlave al.,
2002)
18
Hukum Newton ini meberikan konsekuensi hukum kekekalan momentum.
Dalam sistem-sistem molekul dapat berubah-ubah akibat interaksi satu sam lain,
namun momentum total tidak akan berubah.
GPU telah menjadi trobosan besar dalam stimulasi. Awalnya dirancang untuk
menangani grafis komputer, GPU telah berkembang menjadi tujuan umum,
sepenuhnya diprogram, prosesor berkinerja tinggi dan merupakan perbaikan
teknis uama untukmelakukan MD atomistik. Kebanyakan stimulasi MD disiapkan
menggunakan GPU, dan bahkan simulasi MD ditulis secara khusus menggunkan
GPU telah dikembangkan (ACMD61). Simulasi menggunakan multi GPU sendiri
dan kombinasidengan MPI, pada saat ini, digunakan High Perfformance
Computer(HPC) hingga kinerja simulasi semakin cepat (Hospital et al., 2015;
Schann et al,. 2001)
Skema tahapan simulasi dinamika molekuler dapat dilihat pada gambar 7.16
19
Simulasi dinamika dapat dilakukan dengan beberapa langkah berik. :
1. Pengembangan model
Pengembangan model harus dilakukan sebagai persiapan simulasi
dinamika molekul. Model dapat diperoleh dari teori atau ekperimen. Model
antara sistem dan lingkungan dibutuhkan jika sistem tidak terisolasi. Interaksi
antara sistem dan lingkungan digunakan untuk pengendalian temperatur sistem
dan oengendalian tekanan sistem.
2. Simulasi dinamika molekul
Tahap simulasi dilakukan dengan penghasilan trajektori molekul-molekul
dalam simulasilalu dilakukan analisis secara bersama atau setelah simulasi.
20
parameter yang digunakan dalam program. Lalu dilanjutkan dengan
menyiapkan inisial konfigurasi agar diperoleh hasil.
DAFTAR PUSTAKA
21