BAB I

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.

B. Model Farmakofor Khas: Representasi Fitur Farmakoforik

Menurut definisi tersebut, model pharmacophore mewakili pola pengikatanmolekul
bioaktif dengan situs pengikatan target, berdasarkan 3D yang berbedapengaturan fitur
interaksi abstrak akuntansi untuk berbagai jenisinteraksi non-kovalen. Jenis interaksi ini
bisa berupa pembentukan HB, kolumbikinteraksi, interaksi logam, kontak hidrofobik,
penumpukan aromatik atau pengisian dayainteraksi transfer. Secara keseluruhan, model
pharmacophore mencirikan umummode pengikatan beragam ligan dengan target spesifik.
Dalam pemodelan farmakofor,molekul-molekul pertama dipisahkan menjadi satu set fitur,
masing-masing mewakili ajenis interaksi tertentu dengan residu situs yang mengikat.
Kemudian, setiap fiturdiwakili oleh poin yang akan digunakan untuk superimposisi (paling
tidak kotak kuadrat) darimolekul satu sama lain. Di sini kita akan membahas fitur yang
digunakan oleh sebagian besardari program popular.
1. Donor HB (D)
Kelompok hidroksil, hidrogen yang terikat dengan nitrogen, asetilen
CHkelompok dan tiol (SH) biasanya dilambangkan sebagai donor. Namun, –CH dan –
SHkelompok dianggap donor yang relatif lebih lemah. Terkadang, bersama dengan
asetilen,tipe -CH lainnya seperti yang ada dalam heterocycle nitrogen beberapa
kinaseinhibitor dianggap sebagai donor. Mempertahankan protonasi dalam pikiran,
amina dasarseperti RCH2N (Aku)dianggap sebagai donor. Keadaan tautomerik dan
terionisasisangat mempengaruhi definisi fitur farmakofor karena mereka dapat
mengubahkarakteristik suatu fitur. Oleh karena itu, molekul harus dipresentasikan ke
farmakoforprogram penjelasan dalam semua kemungkinan status protonasi / ionisasi.
2. Akseptor HB (A)
Umumnya, atom dengan pasangan elektron bebas yang tersedia sepertiN, O, S
diperlakukan sebagai akseptor. Namun, beberapa program tidak
mempertimbangkanatom oksigen hadir dalam cincin furan / oksazol, karena mereka
adalah akseptor yang sangat lemahmenurut bukti teoritis dan kristalografi.
Seiring dengan mendefinisikan fitur HB, sangat penting untuk memperbaiki
posisipoin fitur pelengkap yang akan tumpang tindih dalam farmakofor yang
dihasilkan.Itulah sebabnya program pemodelan farmakofor menghubungkan donor
dan akseptorfitur dengan atom ligan setara serta lokasi yang seharusnyaatom reseptor
komplementer yang sesuai terlibat dalam interaksi.
Fitur positif dan negatif (P dan N): Dalam molekul, atom bertuliskan
formalbiaya dianggap sebagai fitur positif atau negatif asalkan bukan bagian
darisebuah dipol. Grup yang memiliki biaya formal neto juga dianggap positif /fitur
negatif. Centroid dari heteroatom suatu kelompok adalah wilayah, di manafitur
bermuatan positif / negatif pada umumnya ditempatkan. Terkadang positif danfitur
negatif ditekankan secara spesifik berdasarkan pada ionizabilitasnya. Untukcontoh, R
– NH3+ diukur sebagai fitur yang dapat diionisasi secara positif, tetapi R – N (Me) 3+
tidak karena interaksi yang dilakukan oleh kedua kelompok ini sangat berbeda.
Fitur hidrofobik (H): Memilih atom / kelompok yang harus diukur sebagai
hidrofobik tidak mudah dan tidak langsung. Algoritma yang paling umum digunakan
dikembangkan oleh Greene et al. Pertama-tama memberikan skor hidrofobisitas untuk
setiap atom berdasarkan seperangkat aturan empiris yang ditentukan dari persepsi dan
ahli kimia obat kemudian atom-atom dengan nilai hidrofobisitas yang sangat besar
dikelompokkan menjadi kelompok-kelompok. Kemudian titik fitur hidrofobik
ditempatkan pada pusat massa dari masing-masing kelompok tersebut. Pesanan dari
 skor hidrofobik kira-kira cincin / atom cincin> kelompok-kelompok seperti –CF> alkil
rantai. Beberapa algoritma sederhana mempertimbangkan semua yang bukan donor /
non-akseptor / atom-atom yang tidak bermuatan sebagai gugus sterik (setara dengan
gugus hidrofobik), yang juga menghasilkan penggambaran bentuk molekul. Cincin
aromatik (R): Cincin aromatik diperlakukan sebagai jenis khusus hidrofobik fitur yang
diwakili oleh vektor, bukan titik sehingga meniru directionality dari interaksi seperti
p-p susun dan interaksi kation-p.

Kebanyakan program pemodelan farmakofor mendefenisikan sterik tambahan fitur

kendala. Ini disebut volume pengecualian (XVols), mewakili efek sterik dari saku yang
mengikat. Fitur-fitur ini diperlukan untuk menghindari benturan molekul dengan
permukaan protein saat pemetaan. Pembuatan fitur tidak hanya memfasilitasi molekul
untuk diselaraskan dengan cara yang mudah dan rasional, tetapi juga dapat digunakan
dalam penilaian. Root mean square deviation (RMSD) antara yang cocok fitur memberikan
akun kuantitatif tingkat overlay, yang sering digunakan sebagai skor kecocokan. Oleh
karena itu, penempatan titik fitur harus akurat, dan kita harus berhati-hati saat memutuskan
apakah akan mempertimbangkan semua fitur yang mungkin atau untuk memilih beberapa
dari mereka memberikan informasi yang memadai tentang orientasi spasial sekelompok
molekul. Misalnya, terkadang ada sejumlah besar hidrofobik fitur dibandingkan dengan
fitur lain, yang mungkin bias penyejajaran dan memberikan model dengan skor baik, tetapi
model tidak akan berguna karena kurangnya spesifikasi.

