PENDAHULUAN
A. Latar Belakang
Saat ini penambatan molekuler sangat dominan penggunaannya dalam CADD untuk
mengidentifikasi dan merancang molekul kecil dan memprediksi interaksi pada sisi aktif
selama proses penemuan obat menggunakan metode QM/MM. Ada empat metode yang
digunakan dalam CADD, yaitu penapisan acak, ligand-based drug design (LBDD),
structure-based drug design, de novo design (SBDD) dan blind design. Jika struktur
protein tidak diketahui namun ligan diketahui, maka metode yang digunakan adalah
LBDD, seperti hubungan kuantitatif struktur dan aktivitas (HKSA) dan pemodelan
farmakofor.
Serangkaian ligan yang diketahui memiliki aktivitas farmakologi atau bioaktivitas
menjadi kunci penting dalam metode LBDD, karena ligan-ligan ini akan menghasilkan
suatu model melalui bantuan teknik komputasi termasuk QSAR, pemodelan farmakofor
dan koleksi database. Pengambilan struktur ligan 3D dari data base harus memiliki
kemiripan struktur secara 2D dan aktivitas pada target dan metode assay yang sama untuk
dapat menghasilkan model yang valid dan baik. Namun pencarian fleksibilitas konformasi
dari struktur 3D yang terbaik hingga mendekati struktur nyata menjadi masalah utama
dalam pemodelan LBDD. Oleh karena itu, perlu perangkat lunak terbaik dan sesuai dalam
mengoptimasi energi struktur 3D untuk mencari konformasi terbaik.
Ada beberapa contoh program komputasi yang dapat digunakan dalam desain obat
baru, salah satu contohnya ialah software Ligandscout. Software ini berbasis pada operasi
sistem Linux. Cara kerja Ligandscout ialah pembuatan farmakofor suatu kompleks ligan-
protein.
Model farmakofor berguna untuk merancang struktur dan untuk mengidentifikasi
Binding situs. Ligan berbasis metode hanya menggunakan informasi ligan untuk
memprediksi aktivitas tergantung pada tingkat keasamannya/ perbedaan ligan aktif
sebelumnya diketahui. Hal ini bergantung pada pengetahuan tentang molekul lain yang
mengikat target biologis yang menarik, yang dapat digunakan untuk mendapatkan model
farmakofor yang akan menentukan karakteristik struktural minimum yang diperlukan
molekul harus memiliki untuk mengikat target.
Farmakofor atau pharmacophore adalah serangkaian fitur structural dalam molekul
yang ditujukan di reseptor dan bertanggung jawab untuk aktivitas biologis molekul.
Farmakofor merupakan langkah awal untuk memahami interaksi antara reseptor dan ligan.
Dengan tidak adanya struktur reseptor dikenal, farmakofor dapat diidentifikasi dari suatu
sel ligan yang telah diamati untuk berinteraksi dengan reseptor sasaran. Sebuah farmakofor
didefinisikan sebagai susuanan 3D fitur yang sangat penting untuk molekul ligan untuk
berinteraksi dengan reseptor target dalam situs pengikatan tertentu. Setelah diidentifikasi,
farmakofor dapat berfungsi sebagai model penting untuk screening virtual, terutama dalam
kasus dimana struktur 3D dari reseptor tidak diketahui dan teknik docking yang tidak
berlaku.
Farmakofor merupakan posisi geometrik tiga dimensi dari gugus-gugus yang terdapat
di dalam suatu ligan yang membentuk suatu pola yang unik yang dapat dikenali oleh
reseptor secara spesifik yang bertanggung-jawab terhadap proses pengikatan ligan dengan
suatu reseptor dan aktivasi reseptor tersebut. Dua metode yang saling melengkapi dalam
penggunaan komputer sebagai alat bantu penemuan obat, adalah ligand-based drug design
(LBDD) yaitu rancangan obat berdasarkan ligan yang telah diketahui, dan structure-based
drug design, de novo design (SBDD) yaitu rancangan obat berdasarkan struktur target yang
didasarkan pada struktur target reseptor yang bertanggung jawab atas toksisitas dan
aktivitas satu senyawa di dalam tubuh.