C. Evolusi Konsep 'Pharmacophore': Perspektif Sejarah

Paul Ehrlich pertama kali menggunakan konsep farmakofor pada akhir abad
kesembilan belas abad, ketika ia mengungkapkan ikatan selektif metilen biru ke serat saraf.
Realisasi ini mengantar awal konsep farmakofor sebagai ‘molekul kerangka kerja yang
membawa (phoros) fitur-fitur penting yang bertanggung jawab atas suatu obat (pharmacon)
aktivitas biologis. Berdasarkan ide ini, Ehrlich meningkatkan struktur kimiawi dari
beberapa senyawa untuk menghasilkan obat yang efektif melawan sifilis (dengan nama
dagang Salvarsan), infeksi trypanosome dan spirochete, yang membuatnya memenangkan
hadiah Nobel pada tahun 1908 berbagi dengan Ilya Metchnikoff. Meskipun definisi awal
farmakofor Ehrlich hampir tidak berubah selama lebih dari itu satu abad, Schueler
mengusulkan definisi modern pertama dalam bukunya 'Chemobiodynamics and Drug
Design' pada tahun 1960, di mana 'kelompok kimia' digantikan oleh pola ‘fitur abstrak’.
Beckett dan rekan kerja mengusulkan model farmakofor pertama dari agen muskarinik
pada tahun 1963 yang diidentifikasi rentang jarak antara fitur abstrak, dan kemudian pada
tahun 1967, Kier mengembangkan yang pertama Model farmakofor yang dikomputasi
untuk pola pengikatan reseptor muskarinik. Apoteker sederhana diaplikasikan sebagai alat
untuk mendesain baru molekul obat jauh sebelum fajar bidang yang didefinisikan dengan
baik seperti bantuan computer desain obat. Pada 1940-an, model hubungan struktur-
aktivitas awal adalah dihitung berdasarkan pada struktur model dua dimensi sederhana
yang memanfaatkan aksesibilitas informasi ukuran van der Waals dan panjang ikatan.
Akhirnya, di tahun 1960-an, model tiga dimensi dapat dibangun dengan kenyamanan X-
ray dan teknik analisis konformasi. Ahli kimia obat dapat mengklasifikasikan beberapa
kerangka kerja molekul umum yang dikaitkan dengan aktivitas biologis yang tinggi lebih
banyak sering dibandingkan dengan struktur lain dengan menganalisis bahan kimia secara
retrospektif struktur berbagai obat. Menamakan kerangka kerja tersebut sebagai 'struktur
istimewa', yang menawarkan perancah dasar dan substituen di berbagai posisi memberikan
spesifikasi reseptor.
 Dihydropyridines, Arylethylamines, N-arylpiperazines, turunan diphenylmethane,
biphenyls dan pyridazines, psikotropika trisiklik dan sulfonamid, benzodiazepine adalah
beberapa contoh populer dari struktur istimewa. Woods dan Fildes menemukan bahwa
asam p-aminobenzoic (PABA) dan p-aminobenzenesulphonamide memiliki jarak kritis
serupa; karenanya, ikat ke target PABA dengan yang serupa kemanjuran dan menghambat
biosintesis asam tetrahidrofolat. Ini salah satunya contoh model farmakofor dua dimensi
awal. 3D awal pendekatan farmakoforik adalah 'model kontak tiga titik' yang diusulkan
oleh Easson dan Stedman dan Beckett dalam kasus (R) - (-) - adrenalin [= (R) - (-)
epinefrin]. Model-model ini didasarkan pada konsep bahwa ketika pusat kiral adalahhadir
dalam suatu senyawa, substituen pada atom asimetris ini menghasilkan tiga poin kontak
dengan kantong pengikat reseptor, yang hanya dapat diperoleh untuk satu dari dua isomer
epinefrin (yang lebih aktif alami (R) - (-) - epinefrin).
Demikian pula, pendekatan tiga dimensi lain dikembangkan pada awal 1970-an,
mengkarakterisasi aktivitas clonidine pada reseptor norepinefrin sentral. Diamati bahwa
ligan alami norepinefrin masuk ke dalam kantong pengikat targetnya oleh tiga interaksi
utama, yaitu. ikatan ion antara anion (karboksilat, fosfat) dari kantong pengikat dan
protonasi –NH fungsional kelompok, HB antara kelompok NH-CO dari situs yang
mengikat dan sekunder hidroksil beralkohol dan penumpukan p antara imidazol protonasi
histidin residu saku yang mengikat dan cincin aromatik obat. Itu juga diakui bahwa kepala
kationik haruslah ringan dan gugus fenolik –OH tidak penting untuk aktivitas biologis. Di
farmakofor 3D mereka model reseptor norepinefrin menghitung intramolekul kritis jarak
untuk interaksi kunci di atas yang berhasil menjelaskan kemiripan farmakoforik antara
clonidine dan norepinefrin, yang pada gilirannya memungkinkan clonidine untuk membuat
interaksi yang sama dengan norepinefrin. Ini adalah beberapa upaya awal untuk
menjelaskan pola farmakoforik yang dapat bertindak sebagai fitur utama untuk desain
entitas kimia baru. Menunjukkan beberapa awal tonggak di bidang munculnya pemodelan
farmakofor. Namun demikian, dalam beberapa tahun terakhir, banyak pemodelan
farmakofor yang efektif pendekatan dan kontribusinya terhadap penemuan obat telah
dilaporkan. Denganmbantuan wawasan farmakophorik dan alat pencarian 3D, obat
berbantuan computer upaya desain dengan cepat mendapatkan efisiensi sejak 1990-an.
Tetap saja pendekatan ini menghadapi banyak tantangan yang membatasi keberhasilannya.
Pendekatan farmakofor telah banyak digunakan dalam skrining virtual, desain ligan de
novo, lead opti desain obat dan multi-target. Berbagai farmakofor otomatis alat pemodelan
dan penyaringan terus muncul setelah komputasi revolusi kimia yang disaksikan dalam
beberapa dekade terakhir. Hari ini, farmakofor skrining adalah salah satu pilihan tepat bagi
para peneliti yang bekerja di narkoba penemuan dan desain.

D. Pembuatan Model Farmakofor

Model farmakofor biasanya dihasilkan baik dari sekelompok ligan,
olehmenyelaraskannya dan menghilangkan fitur interaksi umum yang sangat
diperlukanaktivitas biologis mereka. Di sisi lain, mereka dapat dibangun di acara berbasis
struktur, dengan memeriksa kemungkinan titik interaksi dalam pengikatan reseptorsaku,
asalkan struktur 3D dari reseptor dilaporkan. Apoteker tersebutmodel juga dapat dihasilkan
dari kompleks reseptor-ligan dengan mengidentifikasiinteraksi kunci antara reseptor dan
ligan.
1. Pembuatan Model Farmakofor Berbasis Ligan
Pendekatan pemodelan farmakofor berbasis ligan digunakan sebagai strategi
utama untuk memfasilitasi penyaringan basis data gabungan ketika tidak ada tiga
dimensi struktur tersedia untuk target atau reseptor, tetapi struktur satu set kuat
inhibitor tersedia. Molekul aktif ini ditumpangkan, dan umum fitur farmakoforik yang
mewakili interaksi penting antara ligan dan target umum dari molekul-molekul ini
diidentifikasi. Pertama, ruang konformasi dari masing-masing ligan aktif dibuat sesuai
dengan fleksibilitas ligan, diikuti oleh penyelarasan dan penentuan bahan kimia umum
yang penting fitur yang diperlukan untuk pembuatan model farmakofor. Saat ini
beragam generator farmakofor otomatis sedang digunakan seperti Fase (Schrodinger
Inc., http://www.schrodinger.com), HypoGen, HipHop (Accelrys Inc.,
http://www.accelrys.com), GASP, DISCO, GALAHAD (Tripos Inc.,
http://www.tripos.com) dan MOE (Chemical Computing Group, http: // www.
chemcomp.com). Beberapa program akademik juga populer digunakan. Perbedaan
utama di antara alat-alat ini sebagian besar dialgoritma yang diterapkan untuk
pencarian dan penyelarasan konformasi. Bab ini berisi tentang langkah-langkah umum
yang diikuti oleh sebagian besar program untuk dikenali pola farmakofor dari
sekelompok molekul yang berinteraksi dengan umumreseptor dan beragam aplikasi
konsep farmakofor.
a) Memilih Kumpulan Senyawa yang Tepat dan Struktur Awal senyawa
Sebagai model farmakofor yang dihasilkan sangat cenderung oleh jenis,
ukuran dan keragaman struktural dari ligan yang berpartisipasi, sangat penting
untuk memilih set ligan yang ikut serta dalam proses pembuatan model
pharmacophore. Beberapa program seperti RAPID, HipHop dan metode Crandell
Smith menganggap semua senyawa dalam himpunan sebagai aktif, beberapa
metode lain menganggap informasi tentang molekul tidak aktif menjadi penting
karena mereka memberikan ide tentang fitur struktural yang bertanggung jawab
untuk mengurangi kegiatan dan yang penting untuk meningkatkan aktivitas.
Misalnya, DISCO, dan CLEW menyediakan sebuah pilihan untuk memasukkan
atau mengecualikan molekul tidak aktif dalam menghasilkan model sehingga
pengguna dapat mengidentifikasi fitur yang membedakan, sementara HypoGen
menyediakan pilihan untuk memasukkan rentang aktivitas dari set ligan. Sejauh
ukuran dataset prihatin, sebagian besar program mampu menangani hingga 100
ligan di satu set.
Jika data set berisi sejumlah besar molekul, maka itu bisa diurutkan dan
dikategorikan berdasarkan rentang nilai aktivitas. Namun, beberapa program suka
SCAMPI dapat menangani hingga beberapa ribu molekul tetapi
mengkompromikannya kualitas model. Keragaman struktural yang tinggi dari
dataset juga penting untuk mengidentifikasi fitur yang paling penting untuk
pengikatan dan produksi target model berkualitas tinggi. Struktur senyawa yang
benar dengan valensi atom yang benar, pesanan obligasi dan aromatikitas yang
didefinisikan dengan tepat dan stereokimia yang sesuai Bendera sangat penting
untuk pembuatan model.
b) Pencarian Konformasional
Ligan yang fleksibel mungkin memiliki beberapa konformasi yang mungkin,
dan setiap konformasidapat mengikat ke situs yang mengikat target dengan cara
tertentu. Jadi begitulahSangat penting untuk mempertimbangkan fleksibilitas setiap
molekul selama farmakoforpengembangan. Pencarian konformasional dianggap
sebagai tahap terpisah di sebagian besarprogram pemodelan farmakofor seperti
Hip-Hop, DISCO dan RAPID, di mana asejumlah besar konformasi dihasilkan
untuk setiap ligan. Pencarian sistematis,Sampling Monte Carlo dan dinamika
molekuler adalah metode pilihan bagi sebagian besardari perangkat lunak untuk
generasi konformasi. Sebagai, jumlah semua kemungkinan konpembentuk untuk
molekul (terutama ketika mereka memiliki struktur kompleks dengan besarjumlah
ikatan yang dapat diputar) terlalu besar untuk ditangani dan dimasukkan ke dalam
 farmakoforbangunan model, minimalisasi energi dan metode clustering digunakan
untuk mengurangi ruang konformasi. Selaras dengan energi terendah atau
perwakilandari kelompok konformer yang sama dipilih untuk mengambil bagian
dalam modelgenerasi. Dalam beberapa perangkat lunak lain, pencarian konformasi
dilakukan secara paralelbersama dengan identifikasi pola dengan mempertahankan
konformer yang memiliki tertentufitur dalam penataan ruang tertentu. GASP dan
GAMMA menggunakan itusebuah pendekatan dengan teknik algoritma genetika
(GA).
c) Ekstraksi dan Representasi Fitur
Setelah pencarian konformasi, molekul-molekul dibagi lagi menjadi
seperangkat fitur, setiap fitur memiliki kemampuan untuk membentuk jenis
interaksi non-kovalen tertentu dengan reseptor. Ada tiga tingkat utama resolusi
untuk mendefinisikan fitur; (i) itu mungkin berbasis atom seperti yang diterapkan
dalam MPHIL, GAMMA dan RAPID, di mana posisi atom 3D yang terkait dengan
jenis atom digunakan sebagai fitur; (ii) atom dapat dikelompokkan ke dalam fitur
topologi seperti kelompok C = O atau cincin fenil; atau (iii) itu mungkin berbasis
fungsi, di mana atom-atom berkumpul ke dalam fitur fungsional yang
menggambarkan jenis interaksi tidak terikat dengan reseptor. Fitur-fitur ini adalah
akseptor HB (A), donor HB (D), basa (+ sudah mengisi pH 7) (P), asam (muatan
ve, pH 7) (N), gugus aromatik (cincin) (R) dan hidrofobik grup (H). Tipe ketiga
dari metode ekstraksi fitur sangat populer dan sedang digunakan di Indonesia
banyak program seperti katalis, Fase , HypoGen dan HipHop. Fitur topologi yang
berbeda memiliki fungsi kimia yang sama dapat jatuh di bawah kategori fitur
fungsional yang sama. Pada saat yang sama, fitur fungsionalnya adalah tidak
ditugaskan secara eksklusif untuk grup fungsional apa pun. Misalnya, oksigen –OH
bias bertindak sebagai akseptor HB, donor dan kadang-kadang dapat bertindak
sebagai fitur yang dibebankan secara negatif.
Umumnya, kelompok fungsional menyukai spesies bermuatan negatif / positif,
HB donor dan akseptor diwakili oleh pusat-pusat mereka, yang tidak lain adalah
tepat posisi atom. Selain itu, akseptor HB dan donor sering diwakili oleh vektor
yang memberlakukan pembatasan arah ikatan antara fitur pada situs pengikatan
reseptor dan fitur ligan komplementer. Pusat situs hidrofobik atau cincin aromatik
didefinisikan sebagai pusat massa kelompok. Setelah mengekstraksi fitur,
penggambaran struktur seluruh molekul adalah diperoleh dengan menggabungkan
fitur yang dipilih. Representasi ini dihasilkan sebagian besar sebagai: (i) set titik
3D, di mana struktur ligan direpresentasikan sebagai grup titik-titik yang
dikategorikan dalam ruang 3D, di mana setiap titik dihubungkan dengan suatu fitur,
(ii) label berlabel, di mana node sesuai dengan fitur dan tepi sesuai dengan relasi,
atau (iii) satu set jarak interpoint, di mana struktur ligan berada direpresentasikan
sebagai kumpulan titik fitur, bersama dengan jarak titiknya. Tipe ketiga representasi
umumnya disimpan sebagai matriks jarak n, n menjadi jumlah atom.
d) Identifikasi Pola dan Pemberian susunan
Setelah fitur diekstraksi untuk setiap ligan dalam dataset, sebuah pola
diidentifikasi sebagai mengatur posisi relatif di ruang 3D, masing-masing ditautkan
ke fitur. Jika suatu ligan memiliki set fitur dalam setidaknya satu konformasinya,
set fitur dapat disejajarkan dengan lokasi yang sesuai. Sebagian besar metode
didasarkan pada spasial overlay konformasi berbagai senyawa dengan titik
farmakofor dengan kesalahan rata-rata alignment kuadrat akar minimal. Satu dapat
secara kasar mengklasifikasikan metode pelurusan sebagai titik atau berbasis
properti. Di kelas pertama algoritma, pasang fitur farmakoforik umumnya
 diselaraskan dengan menggunakan kuadrat-terkecil menggunakan metode
pendeteksian klik. Menurut grafik-teoretis Pendekatan untuk struktur molekul, klik
adalah maksimum sepenuhnya terhubung sub-grafik, yang mengenali semua
kombinasi atom / fungsional yang bisa dibayangkan kelompok untuk menemukan
substruktur umum untuk penyelarasan. Berbasis properti atau algoritma berbasis
lapangan menggunakan grid atau deskriptor lapangan, berdasarkan pada sifat
molekuler seperti volume, bentuk, distribusi muatan, kerapatan elektron dan
elektrostatik potensi molekul.
Kotak 3D dihasilkan tentang ligan dengan menghitung komponen energi
interaksi antara ligan dan probe ditempatkan di setiap grid titik. Properti dihitung
pada kotak dan kemudian dikonversi ke perangkat Gaussian representasi. Sejumlah
konfigurasi awal acak atau sampel lengkap kemudian dihasilkan diikuti oleh
optimasi lokal dengan beberapa kesamaan ukuran tumpang tindih antar molekul
Gaussians. Setelah mendapatkan kandidat farmakofor di tahap sebelumnya, mereka
umumnya mencetak gol dan peringkat. Kewajiban dasar skema penilaian
diterapkan sedemikian rupa sehingga skor tinggi menyiratkan peluang lebih tinggi
dari pemetaan ligan ke model farmakofor. Meskipun banyak kemajuan, penanganan
penyelarasan molekuler Fleksibilitas ligan dan pemilihan senyawa pelatihan yang
tepat dianggap sebagai tantangan terbesar dalam pemodelan farmakofor berbasis
ligan.