B. Rumusan Masalah
Rumusan masalah pada makalah ini, yaitu :
1. Apa yang dimaksud dengan pemodelan farmakofor ?
2. Bagaimana pemodelan farmakofor berbasis ligan dan struktur ?
3. Bagaimana prosedur pemodelan farmakofor ?
C. Tujuan
Tujuan pada makalah ini, yaitu :
1. Untuk dapat mengetahui pengertian pemodelan farmakofor.
2. Untuk dapat mengetahui pemodelan farmakofor berbasis ligan dan struktur.
3. Untuk dapat mengetahui prosedur pemodelan farmakofor.
D. Manfaat
Manfaat pada makalah ini, yaitu :
1. Agar mahasiswa dapat mengetahui pengertian pemodelan farmakofor.
2. Agar mahasiswa dapat mengetahui pemodelan farmakofor berbasis ligan dan struktur.
3. Agar mahasiswa dapat mengetahui prosedur pemodelan farmakofor.
BAB II
PEMBAHASAN
A. Konsep Farmakofor
Penemuan obat rasional sangat interdisipliner dan merupakan salah satu yang luar
biasa tantangan, selain sangat sulit dan mahal. Proses mendesain obat baru membutuhkan
investasi kira-kira 14 tahun dari waktu dan biaya setinggi 1 miliar USD. Seiring dengan
HTS yang berkembang pesat dan kombinasi teknologi kimia, strategi desain obat
berbantuan komputer (CADD) juga berkontribusi secara efektif untuk mempercepat dan
menghemat proses pengembangan obat. Berbagai macam aplikasi CADD digunakan
hampir di semua tahap awal dari jalur penemuan obat, mulai dari identifikasi target, target
prediksi struktur, penyaringan klik awal untuk penentuan prioritas dan optimalisasi
memimpin dan memahami hubungan struktur-properti mereka. Jung dkk. (2018) telah
bekerja dalam teknik CADD yang canggih seperti pemodelan homologi, simulasi dinamika
molekul, QSAR, docking molekul, pemodelan farmakofor, skrining virtual dan
cheminformatika sejak lebih dari satu dekade.
Salah satu aplikasi dasar cheminformatics adalah mengembangkan program yang
menyimpan, mengelola, dan mengambil struktur molekul diberbagai format, sifatnya yang
dihitung/eksperimental dan bioaktivitasnya. Cheminformatika juga melibatkan komputasi
sidik jari dan descriptor berdasarkan pada struktur molekul yang memberi label sifat
fisikokimia dan dapat digunakan sebagai filter skrining. Deskriptor molekuler ini dikenal
aktif molekul juga dapat digunakan untuk mengembangkan struktur-aktivitas / properti
kuantitatif Model hubungan (QSAR / QSPR) untuk memprediksi aktivitas penghambatan
atau toksisitas senyawa-senyawa baru dan memberikannya dalam silico tanpa melakukan
uji in vitro dan in vivo yang mahal. Docking dan simulasi memprediksi mode pengikatan
tiga dimensi dari molekul tertentu di situs pengikatan reseptor makromolekul (protein /
DNA), dan afinitasnya dinilai secara kuantitatif dengan skor docking. Teknik ini tidak
hanya terbukti sangat bermanfaat mempelajari interaksi reseptor-ligan tetapi juga
digunakan sebagai alat yang populer secara virtual menyaring pustaka senyawa untuk
mendapatkan hit atau untuk mengidentifikasi target untuk molekul oleh rekayasa terbalik.
Sejumlah besar studi dari kelompok Jung dkk. (2018) miliki berfokus pada penerapan
teknik-teknik ini ke sejumlah besar target obat seperti fosfodiesterase, kinase, protease
HIV, transcriptase dan Mtb cyclopropane synthases. Jung dkk. (2018) juga telah memulai
pengembangan portal Web penyakit tertentu (tuberkulosis), mengintegrasikan semuanya
teknik ini, yang akan sangat membantu bagi para peneliti yang bekerja di bidang penemuan
obat Mtb. Pemodelan farmakofor adalah salah satu sub-bidang CADD yang sangat berguna
dengan beragam struktur dan aplikasi berbasis ligan. Seperti docking, salah satunya
aplikasi dasar model pharmacophore adalah skrining virtual, tetapi pada banyak hal
kecepatan lebih cepat dibandingkan dengan docking. Pendekatan ini juga bisa diterapkan
melengkapi dengan studi docking dan QSAR. Banyak penelitian menggunakan model
farmakofor untuk identifikasi target / off-target juga.