2. Pembuatan Model Berbasis Farmakofor

Pemodelan farmakofor berbasis struktur memerlukan struktur 3D dari reseptor
atau kompleks reseptor-ligan. Model dihasilkan berdasarkan hubungan spasial fitur
interaksi komplementer dari kantong mengikat diikuti oleh pemilihan dan perakitan
fitur untuk menghasilkan model farmakofor.
a) Identifikasi Situs Aktif
Input untuk pemodelan farmakofor berbasis reseptor adalah struktur tiga
dimensi reseptor biasanya dalam format PDB. Saku pengikat reseptor diidentifikasi
menggunakan probe bola dengan jari-jari dan lokasi yang dapat disesuaikan untuk
memasukkan situs pengikatan serta residu berinteraksi kunci yang terlibat dengan
ligan. Ada beberapa program yang tersedia untuk mendeteksi celah, celah
danmengikat kantong dan menyarankan kemungkinan lokasi situs aktif berdasarkan
geometridari permukaan. Residu utama dapat ditentukan oleh pengguna,
disimpulkan dari mempelajari aktivitas protein setelah mutasi residu tunggal. Jika
mutasi residu tertentu menghambat fungsi protein, maka residu itu dapat menjadi
bagian darisitus yang aktif. Analisis komputasi seperti keberpihakan struktural
protein berganda teknik juga membantu dalam mengidentifikasi situs aktif protein
dengan membandingkannya dengan aprotein serupa dengan situs aktif yang
diketahui.
b) Konstruksi Gambar Pelengkap
Daerah pengikat reseptor dianalisis untuk membuat peta interaksi fitur itu
molekul diantisipasi untuk memenuhi interaksi yang wajar dengan situs aktif.
Dengan kata lain, komplemen dari situs pengikatan reseptor dibuat sebagai dasar
untuk buat model input farmakofor. Secara khusus, fitur fungsional seperti HB
donor / akseptor dan kelompok hidrofobik diidentifikasi di situs pengikatan
diikutioleh penempatan rasional fitur pelengkap dalam kantong yang mengikat
diposisi yang dapat diterima secara kimiawi.
3. Generasi Model Farmakofor dari Kompleks Protein-Ligand
Kompleks protein-ligan yang dihasilkan oleh kristalografi sinar-X memberikan
perincian gambar interaksi antara ligan dan reseptor, menunjukkan yang mana atom
ligan bersentuhan dengan reseptor bersama dengan koordinat atom dari atom-atom itu.
Juga, jenis interaksi juga dapat digambarkan dari jenis atom, jarak dan orientasi ligan
dan atom reseptor. Jurusan interaksi yang terjadi pada antarmuka reseptor-ligan adalah
ikatan hidrogen. Tapi interaksi non-kovalen lainnya seperti interaksi p-p dan kation-p
juga jelas penting untuk pembentukan kompleks protein-ligan selain dari hydrogen
ikatan Jung dkk. (2018) telah banyak melihat pentingnya interaksi ini dan
kooperatititas yang ada di antara mereka sendiri untuk mempertahankan struktur
supramolekul. Informasi ini sangat penting untuk membangun farmakofor model dari
kompleks. Namun, orang perlu memperhatikan fakta-fakta itu model farmakofor
alternatif dimungkinkan dalam satu kantong yang mengikat karena fleksibilitas dari
situs aktif dan ligan yang mampu menata ulang diri untuk mengakomodasi ligan yang
berbeda dan juga ada kemungkinan lebih dari satu situs aktif untuk reseptor tertentu.
Program-program seperti ‘LigandScout’ dikembangkan oleh modul Wolber and
Langer dan Phase dari Schrodinger suite menghasilkan model farmakofor berbasis
struktur dari protein-ligan kompleks diberikan sebagai input. Jung dkk. (2018) akan
membahas langkah-langkah generasi model farmakofor dari protein-ligan kompleks
oleh LigandScout dan Phase, di mana yang pertama mencirikan fitur farmakoforik
menggunakan pola kekule dan yang terakhir memprioritaskan fitur berdasarkan XP
komponen energi docking.
a) Pembuatan Model Farmakofor dengan LigandScout
Dengan program LigandScout, sebagai langkah pertama, molekul yang
benartopologi cincin dan keadaan hibridisasi ditugaskan ke ligan dengan
menganalisisatom tetangga diikuti dengan penugasan ikatan rangkap dan
Kekulepola untuk gugus fungsional seperti asam dan ester karboksilat, gugus
nitro,gugus sulfonil, asam thio, ester thio acetic gugus yang mirip guanidine,
acetamidinedan kelompok fosfoiloil kelompok fungsional. Selanjutnya, fitur
farmakoforikberdasarkan pada ikatan hidrogen, interaksi elektrostatik, transfer
muatan atau Interaksi hidrofobik antara ligan dan reseptor didefinisikan, dan model
dihasilkan. Atom-atom yang termasuk dalam gugus -OH nonacidic (semua -OH
tidak termasuk asam karboksilat, sulfinat, sulfonat, fosfonat atau asam fosfatin),
gugus -SH, -CC-hidrogen dan -NHs (pembatasan trifluorometil sulphonamide
hidrogen dan tetrazol) diakui sebagai atom donor HB. Ketika atom seperti itu
ditemukan dalam kisaran jarak 2,5-3,8 A dari atom berat penerima HB dari molekul
reseptor, fitur donor yang terdiri dari titik donor di sisi ligan dan titik yang
diproyeksikan pada sisi makromolekul dibuat . Atom seperti -OH oksigen, -SH
sulfur, -C = C- karbon atau-C = N nitrogen diakui sebagai atom akseptor, dan fitur
akseptor ditempatkan dengan titik awal diposisikan pada atom akseptor dan titik
yang diproyeksikan ditempatkan pada atom berat donor HB pada reseptor dalam
kisaran jarak 2,5-3,8 A. Interaksi elektrostatik direpresentasikan sebagai vektor
yang menyerupai definisi akseptor ikatan-H. Area hidrofobik diimplementasikan
dalam bentuk bola dengan radius toleransi 1,5 A yang terletak di pusat rantai atom
hidrofobik, cabang atau kelompok setelah menguji sekelompok atom yang
berdekatan untuk mendapatkan skor hidrofobik keseluruhan yang memadai.
b) Pembuatan Model e-farmakofor secara Fase
Metode e-farmakofors dari modul Phase dari suite Schrodinger adalah
pendekatan baru yang menggunakan docking ligan berbasis kisi-kisi dengan energi
ekstra ekstra (energetik) XP) fungsi penilaian untuk secara tepat mengukur
 interaksi protein-ligan. Fungsi penilaian XP menghitung kontribusi enthalpik dari
setiap situs yang berinteraksi (pharmacophorie) molekul terhadap skor total.
Dengan demikian, situs cach mendapatkan skor berdasarkan jumlah istilah
enthalpik (seperti HB. Clectrostatic, kation-n, n-n, hidrofobik dan hidrofobik yang
dikemas / terkait HBs dan interaksi lainnya) dan diberi peringkat. Kemudian model
e-farmakofor dihasilkan dari fitur penilaian teratas. Pengguna dapat memilih
jumlah dan jenis fitur yang diperlukan untuk membangun model. E-farmakofor
juga termasuk volume yang tidak termasuk yang mewakili daerah ruang yang
ditempati oleh reseptor di mana setiap bagian dari ligan tidak dapat ditampung. E-
farmakofor telah terbukti menyaring beragam molekul bioaktif dibandingkan
dengan metode berbasis struktur konvensional, membuatnya lebih berguna.

4. Pembuatan Model Pharmacophore Dinamis dan Simulasi Multicopy

Situs aktif dari target obat menjadi sangat fleksibel, farmasi berbasis struktur
farmakofor yang berasal dari keadaan konformasi tunggal dari protein mungkin
tidakakun memuaskan untuk semua kemungkinan interaksi obat-target yang mungkin.
Di dalam situasi, simulasi dinamika molekul telah menjadi metode yang sangat
kompeten menangani masalah fleksibilitas sasaran di SBDD. Model farmakofor
dinamis mengenali senyawa, yang saling mengikat pada protein dengan
mempertimbangkan fleksibilitas kantong pengikatnya, secara teoritis mengurangi
hukuman entropik yang dialami oleh protein karena pengikatan ligan. Lintasan
simulasi MD akan menimbulkan konformasi berganda dari situs aktif protein,
menggambarkan target "fleksibilitas intrinsik. Minimalisasi salinan ganda juga
merupakan latihan yang biasa digunakan dalam desain obat komputasi. Teknik ini
pertama-tama mengisi situs aktif reseptor dengan banyak salinan probe molekul yang
tidak bereaksi di antara mereka sendiri. Kemudian, dinamika molekuler, Monte Carlo /
minimalisasi keturunan terjal dilakukan untuk meminimalkan semua probe ini secara
paralel untuk mendapatkan minimum lokal.
Ketika probe dikelompokkan di berbagai daerah situs aktif di berbagai orientasi,
preferensi relatif dari daerah pengikatan dapat diperkirakan dari jumlah probe atau
energi interaksi. Cluster yang sangat teratur dan lebih kecil mewakili prasyarat yang
sangat penting untuk interaksi yang menguntungkan, sedangkan yang tersebar secara
sembarangan lebih besar menunjukkan situs yang sangat fleksibel. Algoritma MUSIC
dengan program BOSS menggunakan strategi serupa. Ia mampu melakukan simulasi
Monte Carlo untuk berbagai sistem biomolekul dalam kelompok dan campuran pelarut
dan kotak pelarut berkala dengan banyak zat terlarut. Itu dapat menghitung interaksi
energi antara solvent-solvent, solvent-solute dan solute-solute. Biasanya, pelarut
adalah molekul kecil. Misalnya, gugus hidroksil, gugus dan gugus karbonil diwakili
oleh probe kecil seperti –CH3-OH, C6C6 (Benzene) dan –CH3CO (aseton), masing-
masing. Molekul probe serta rantai samping reseptor dapat diperlakukan sebagai kaku,
sebagian / sepenuhnya fleksibel atau semua-atom. Bidang kekuatan OPLS yang luas
yang digunakan dalam program ini terbukti berhasil menangani fleksibilitas reseptor
sambil menghasilkan model farmakofor.

5. Sidik jari Pharmakofor

Struktur 3D kompleks dari suatu molekul direduksi menjadi koleksi abstrak
darifitur dalam pendekatan farmakophorik. Memperluas konsep ini, struktur aMolekul
dapat diartikan sebagai string data eksklusif dengan mengekstraksi semua
kemungkinanset tiga / empat poin fitur farmakoforik. Jarak antar fitur
adalahditugaskan menggunakan jarak binning atau hanya dengan ikatan. Ini
 menghasilkan string unikmenggambarkan frekuensi setiap kombinasi yang mungkin di
lokus yang telah ditentukan daristring dikenal sebagai sidik jari pharmacophore.
Berbagai jenis molekulanalisis kesamaan di antara perpustakaan molekul telah
dilakukan menggunakansidik jari farmakofor. Juga, sidik jari farmakophorik
bisadigunakan untuk mendeteksi fitur kunci umum / kelompok yang berkontribusi
pada biologisfungsi sekelompok ligan aktif.

6. Aplikasi Pendekatan Berbasis Farmakofor

Pada bagian ini, membahas beragam aplikasi pendekatan farmakofor di bawah
skenario yang berbeda.
a. Pendekatan Farmakofor untuk Pemutaran Virtual
Model Farmakofor yang sangat sederhana menurut definisi mereka dapat
digunakan dalam berbagai cara tergantung pada masalah penelitian. Kesederhanaan ini
menjadikan 'pencarian berbasis farmakofor sebagai alat pilihan bagi para ilmuwan
penemuan obat dalam dekade terakhir. Ketika struktur seperangkat molekul dengan
perancah yang sama atau berbeda aktif pada target tertentu diketahui, maka model
farmakofor berbasis ligan dapat dikembangkan menggunakan strukturnya. Jika
struktur beberapa turunan tidak aktif juga diketahui, maka kontribusi fitur cuch
terhadap bioaktivitas dapat dibandingkan antara dataset positif dan negatif untuk
membedakan fitur yang diinginkan dan yang tidak diinginkan. Susunan sterik ligan
yang diijinkan juga dapat dipetakan. Ketika hanya struktur reseptor atau kompleks
reseptor-ligan yang tersedia, dan dapat digunakan sebagai permintaan untuk
menyaring database tidak hanya untuk menyaring senyawa yang memenuhi batasan
geometrik dan kimia tertentu, tetapi juga untuk menyaring molekul dengan sifat yang
tidak diinginkan. Sebagai contoh, Voet dan rekan kerja mengidentifikasi antagonis
spesifik reseptor androgen manusia dengan menerapkan dua filter makroskopik
kembali ke belakang. Satu model dihasilkan dari kompleks reseptor-agonis yang
tersedia, sedangkan filter lain yang diterapkan adalah model farmakofor yang
dihasilkan dari kompleks reseptor-antagonis. Pendekatan ini memungkinkan penulis
untuk menyaring senyawa yang cocok dengan fitur antagonis-spesifik.
1) Model E-farmakofor Dinamis: Sebuah Studi Kasus dengan Mycobacterial
CmaA1
pada generasi dan penerapan struktur dinamis dan model farmakofor berbasis
ligan untuk menyaring perpustakaan tertentu terhadap target mycobacterial
cyclopropane synthase (CmaA1). Asam mikolik adalah konstituen khas dari dinding
sel Mtb yang berkontribusi terhadap resistensi obat, patogenisitas dan persistensi
parasit. Enzim CmaAI mengkatalisasi cis-siklopropanasi rantai asam mikolik jenuh
pada posisi distal, yang merupakan langkah yang sangat diperlukan dalam biosintesis
dan pematangan asam mikolik, sehingga menjadikan CmaA1 sebagai target obat Mtb
yang penting. Lima model sistem CmaA1 yang sesuai dengan berbagai tahap siklus
propan dipelajari dengan menggunakan simulasi dinamika molekul (MD). Gambaran
rinci tentang perubahan struktural di dua situs pengikatan yang berbeda, yaitu
kofaktor dan situs pengikatan substrat asil CmaA1 selama proses siklopropanasi
diperoleh dengan menganalisis lintasan simulasi MD. Keadaan apektif CmaAI
diamati memiliki konformasi tertutup di mana situs pengikatan kofaktor tidak dapat
diakses. Setelah pengikatan kofaktor, ikatan-H antara Pro202 dari loop10 (LI0) dan
Asnll dari N-terminal al helix mengganggu membuat kantung pengikat kofaktor dapat
diakses. Setelah pengikatan kofaktor, rantai samping non-polar dari posisi situs
pengikatan substrat ke arah sisi dalam kantong membentuk lingkungan hidrofobik
untuk substrat. Untuk menukar kelompok metil dari kofaktor ke substrat, kedua ligan
cenderung berdekatan satu sama lain yang difasilitasi oleh peningkatan loop10.
Pengamatan ini mendorong untuk berpikir bahwa protein dapat tetap dalam
konformasi yang beragam pada berbagai tahap fungsi katalitiknya dan
mempertimbangkan hanya satu konformasi untuk desain obat tidak akan cukup. Jadi
beberapa struktur yang diperoleh dari lintasan MD digunakan untuk menghasilkan,
memvalidasi dan menggunakan struktur dan model farmakofor berbasis ligan.
2) Pembuatan Model Farmakofor Berbasis Struktur Dinamis
Simulasi dinamika molekuler pada CmaAl mengungkapkan bahwa situs
pengikatan enzim menunjukkan keragaman konformasi yang besar, ketika terikat pada
ligan yang berbeda pada berbagai tahap fungsinya. Untuk menggunakan keragaman
konformasi dari situs pengikatan dalam desain obat berbasis struktur, struktur
representatif (snapshots) diekstraksi dari semua lima lintasan MD pada interval reguler
5 ns, sehingga memperoleh total empat puluh konformasi CmaAl yang terikat pada
ligan yang berbeda. di dua situs yang mengikat. Struktur kristal CmaA1 yang
dilaporkan dalam PDB juga ditambahkan ke kumpulan ini. Sekarang 41 kompleks
protein-ligan ini digunakan untuk mendapatkan model e-farmakofor. Langkah pertama
yang digunakan adalah mengevaluasi istilah energi Glide. Situs aktif setiap struktur
CmaA1 didefinisikan sebagai kotak kubus dimensi 12*12*12 A3, dan grid energi
Glide dihasilkan. Skor Glide dengan informasi deskriptor XP diperoleh untuk ligan
yang sudah terikat menjaga konformasi asli mereka tidak berubah (tidak seperti
docking khas di mana protein dipegang tegar sementara ligan dibuat fleksibel).
Latihan ini menghitung semua komponen energi interaksi antara kompleks reseptor-
ligan, yang kemudian diserahkan ke modul Fase Schrodinger untuk mengembangkan
model e-farmakofor yang menggunakan energy penyaringan virtual.
3) Validasi Model Farmakofor
Untuk menguji kemampuan model e-farmakofor berbasis dinamika untuk
berhasil membedakan inhibitor dan non-inhibitor CmaA1, satu set 23 inhibitor
CmaA1 yang dilaporkan (MIC: 0,0125-12,5 ug / mL) digunakan sebagai positif.

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.