Farmakofor adalah ligan yang aktif secara biologis dengan posisi geometri 3D (tiga
dimensi) dari sebuah grup atau atom molekul obat yang dapat berikatan dengan reseptor
atau ligan yang dikehendakinya, daerah ini disebut (pusat farmakoforik) dari ligannya.
Farmakofor mempunyai susunan formasi yang unik sehingga dapat dikenali oleh reseptor
atau ligannya. Istilah farmakofor digabungkan dengan struktur dan aktivitas atau yang
biasa disebut dengan “struktur istimewa”. Struktur istimewa dapat menggambarkan
substruktur yang dapat memberikan aktivitas tehadap dua target atau lebih.
Model farmakofor dapat dilihat sebagai gambaran dari kumpulan atau beberapa feature.
Elemen farmakofor atau biasa disebut dengan feature adalah sekelompok atom yang
memiliki ikatan hydrogen pendonor atau cincin aromatik secara umum yang dapat
mengaktivasi suatu senyawa dengan memiliki respon tehadap protein target dan esensial
untuk aktivitas suatu senyawa.
Suatu senyawa dapat dinalaisis dengan menggunakan perangkat lunak (software) untuk
mendapatkan petunjuk gambar 3D pada daerah yang dianalisis. Terdapat tiga domain yang
digunakan dalam pemodelan farmakofor pada desain obat di komputer. Domain yang
pertama merupakan definisi feature farmakofor bersangkutan pada molekulobat yang
diperlukan untukdiperolehnya efekbiologis dan untuk menentukan HKSA. Pemodelan
farmakoforlebih cenderung pada dimensi rongga pengikatan reseptor, digunakan untuk
mendesain senyawa baru dan molekul yang lebih aktif. Pemodelan farmakofor sperti ini
merupakan titik awal untuk analisis 3D-HKSA. Domainyang kedua adalah loncatan
rangka, mendeteksi molekul dengan rangka yang bereda (chemotypes yang baru) dengan
virtual skrining kumpulan senyawa yang besar. Domain yang ketiga adalah menggunakan
skrining paralel berbasis farmakoforuntuk prediksi profilfarmakologi struktur induk in
silico. Dengan menggunakan fingerprints farmakofor, diharapkan untuk memprediksi efek
samping yang tidak diinginkan pada tahap yang paling awal pada proses penemuan obat
dan oleh karena itu, mengurangi resiko kegagalan kandidat obat (Wermuth, 2008).
Istilah 'pharmacophore' telah memperoleh popularitas yang sangat besar di bidang obat
kimia paralel dengan studi hubungan-aktivitas-struktur-dibantu komputer. Di 1909, Ehrlich
memberikan definisi pengantar farmakofor, oleh menggabungkan kata-kata or phoros
’yang berarti membawa dan‘ pharmacon ’yang berarti obat. Karenanya, farmakofor adalah
‘kerangka kerja molekul yang membawa fitur-fitur penting bertanggung jawab atas
aktivitas biologis obat '. Sejak itu, banyak kelompok memiliki mengaitkan berbagai
definisi dan makna dengan istilah ini berdasarkan keilmuannya latar belakang dan
pandangan penelitian. IUPAC secara resmi mendefinisikan model farmakofor sebagai
Ensembel fitur sterik dan elektronik yang diperlukan untuk memastikan yang optimal
interaksi supramolekul dengan target biologis spesifik dan untuk memicu (atau memblokir)
nya respon biologis. Namun, penelitian dan pengembangan selama seabad telah meluas
makna dan aplikasi secara signifikan. Karena cara mereka menangkap dan mewakili fitur
kimia senyawa, model farmakofor menarik perhatian komunitas kimia obat dalam
beberapa tahun terakhir sebagai alat untuk menyaring data cig (kimia). Setelah pemberian,
ketika obat / kecil molekul memasuki tubuh manusia, ia menemukan ribuan protein
(reseptor, transporter, pembawa, protein plasma, dll) untuk berpotensi berinteraksi. Tetapi
memilih untuk mengikat hanya pada protein (target) di mana situs protein aktif dan obat
memiliki bentuk / ukuran yang kompatibel dan interaksi protein-obat penuh semangat baik.
Demikian pula, ukuran / volume / bentuk dan fitur kimia residu melapisi saku yang
mengikat menentukan jenis molekul kecil mana yang dapat diikatnya. Oleh karena itu,
ukuran yang tepat, bentuk yang benar dan fitur kimia pelengkap adalah faktor kunci untuk
pengenalan protein-obat untuk memicu efek biologis. Itu konsep sentral farmakofor
didasarkan pada persepsi bahwa molekul pola interaksi sekelompok senyawa dengan target
biologis mereka dapat dikreditkan ke set kecil fitur umum yang melengkapi fitur kimia
yang ada di saku jilid target. Fitur umum termasuk ikatan hydrogen (HB) donor, akseptor
HB, kelompok bermuatan (positif dan negatif), hidrofobik situs dan cincin aromatik, yang
digunakan sebagai fitur kimia di farmakofor model oleh sebagian besar program. Beberapa
program menetapkan beberapa tambahan fitur seperti ‘volume eksklusi’ yang mewakili
kendala sterik. Fitur-fitur ini umumnya meniru lingkungan sterik dari kantong yang
mengikat untuk menghindari bentrokan senyawa yang dipetakan dengan permukaan
protein. Model farmakofor terdiri dari penataan ruang yang berbeda dari fitur-fitur ini yang
menunjukkan bahan kimia fungsi molekul kecil yang aktif. Alih-alih atom / kelompok
fungsional nyata, model pharmacophore menekankan fitur kimia dari ligan / protein-ligan
kompleks, menjadikannya alat yang lebih baik dan cepat untuk mengenali kesamaan
molekul.
Interaksi residu situs aktif terkait telah ditunjukkan. Representasi warna untuk
fitur-fiturnya sama dengan Gambar. Dataset 1 dan senyawa tidak aktif 1398 Mtb yang
dilaporkan dalam database CHEMBL (berat molekul berkisar dari 180 hingga 400,
jumlah atom berat mulai dari 12 hingga 27, mirip dengan SAM / SAHC dan 23
inhibitor) digunakan sebagai data set negatif. Struktur molekul ini diminimalkan
energi dan lima konformer energi terendah dipilih untuk masing-masing. Semua
konformasi ini dipetakan ke 41 model e-farmakofor menggunakan opsi 'skrining
farmakofor canggih. Tahap Pengambilan sampel konformasi cepat digunakan selama
layar makarofor, tidak termasuk molekul dengan> 15 ikatan yang dapat diputar.
Molekul, yang dapat dipetakan ke setidaknya empat situs farmakofor model cach
disaring dan di antara beberapa konformer molekul yang satu dengan skor kecocoka
terbaik (S) yang diberikan oleh persamaan berikutdipertahankan untuk setiap senyawa.
S adalah ukuran volume yang tumpang tindih dan tingkat kesesuaian sifat kimia dan
arah fitur farmakoforik dengan fitur pelengkap yang sesuai dari molekul.
S = Wsite (1 - Salign / Calign) + Wvec Svec + Wvol Svol + Wivol Sivol
di mana Wsite = (1- Salign / Calign), Salign = skor keselarasan, Calign = keselarasan
potongan , Svec = skor vektor, Wvec = berat dari skor vektor, Svol (Vcommen /
Vtotal) = skor volume, Wvol = bobot skor volume, Sivol = skor volume muatan.
Penjelasan terperinci dari komponen-komponen skor kecocokan diberikan dalam
referensi 47. Volume dihitung dengan menggunakan model van der Waals dari semua
atom kecuali hidrogen non-polar, dan Wivol adalah bobot skor volume. Calign, Wsite
Wvec Wvol dan Wivol digunakkan parameter yang dapat disesuaikan pengguna,
dengan nilai default masing-masing 1,20, 1,00, 1,00, 1,00 dan 0,0.
Analisis mengenai hit yang diperoleh dari skrining farmakofor ini menunjukkan
bahwa sebagian besar model yang dikembangkan dari kompleks CmaAl yang
diperoleh dari lintasan MD mampu menyaring hingga 17 inhibitor yang dilaporkan
(dari 23), sedangkan model yang dikembangkan dari struktur kristal dapat menyaring.
hanya satu inhibitor. % 3D% 3D.