b. Aplikasi Farmakofor dalam Memprediksi profil Farmakokinetik

Profil farmakokinetik yang buruk berkontribusi besar terhadap kegagalan
banyak obat selama pengembangan dan uji klinis. Karenanya, sifat-sifat ini (juga
dikenal sebagai ADMET) harus diprofilkan selama proses penemuan obat awal untuk
menghindari kegagalan pada tahap selanjutnya. Pendekatan pemodelan farmakofor
dapat sangat bermanfaat untuk prediksi properti ADMET. Jika seseorang dapat
mengidentifikasi interaksi yang mungkin dibuat oleh sekelompok molekul obat yang
memiliki profil ADMET yang didefinisikan dengan baik dengan enzim yang terlibat
dalam metabolisme obat, fitur-fitur yang berinteraksi secara umum dapat ditangkap
sebagai model farmakofor dan fitur setara dari molekul permintaan dapat dicocokkan
dengan model. Sitokrom P450 (CYP) merupakan yang utama sekelompok enzim yang
terlibat dalam metabolisme obat dari yang isoenzim 3A4, 2E1, 2D6, 2C19, 2C9 dan
1A2 menjalankan 90% dari metabolisme. Banyak penelitian terbaru melaporkan
keberhasilan implementasi farmakofor berbasis struktur model dilatih dari interaksi
enzim CYP obat yang dikenal untuk memprediksi kesesuaian molekul permintaan
untuk mengikat CYP tertentu. Juga model untuk menilai probabilitas perubahan kimia
molekul oleh enzim CYP telah berhasil dikembangkan dan diimplementasikan.
Penghambat pembersihan obat enzim seperti uridine 5′-diphospho-
glucuronosyltransferases dan transporter seperti P-glikoprotein / transporter kation
organik juga telah dimanfaatkan membangun model farmakofor. Model farmakofor
juga dapat digunakan untuk memprediksi kemungkinan binging senyawa target untuk
efek samping, sehingga membantu merancang lebih banyak senyawa target-spesifik
1) Studi Kasus dengan Hexadecahydro-1H-Cyclopenta [a] Kerangka
Phenanthrene (HHCPF)
Salah satu penelitian terbaru dari kelompok Jung dkk. (2018) [20] melaporkan
implementasi ligandbased fitur model pharmacophore dalam kombinasi dengan
teknik QSAR untuk membangun hubungan antara jumlah dan jenis fitur farmakoforik
di posisi tertentu dari perancah inti kelompok obat dengan obat mereka properti dan
target mengikat ikatan. Satu set berisi 110 obat yang disetujui FDA Hexadecahydro-
1H-Cyclopenta [a] Kerangka Phenanthrene (HHCPF) dipertimbangkan untuk
penelitian untuk memahami struktural dan fungsional mereka keragaman dan
spesifikasi sasaran. Analisis informasi target yang dikumpulkan dari DrugBank,
UniProt dan PDB menunjukkan selektivitas perancah untuk berbeda target dan
sebaliknya. Substituen hadir di 17 posisi yang berbeda di perancah diklasifikasikan
sebagai enam fitur farmakoforik, yaitu. Donor H-bond, Akseptor ikatan H, cincin
aromatik, hidrofobik, bermuatan, dan kelompok halogen. ADMET (penyerapan usus
manusia, biodegradabilitas, pengikatan P-glikoprotein, karsinogenisitas, permeabilitas
sel Caco2, uji positif Ames, sawar darah otak permeabilitas, hERG, pengikatan
CYP450, Tikus LD50, dll.) / sifat fisikokimia. (luas permukaan kutub, polarizabilitas,
LogP, refractivity, dll., diperoleh dari DrugBank) dari obat HHCPF diamati sangat
berkorelasi (R> 0,8) dengan jumlah dan jenis fitur farmakophorik ini pada posisi 3
dan 17 dari kerangka kerja. Sifat kimia substitusi pada atom karbon yang berbeda dari
kerangka kerja diamati memainkan peran yang luas dalam membuat interaksi spesifik
dengan yang aktif residu situs target masing-masing seperti yang terungkap dari
analisis docking pose. Pengikatan target ditemukan sangat dipengaruhi oleh kehadiran
/ tidak adanya cincin aromatik, donor HB dan akseptor HB sebagai substitusi berbeda
posisi perancah HHCPF. Model farmakofor berbasis struktur adalah dihasilkan dari
kompleks berlabuh dari delapan obat HHCPF paling penting dengan target mereka
yang selanjutnya dapat digunakan untuk menyaring inhibitor baru. Umum
Pengamatan dalam penelitian ini adalah bahwa jumlah dan posisi ikatan rangkap
dalam Kerangka kerja mengatur preferensi obat HHCPF untuk kelas target, dan
substituen pada posisi karbon tertentu bertanggung jawab atas pola pengikatan target
dan profil ADMET.

c. Identifikasi Target Menggunakan Pendekatan Pharmakofor

Model Farmakofor juga dapat digunakan untuk mengidentifikasi target yang
mungkin untuk aktifmolekul, dengan demikian memfasilitasi pemahaman tentang
mekanisme aksi mereka. Ini Pendekatan ini juga terbukti bermanfaat untuk studi
yang mengeksplorasi polifarmakologi dan reposisi obat. Pertama, sidik jari berbasis
farmakofor bisadigunakan untuk mencari molekul serupa, yang mekanisme kerjanya
sudahdimengerti. Sebaliknya, model farmakofor dapat dihasilkansitus aktif dari
kelompok protein yang kemungkinan terlibat dalam penyakit tertentujalur dan
kemudian molekul aktif dapat dipetakan untuk menemukan yang terbaiksesuai.
Struktur kelompok protein ini dapat diperoleh dari PDB atau modeldihasilkan
menggunakan berbagai teknik. Pharmacophore situs aktif dipetakan denganskor
tinggi dapat diusulkan sebagai target potensial untuk senyawa. Sebuah studi tentang
kelompok metabolit tumbuhan dan model farmakofor dari target yang mungkin
dilakukan oleh. Target pemetaan terbaik kemudian terbuktiakurat dengan pengujian
eksperimental, sehingga memvalidasi kegunaan farmakofor pendekatan pemetaan.

d. Desain Ligand De Novo dengan farmakofor

Selain bertindak sebagai permintaan untuk menyaring molekul dengan fitur
pada spasial yang diinginkan lokasi dan dengan demikian mungkin mendorong
respons biologis yang diinginkan, model farmakofor juga dapat digunakan untuk
desain de novo, dari senyawa, memuaskan kendala fisikokimia tertentu. Misalnya,
metode NEWLEAD dapat untuk membuat molekul baru dari fragmen terputus yang
berbeda (sebagian besar berasal dari ligan aktif yang diketahui) yang konsisten
dengan fitur farmakofor memodelkan dengan menggunakan tautan. Linker yang
fragmen penghubungnya kecil mungkin sedikit atom, rantai atau kadang-kadang
cincin bagian. Paket perangkat lunak seperti LUDI atau BUILDER dapat
menumbuhkan molekul baru seperti saat reseptor struktur juga dikenal. Banyak paket
lain juga melakukan lig de novo tersebut desain dari fitur farmakofor berbasis
reseptor. Jadi, model farmakofor memiliki cara aplikasi yang fleksibel untuk
menghasilkan timbal. desain De novo dimaksudkan untuk membuat senyawa yang
sepenuhnya baru, sementara farmakofor layar pencarian ruang kimia yang tersedia.
Namun, pencarian farmakofor lebih cepat dan lebih mudah.
 7. Keterbatasan Pendekatan Berbasis Farmakofor
Meskipun literatur dibanjiri banyak aplikasi yang sukses dan dapat diandalkan
dari pendekatan berbasis farmakofor dalam desain obat rasional, keterbatasannya
harus dipertimbangkan dengan hati-hati seperti halnya dengan metode apa pun. Cara
sistematis atau langsung untuk membangun model farmakofor tidak tersedia. `` Ini
adalah kasus terutama dengan model farmakofor berbasis reseptor di mana banyak
kombinasi fitur yang berbeda dimungkinkan dan masing-masing model dapat
menyaring set molekul yang berbeda. Kurangnya akurasi dalam fungsi penilaian /
kebugaran farmakofor adalah salah satu keterbatasan pencarian farmakofor. Jadi,
kualitas bahan pemetaan senyawa dengan model farmakofor yang sering diberikan
oleh RMSD antara fitur model dan atom dari molekul target tidak berdiri akurat
karena tidak memperhitungkan kemiripan dengan molekul aktif yang dikenal.
Terutama, model farmakofor berbasis ligan tidak mempertimbangkan kompatibilitas
keseluruhan dengan reseptor, sehingga kadang-kadang berakhir dengan penyaringan
molekul yang sangat berbeda dari senyawa aktif lainnya, dengan kelompok
kelompok fungsional yang sama sekali berbeda yang tidak saling melengkapi dengan
reseptor. Pencarian berbasis farmakofor terhadap basis data senyawa tidak memiliki
sampling konformasi cepat karena sebagian besar program bergantung pada basis
data konformer yang hanya memiliki jumlah terbatas dari molekul molekul. Ada
kemungkinan kehilangan molekul aktif jika konformasi yang sesuai tidak tersedia.
Jadi, diinginkan untuk menghasilkan konformer berenergi rendah sebanyak mungkin
untuk senyawa basis data, tetapi sekali lagi ia akan menghabiskan banyak waktu
komputasi. Khusus untuk ikatan rotatable dari kelompok hidroksil kecil, sulit untuk
mengambil sampel semua rotasi yang berbeda.