4) Model Farmakofor Berbasis Ligan Dinamis: Konstruksi dan Validasi
Farmakofor berbasis ligan dinamis dikembangkan untuk kofaktor SAM dan
SAHC mempertimbangkan heterogenitas konformasi mereka di situs pengikatan
CmaA1 sebagai diamati dari lintasan MD dari masing-masing sistem model. Struktur
rata-rata SAM / SAHC dibuat setelah melapiskan konformasi yang diperoleh dari
setiap lintasan menggunakan metode pembobotan yang seragam. Modul fase dari
Schrodinger adalah digunakan untuk membangun model farmakofor berbasis ligan,
masing-masing terdiri dari enam jenis dan 8–11 jumlah fitur kimia tergantung pada
jumlah dan jenis interaksi dengan situs pengikatan CmaA1. Untuk memverifikasi
efisiensi penyaringan model-model ini, dataset positif dari 23 inhibitor CmaA1 dan
dataset negative 1398 non-inhibitor (dataset yang sama digunakan untuk memvalidasi
model berbasis struktur dijelaskan di bagian sebelumnya) disaring terhadap masing-
masing model. Itu model berbasis ligan dibuat menggunakan beberapa konformasi
dari kofaktor yang diperoleh dari lintasan MD dapat menyaring hingga 22 dari 23
senyawa aktif CmaA1 ketika kondisi untuk pencocokan adalah minimum empat fitur
model. Kesempurnaan skor inhibitor yang cocok dengan model farmakofor berbasis
ligan dinamis juga lebih tinggi dibandingkan dengan yang dikembangkan dari
konformasi SAHC terikat pada struktur kristal yang mampu mencocokkan dengan
empat inhibitor CmaA1.
5) Skrining Virtual Berbasis Farmakofor
Setelah model farmakofor berbasis struktur dan ligan terbaik divalidasi,mereka
dipekerjakan sebagai filter dalam alur kerja penyaringan virtual baru yang terdiri dari
empat tingkat pemutaran yang berbeda, yaitu. pemetaan farmakofor berbasis ligan >
pemetaan farmakofor berbasis struktur > docking > farmakokinetik filter properti
(ADMET). Perpustakaan terfokus dari 18.239 molekul dari tiga berbagai sumber
digunakan untuk penelitian skrining virtual Jung dkk. (2018). Sebagai komponen
pertamadari dataset, 6583 obat yang dilaporkan dalam DrugBank dipilih, menargetkan
obatrepurposing. Komponen kedua dari dataset adalah satu set 701 molekulyang
sudah dilaporkan sangat aktif (<1 lM aktivitas) pada sel Mtb / arget dan dianggap
mendapatkan molekul yang mampu bekerja pada beberapa Mtb target termasuk
CmaA1. Bagian ketiga dari dataset, yaitu set 11.089 sangat molekul anti-HIV aktif (<1
lM aktivitas pada garis / target sel HIV) diambil menyaring molekul yang dapat
menghambat Mtb-CmaA1 dan HIV secara bersamaan. Setelah menundukkan tiga
subset molekul ini secara paralel melalui empat penyaringan filter, 12 senyawa
diperoleh sebagai hit potensial anti-CmaA1. Seperti yang dianalisis dari hasil docking
Glide XP, semua hit yang diidentifikasi membuat interaksi yang kuat dengan residu
situs aktif CmaA1 yang penting. Gambar 4 menunjukkan skrining virtual alur kerja
dengan berbagai level filter. Penapisan virtual biasanya merupakan pendekatan yang
sangat teratur yang menggabungkan beragam metode penyaringan komputasional, di
mana pada setiap langkah berturut-turut, kriteria filter menjadi semakin ketat,
sehingga mempertahankan senyawa yang paling menjanjikan untuk percobaan. Saat
langkah-langkah dilanjutkan, pendekatan yang digunakan menjadi lebih menyeluruh
dan mahal secara komputasi. Jadi, karena sifatnya sederhana dan cepat, farmakofor
biasanya diimplementasikan pada awal protokol hierarkis untuk menghilangkan
senyawa yang bahkan tidak memenuhi ruang dan sederhana persyaratan kimia kueri,
sebelum menundukkan pustaka gabungan perhitungan docking yang lebih rumit dan
menuntut komputasi.
Gambar 1. (a) air dan (b) biotin pada sisi aktif streptavidin. Bagaiana molekul airdan
ligan membentuk kontak similar pada permukaan protein.
Target Nomor aktivitas Nomor decoys PDB ID
Acetylcholinesterase (AChE) 107 3892 4EY7
Androgen receptor (AR) 79 2854 1XQ2
Glucocorticoid receptor (GR) 78 2947 1M2Z
Peroxisome proliferator- 85 3127 1ZEO
activated receptor gamma
(PPARγ)
Poly(ADP-ribose) polymerase 35 1351 1EFY
(PARP)
Progesterone receptor (PR) 27 1041 1SR7
Retinoid X receptor alpha 20 750 1MVC
(RXRα)
Tabel 1. Target dan DUD ditetapkan untuk studi pengayaan.
5. Docking molekuler
Himpunan ligan untuk 7 target di-dock ke situs pengikatan masing-masing protein
target dan dengan menggunakan Glide module8 dari suite Schrödinger. Glide
menggunakan kisi untuk skor cepat; modul grid-generation digunakan untuk
menghasilkan grid untuk situs pengikatan setiap protein target. Penskalaan van der Waals
dan parsial cutoff masing-masing ditetapkan 0,8 dan 0,15. Selanjutnya, mode standar
presisi (SP) dan ekstra presisi (XP) Glide digunakan untuk memberi peringkat ligan
dalam urutan skor docking terendah.
Gambar 4. Model farmakofor berbasis ligan dan air dari AR. (a) 7 fitur farmakofor dari
ligan metribolone, AADHHHH, dihasilkan oleh PHASE. (B) 4 fitur farmakofor, DHHH,
dihasilkan dengan metode pembuatan model pharmacophore air. Fitur pharmacophore
diberi nomor untuk membantu identifikasi setiap situs dan diwarnai sebagai berikut:
akseptor ikatan hidrogen (A), merah muda; donor ikatan hidrogen (D), langit biru;
hidrofobik (H), hijau. Untuk memperjelas situs pengikatan AR, permukaan molekul
hanya ditampilkan
Gambar 5. Model pharmacophore berbasis ligan dan air dari PR. (a) 15 fitur farmakofor
dari ligan mometasone furoate, AAAAAADHHHHHHHR, dihasilkan oleh PHASE. (B)
6 fitur farmakofor, ADDHHH, dihasilkan dengan metode pembuatan model
pharmacophore air. Fitur farmakofor diberi nomor untuk membantu identifikasi setiap
situs dan diwarnai sebagai berikut: akseptor ikatan hidrogen (A), merah muda; donor
ikatan hidrogen (D), skyblue; hidrofobik (H), hijau; cincin aromatik (R), oranye. Untuk
memperjelas ikatan situs PR, permukaan molekul hanya ditampilkan.
Gambar 6. Model farmakofor berbasis ligan dan situs hidrasi RXRα. (a) 10 fitur
farmakofor dari ligan BMS649, AAHHHHHNRR, dihasilkan oleh PHASE. (B) 9 situs
hidrasi yang dihasilkan oleh Simulasi MD dan analisis situs hidrasi ditampilkan sebagai
bola merah. Fitur farmakofor diberi nomor untuk membantu identifikasi setiap situs dan
diwarnai sebagai berikut: akseptor ikatan hidrogen (A), merah muda; hidrofobik (H),
hijau; negatif (N), merah; cincin aromatik (R), oranye. Untuk memperjelas situs
pengikatan RXRα, the permukaan molekul hanya ditampilkan.
Gambar 7. Model pharmacophore berbasis ligan dan air dari GR. (a) 13 fitur farmakofor
dari ligan deksametason, AAAAADDHHHHHH, dihasilkan oleh PHASE. (B) 4 fitur
farmakofor, DHHH, dihasilkan dengan metode pembuatan model pharmacophore air.
Fitur farmakofor diberi nomor untuk membantu identifikasi setiap situs dan diwarnai
sebagai berikut: akseptor ikatan hidrogen (A), merah muda; ikatan hidrogen donor (D),
langit biru; hidrofobik (H), hijau. Untuk memperjelas situs pengikatan GR, permukaan
molekul hanya ditampilkan.