E. Prinsip Dasar HipHop

HipHop didasarkan pada penyelarasan fitur-fitur kimia dari suatu kumpulan mo-
lekul dan menghasilkan model-moel farmakofor tanpa mempertimbangkan aktivitas
sebagai input. HipHop digunakan melalui penyelarasan (alignment) dari molekul -molekul
untuk menghasilkan fitur-fitur seperti surface-accessible hidrofobik, surf- ace-accessible
donor/akseptor ikatan hidrogen, dan gugus ionik, terhadap satu seri senyawa yang aktif
tarhadap suatu target. Hip-Hop mengidentifikasi fitur-fitur yang umum dari penyelarasan
(alignment) dari senyawa-senyawa melalui pencarian konformasi secara cepat, dengan
memulai melalui kemungkinan penataulangan sederhana hingga didapatkan konformasi
yang paling mungkin.
Fitur-fitur kimia dari farmakofor mengevaluasi sejumlah kumpulan molekul
terpilih atau disebut training set, selama konformasi mampu menumpangtindihkan
(superimpose) fitur-fitur tersebut dengan molekul dalam 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 dengan skor
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 superimpasition (tumpang-tindih) terbaik terhadap fitur-
fitur kimia dari suatu model farmakofor. Fungsi scoring fit diperoleh dari persamaan :
Fit = ∑ Fitur-fitur hipotesis terpetakan x W[I-∑disp/tol)2]
di mana:
W = ukuran berat dari suatu fungsi hipotesis dan berhubungan dengan sesuai
bidang atau permukaan fitur hipotesis.
 ∑ = jumlah farmakofor yang berhasil ditumpangtindihkan oleh suatu gu- gus atau
bagian suatu ligan atau molekul yang bernilai tetap 1.0 dalam model Catalyst
yang dihasilkan
Disp = jarak antara pusat permukaan farmakofor (feature centroid) dan pusat bagian
atau gugus suatu molekul yang terpetakan oleh fitur kimia
Tol = radius dari permukaaan fitur-fitur farmakofor.

F. Penerapan Pemodelan Farmakofor

Water Pharmacophore: Designing Ligands using Molecular Dynamics
Simulations with Water (Jung dkk., 2018).
 Metode
1. Pemilihan dan persiapan struktur

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.

Struktur kristal X-ray dari 7 target – Acetylcholinesterase (AChE) 9, reseptor

androgen (AR) 10, reseptor Glukokortikoid (GR) 11, reseptor teraktivasi proliferasi
Peroxisome gamma (PPARγ) 12, Poli (ADP-ribosa) polimerase (PARP) 13, reseptor
Progesteron (PR) 14, dan Retinoid X reseptor alpha (RXRα) 15 - diambil dari Protein
Data Bank (PDB) 16,17. 7 target ini dipilih untuk studi ini dari set tes DUD asli
berdasarkan hasil pengayaan mereka dalam studi itu, dengan sebagian besar sistem
menghasilkan faktor pengayaan maksimum (EFmax) ~ 50 dengan faktor yang
menghasilkan EFmax tinggi> 100 (RXRα) dan sedikit yang menghasilkan EFmax rendah
≤5 (AChE, PPARγ, dan PR) 7. Struktur ini disiapkan oleh persiapan protein wizard
(PPW) module18 suite Schrödinger. PPW menambahkan hidrogen dan menetralkan
rantai samping yang bukan keduanya dekat dengan rongga pengikat atau terlibat dalam
pembentukan jembatan garam. Pada langkah selanjutnya, molekul air dihilangkan dan
atom hidrogen ditambahkan ke struktur, pada posisi yang paling mungkin dari atom
hidrogen hidroksil dan tiol. Status protonasi dan tautomer dari residu-Nya dan penugasan
Chi "flip" untuk Asn, Gln, dan residu-Nya adalah dipilih selama langkah ini juga.
Akhirnya, minimalisasi dilakukan sampai RMSD rata-rata non-hidrogen atom mencapai
0,3 Å.

2. Simulasi dinamika molekul.

Simulasi dinamika molekul dilakukan dengan menggunakan AMBER12
perangkat lunak 19,20 dengan AMBER99SB force field21 dan model air TIP3P22. Ligan
tidak disimulasikan; namun, konformasi ikatan protein ditahan selama pengambilan
sampel pada 2,5 kcal / mol · Å2 untuk sampel air yang dapat ditemukan di situs yang
mengikat negara terikat. Sistem protein terbungkus dalam kubik molekul air TIP3P di
mana setiap sisi memiliki jarak minimum 10 Å dari atom berat protein dengan kondisi
periodik kubik.
Pertama, 10.000 langkah minimalisasi dengan pengekangan 100 kkal / mol · Å2
pada semua atom berat protein dilakukan.Kemudian, sistem dipanaskan dengan
pengekangan yang sama untuk 100 ps sampai sistem mencapai 300 K dalam kondisi
NPT. Beberapa langkah simulasi kemudian diambil untuk secara perlahan mengurangi
pengekangan pada atom berat protein dari 100 hingga 10 kkal / mol · Å2, langkah-
langkah ini total 350 ps waktu simulasi, lagi dalam kondisi NPT. Pada tahap ini
minimisasi lain dilakukan untuk memastikan tidak ada kontak yang buruk terjadi karena
kekuatan pengekangan telah turun dengan cepat, minimalisasi ini dilakukan untuk 10.000
langkah pada 10 kkal / mol · Å2 pengekangan pada atom berat. Setelah ini beberapa
Langkah-langkah NPT dilakukan untuk melepaskan secara perlahan pengekangan dari 10
kkal / mol· Å2 hingga 2.5 kkal / mol · Å2, langkah-langkah ini total 1,2 ns waktu
simulasi. Akhirnya, setelah sistem sepenuhnya diseimbangkan, dipanaskan, dan santai
simulasi produksi dilakukan dalam kondisi NVT selama 10 ns simulasi waktu sampling
setiap 1 ps dengan 2,5 kkal / mol · Å2 pengekangan dan cutoff interaksi 8-ikatan. Data
dari simulasi ini digunakan untuk menghasilkan hidrasi situs. Langevin dynamics23
digunakan untuk menstabilkan suhu simulasi dan simulasi NPT dilakukan dengan
barostat Berendsen.

3. Metode untuk membangun farmakofor berbasis ligan.

Hipotesis farmakofor berbasis ligan dibangun dalam penelitian ini untuk berfungsi
sebagai perbandingan visual dengan farmakofor berbasis air untuk setiap sistem. Jung
dkk. (2018) menggunakan PHASE module25,26 dari suite Schrödinger dengan pose ligan
asli untuk menghasilkan berbasis ligan model farmakofor.
Analisis situs hidrasi. Analisis lokasi hidrasi (HSA) dilakukan di perairan dekat
lokasi pengikatan di Jakarta masing-masing dari 7 target yang relevan secara farmasi
(Tabel S1–7). Air ditentukan berada di saku yang mengikat oleh kedekatan (dalam 5 Å)
ke ligan mengkristal. Situs hidrasi dipilih dengan menemukan 1 Å bola yang
mengandung jumlah atom oksigen air tertinggi, lokasi ini dicatat dan semua perairan
yang ditemukan adalah dikecualikan dari menjadi situs unik4. Situs yang dipilih hanya
dipertimbangkan untuk analisis jika mengandung dua kali curah kepadatan di bawah
kondisi yang sama (untuk 10.000 sampel ini menyiratkan lebih dari 2.800 atom oksigen
air ditemukan). Situs-situs ini pernah dihasilkan dianalisis untuk kualitas termodinamika
seperti energi dan ikatan hidrogen karakteristik masing-masing akan dipertimbangkan
dalam menentukan viabilitas fitur farmakofor berbasis air. Energi ditentukan dengan
menghitung energi sistem dengan dan tanpa air yang ditemukan di dalam situs, translasi
entropi melalui metode histogram, dan entropi orientasi melalui tetangga terdekat.