Gambar 8. Model farmakofor berbasis ligan dan air dari PPARγ. (a) 10 fitur farmakofor
dari ligan α-aryloxyphenylacetic acid, AAAHHHNRRR, dihasilkan oleh PHASE. (B) 6
fitur farmakofor, DDHHHN, dihasilkan oleh metode pembuatan model pharmacophore
air. Fitur farmakofor diberi nomor untuk membantu identifikasi setiap situs dan diwarnai
sebagai berikut: akseptor ikatan hidrogen (A), merah muda; donor ikatan hidrogen (D),
skyblue; hidrofobik (H), hijau; negatif (N), merah. Untuk memperjelas situs yang
mengikat PPARγ, permukaan molekul hanya ditampilkan.
Gambar 9. Model farmakofor berbasis ligan dan air dari PARP. (a) 9 fitur farmakofor
dari ligan 2- (3-methoxyphenyl) -1H-benzimidazole-4-carboxamide, AAADDHRRR,
dihasilkan oleh PHASE. (b) 5 fitur pharmacophore, ADDDR, dihasilkan oleh metode
pembuatan model pharmacophore air. Itu fitur farmakofor diberi nomor untuk
membantu identifikasi setiap situs dan diwarnai sebagai berikut: ikatan hidrogen
akseptor (A), merah muda; donor ikatan hidrogen (D), skyblue; hidrofobik (H), hijau;
cincin aromatik (R), oranye. Untuk memperjelas situs pengikatan PARP, permukaan
molekul hanya ditampilkan.
Gambar 10. Model farmakofor berbasis ligan dan air dari AChE. (a) 9 fitur farmakofor
dari ligand donepezil, AAAHHHPRR, dihasilkan oleh PHASE. (B) 6 fitur farmakofor,
DDDHHH, adalah dihasilkan dengan metode pembuatan model pharmacophore air.
Fitur farmakofor diberi nomor membantu identifikasi setiap situs dan diwarnai sebagai
berikut: akseptor ikatan hidrogen (A), merah muda; donor ikatan hidrogen (D), langit
biru; hidrofobik (H), hijau; positif (P), biru; cincin aromatik (R), oranye. Untuk
memperjelas situs yang mengikat AChE, permukaan molekul hanya ditampilkan.
Lebih dari 10 di 1%, 5%, dan 10% (Tabel 2 dan 3). Kasus ini mengungkapkan
keterbatasan metode WP. Dengan situs pengikatan besar, model pharmacophore, karena
ketidaktepatannya pada geometri ligan, sering gagal disaring ligan yang mungkin tidak
memiliki interaksi yang benar dengan situs yang mengikat. Poli (ADP-ribosa)
polimerase (PARP). PARP adalah enzim nuklir, yang memainkan peran penting dalam
Perbaikan DNA dan terkait dengan kanker. Ditemukan bahwa penghambatan PARP
dalam sel tumor dapat memperkuat efeknya radioterapi dan kemoterapi bertarget
DNA43. HSA Jung dkk. (2018) menghasilkan 36 lokasi hidrasi, yang sangat berarti
lebih dari target lainnya. FASE menghasilkan 9 fitur farmakofor pada ligan 2- (3-
methoxyphenyl) -1Hbenzimidazole- 4-carboxamide (AAADDHRRR) (Gbr. 9a) dan WP
model 5 fitur ADDDR (Gbr. 9b) adalah dihasilkan dari 36 situs hidrasi (Gbr. S9 dan
Tabel S6). Dalam studi pengayaan, docking gagal untuk memilih aktif ligan di semua
level (Tabel 2 dan 3). Kegagalan ini dapat dijelaskan dengan mengamati bahwa situs
pengikatan signifikan lebih besar dari ligan "seperti fragmen" yang biasa dan karenanya
membedakan aktif aktual dari umpan menjadi lebih sulit karena ada lebih banyak
kemungkinan pemasangan ligan di situs pengikatan. Di sisi lain, WP berkinerja cukup
baik, mencapai faktor pengayaan 22,6 pada 1%, 5,2 pada 5%, dan 2,6 pada 10%.
6. Acetylcholinesterase (AChE)
AChE adalah enzim yang menghidrolisis asetilkolin neurotransmitter. Ini terlibat
dalam transmisi sinaptik dan dengan demikian merupakan target terapi yang penting
untuk penyakit neurodegeneratif seperti itu sebagai penyakit Alzheimer44. Struktur
4EY7, yang digunakan dalam percobaan Jung dkk. (2018), diikat dengan donepezil,
yang dikenal agar efektif untuk penyakit neurodegeneratif. FASE menghasilkan 9 ligan
fitur farmakofor untuk donepezil, AAAHHHPRR (Gbr. 10a). HSA menghasilkan 43
situs hidrasi (Gbr. S10 dan Tabel S7) dan algoritma WP dihasilkan 6 fitur DDDHHH
(Gbr. 10b). Dalam hal ini, WP tidak berkinerja sebaik docking di semua level (Tabel 2
dan 3). Kinerja WP yang buruk ini mungkin disebabkan oleh fakta bahwa situs
pengikatannya besar dan sempit proses penyaringan berbasis model pharmacophore
rentan terhadap geometri yang tepat dari struktur senyawa. Sementara WP dapat
menghasilkan senyawa yang memiliki interaksi yang relevan dengan reseptor, senyawa
ini belum tentu memiliki dimensi yang tepat sebagai penyaringan farmakofor tidak
mempertimbangkan geometri ligan yang difilter.
Metode WP Jung dkk. (2018) berhasil menghasilkan model farmakofor yang
berasal dari molekul air tanpa ligan yang dikenal untuk semua 7 target. Jika
dibandingkan dengan model farmakofor yang berasal dari ligan yang dikenal, model
farmakofor Jung dkk. (2018) memiliki fitur serupa yang penting untuk mengikat protein
target. Ini menunjukkan itu bahkan tanpa pengetahuan tentang ligan aktif, WP dapat
menghasilkan model farmakofor semata-mata dari pengikatan struktur situs. Sebuah
studi pengayaan dilakukan untuk memvalidasi kinerja metode dibandingkan dengan
Glide docking yang telah terbukti berkinerja baik pada berbagai target. Hasil penelitian
menunjukkan bahwa WP Glide docking yang unggul di 4 target dari 7 di faktor
pengayaan sebesar 1%. Dari segi waktu, meskipun WP membutuhkan Simulasi MD
sebelumnya, penyaringan farmakofor membutuhkan waktu jauh lebih sedikit daripada
docking. Keterbatasan WP adalah juga mengamati ketika situs pengikatan terlalu
hidrofobik seperti kasus RXRα. Daerah hidrofobik dalam protein situs pengikatan
hampir selalu terhidrasi dan karenanya WP harus dapat menangkap titik-titik tersebut.
Namun, dalam kasus RXRα, pintu masuk ke situs pengikatan sangat sempit dan oleh
karena itu molekul air tidak bebas menjelajah ke situs yang mengikat selama simulasi
MD. Fakta ini menghasilkan pengambilan sampel yang tidak memadai dari titik hidrasi,
yang pada gilirannya memberikan model farmakofor yang mungkin tidak seperti obat
yang menyebabkan kinerja pengayaan yang buruk. WP juga memiliki masalah dengan
kantong besar yang dapat menampung ligan berukuran besar seperti PPARγ dan AchE
(Gbr. S11). Dalam kasus ini, Jung dkk. (2018) percaya bahwa WP dapat
dikombinasikan dengan docking untuk meningkatkan kemanjurannya. Pekerjaan lebih
lanjut sedang dilakukan untuk meningkatkan kegunaan metode WP di sepanjang baris
ini.
Kesimpulan
Dalam tulisan ini, Jung dkk. (2018) menunjukkan kelayakan menghasilkan model
farmakofor murni berdasarkan reseptor struktur melalui menggali permukaan situs
pengikatan protein dengan simulasi dinamika molekul air eksplisit.
BAB III
PENUTUP
A. Kesimpulan
DAFTAR PUSTAKA
Ahmad, I., Shamim, A., dan Kendra, P., R., 2019.Antibacterial Drug Discovery to Combat
MDR Natural Compounds Nanotechnology and Novel Synthetic Sources, Springer :
India.
Jung, S. W., Minsup K., Steven R., Tom K., dan Art E. C., 2018, Water Pharmacophore:
Designing Ligands using Molecular Dynamics Simulations with Water, Scientific
Reports, Vol. 1(1).
Muchtaridi, Arry, Y., Sandra, M., dan Hari, P., 2018. Kimia Medisinal : Dasar-Dasar Dalam
Perancangan Obat Edisi Pertama, Prenadamedia Group : Jakarta.