4. Penugasan fitur Pharmacophore.

Setiap lokasi hidrasi yang diidentifikasi berpotensi diperlakukan sebagai fitur WP;
Namun, skrining farmakofor cenderung menghasilkan hasil yang optimal ketika 4-8
kriteria fitur dimanfaatkan. Selanjutnya, menjadikan setiap situs hidrasi fitur tidak akan
menjadi metode yang ideal. Dalam upaya mendesain suatu teknik yang akan
mengidentifikasi kontak utama tanpa binder yang diketahui, metode penyaringan dan
penetapan fitur untuk situs hidrasi dirancang sehingga metode ini dapat digunakan secara
buta untuk target dan menghasilkan yang wajar hasil. Kriteria rinci dirangkum dalam
Gambar. S1. Skema ini dibuat oleh termodinamika prinsip dan parameter rinci
dioptimalkan melalui uji coba dan seleksi kesalahan sistem pengujian Jung dkk. (2018).
Dimulai dengan diferensiasi berdasarkan rasio akseptor dan donor, setiap situs hidrasi
disaring serangkaian kriteria berdasarkan nilai energi dan rasio akseptor / donor. Dalam
hal cincin aromatik dan fitur hidrofobik, rasio akseptor ikatan hidrogen dan donor harus
lebih rendah dari 100%. Kemudian, untuk membedakan dua fitur, Modul Site Map27,28
dari suite Schrödinger digunakan untuk menentukan luas permukaan permukaan
hidrofobik Sebuah situs dengan rasio entalpi dan donor / donor yang baik ditentukan
untuk menjadi donor ikatan hidrogen atau situs akseptor berdasarkan karakteristik
ikatannya. Baik donor dan akseptor ikatan hidrogen memiliki energi enthalpik nilai
kurang dari −8.0 kkal / mol. Dalam hal donor ikatan hidrogen, rasio akseptor dan donor
harus lebih kecil masing-masing lebih dari 50% dan lebih dari 100%. Sebaliknya, rasio
akseptor dan donor harus lebih dari 100% dan masing-masing kurang dari 50%, dalam
hal akseptor ikatan hidrogen. Jika ada 2 fitur akseptor ikatan hidrogen dalam 3,5 Å satu
sama lain, mereka digabungkan menjadi fitur negatif. Untuk membedakan antara ikatan
hidrogen fitur donor dan positif panjang ikatan digunakan di mana lebih besar dari 1,5 Å
menggambarkan fitur donor dan kurang dari 1,5 Å menjelaskan fitur positif.
a) Pembuatan model Pharmacophore.
Fitur Pharmacophore yang ditetapkan seperti pada bagian sebelumnya adalah
digunakan untuk membangun model pharmacophore menggunakan modul PHASE
dari suite Schrödinger. Kriteria terperinci dirangkum dalam Gambar. S2. Skema
ini dibuat untuk memilih fitur penting secara efisien dan mengecualikan fitur yang
berlebihan, terutama fitur hidrofobik. Algoritma ini mengurangi fitur farmakofor
menjadi mudah dikelola Jumlahnya biasanya kurang dari 8 karena skrining
farmakofor menjadi tidak efisien dengan lebih dari 8 fitur. Selain itu, skema ini
mengoptimalkan posisi setiap fitur yang ditetapkan dengan docking yang dibatasi
oleh ikatan hidrogen atau minimalisasi energi. Dalam hal fitur negatif, dua fitur
farmakofor digabungkan untuk membentuk satu fitur negatif seperti yang
dijelaskan sebelumnya. Posisi fitur negatif dioptimalkan melalui kendala ikatan
hidrogen docking dengan asam asetat (CH3COO−) sebagai ligan. Dalam hal fitur
donor ikatan hidrogen, posisinya disesuaikan melalui docking ikatan ikatan
hidrogen dengan molekul air (H2O) sebagai ligan ketika energi entalpi lebih
banyak dari −9.0 kkal / mol. Akhirnya, dalam hal fitur hidrofobik, posisi
dioptimalkan melalui minimalisasi energi saat mengubah situs hidrasi menjadi
molekul metana (CH4) ketika energi entalpi lebih dari .28,2 kkal / mol. Di antara
fitur hidrofobik, situs dengan energi yang menguntungkan dikeluarkan dari
minimalisasi energi. Akibatnya, model pharmacophore berbasis air dengan
serangkaian fitur pharmacophore dioptimalkan dibangun (Tabel S1–7).
 b) Penapisan farmakofor
Untuk memvalidasi model WP Jung dkk. (2018), modul PHASE Schrödinger suite
digunakan untuk skrining terhadap model pharmacophore dibangun untuk target
populer (Gambar. S3). Conformers dari ligan dihasilkan menggunakan modul
ConfGen29 dari suite Schrödinger untuk penyaringan. Itu toleransi pencocokan
jarak yang digunakan adalah 1,5 Å dan parameter lainnya di pengaturan default
sehingga hit ditolak jika skor penyelarasan mereka lebih besar dari 1.2, skor vektor
mereka kurang dari .01.0, atau skor volume kurang dari 0,0, atau kombinasi
daripadanya.

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.

6. Analisis faktor pengayaan

Efektivitas farmakofor divalidasi melalui penilaian faktor pengayaan set molekul
DUD7. Pengayaan adalah kemungkinan memilih senyawa aktif yang diketahui dari
sebagian hit tingkat tinggi selama skrining dibandingkan dengan yang dipilih secara acak
dari set molekul asli. Pengayaan faktor diwakili oleh
EF = (𝐻𝑖𝑡𝑠 𝑠𝑎𝑚𝑝𝑒𝑙⁄𝑁𝑠𝑎𝑚𝑝𝑒𝑙)/(𝐻𝑖𝑡𝑠 𝑡𝑜𝑡𝑎𝑙 ⁄𝑁 𝑡𝑜𝑡𝑎𝑙)
di mana EF adalah faktor pengayaan, Hitssampled adalah jumlah hit sejati dalam daftar
hit, Nsampled adalah jumlah senyawa dalam daftar hit, Hitstotal adalah jumlah hit di
database lengkap, Ntotal adalah jumlah senyawa dalam database lengkap. Dalam
penelitian ini, Jung dkk. (2018) menghitung faktor pengayaan untuk aktivitas yang
ditemukan dalam penilaian teratas 1%, 5%, dan 10% dari total senyawa yang disaring.

Gambar 2. Situs hidrasi ditemukan di situs pengikatan streptavidin dibandingkan dengan

pose pengikatan ligannya biotin.
 Target Nomor model EF EF EF
1% 5% 10%
AR* 11 DHHH 15.4 7.1 4.2
PR* 18 ADDHHH 21.6 8.2 4.4
RXRα 9 - - - -
GR* 19 DHHH 19.4 6.7 3.3
PPARγ 25 DDHHHN 1.2 0.2 0.1
PARP* 36 ADDDR 22.6 5.2 2.6
AChE 43 DDDHHH 3.7 0.7 0.4
Tabel 2. Hasil analisis pengayaan menggunakan set DUD untuk 7 target dengan
penyaringan farmakofor berbasis air. Faktor pengayaan dihitung untuk 1, 5, 10% dari
kumpulan data asli. ‘−’menunjukkan bahwa model tidak menghasilkan dan mengevaluasi
analisis pengayaan. Entri yang ditandai dengan tanda bintang (*) adalah target di mana
waterpharmacophore docking yang unggul di EF 1%.

 Hasil dan Diskusi

Seperti yang ditunjukkan pada Gambar. 2, 10 situs hidrasi kepadatan tinggi yang
dihasilkan dari simulasi MD dari solvated situs aktif streptavidin. Menggunakan
algoritma WP Jung dkk. (2018), ditetapkan fitur farmakofor untuk masing-masing dari 8
hidrasi situs dari 10, yang dipilih sesuai dengan algoritma Jung dkk. (2018). Farmakofor
berbasis air yang dihasilkan adalah ditunjukkan pada Gambar. 3a, di samping hipotesis
farmakofor berbasis ligan dibangun dari biotin pada Gambar. 3b. Sebuah overlay
farmakofor berbasis air dan berbasis ligan ditunjukkan pada Gambar. 3c. Tampaknya
berbasis ligan dan farmakofor streptavidin berbasis air tumpang tindih dengan tingkat
yang signifikan. Dengan menggunakan proses yang sama, Jung dkk. (2018) kemudian
menghasilkan farmakofor berbasis air dan farmakofor berbasis ligan untuk 7 target
tersebut di atas.

a. Hasil studi pengayaan

Tabel 2 dan 3 merangkum hasil studi pengayaan pada 7 target.
1. Reseptor androgen (AR)
AR adalah reseptor nuklir yang terdiri dari domain N-terminal, Domain
pengikat DNA (DBD), dan domain pengikat ligan (LBD). Jika androgen, seperti
testosteron dan 5a-dihidrotestosteron, berikatan dengan LDB, AR berikatan
dengan DNA dalam bentuk homodimer dan mengatur ekspresi gen. AR terlibat
dalam berbagai proses fisiologis, terutama kontrol diferensiasi seksual pria.
Karena kelainan pada fungsi AR dapat menyebabkan kanker prostat atau benign
prostatic hyperplasia (BHP), AR adalah target obat yang penting30,31. Jung dkk.
(2018) menggunakan struktur PDB 1XQ2, yang dikristalisasi dengan ligan
metribolone. Metribolone menghasilkan 7 fitur total farmakofor ketika dijalankan
melalui PHASE (AADHHHH) (Gbr. 4a). Kita mengidentifikasi 11 lokasi hidrasi
di dalam LBD AR (Gbr. S4 dan Tabel S1). Prosedur WP Jung dkk. (2018)
menghasilkan 4 fitur DHHH (Gbr. 4b). Fitur WP tumpang tindih dengan fitur
farmakofor ligan. Farmakofor air dilakukan sedikit lebih baik daripada docking
dalam hasil pengayaan 1% dan 5%, sementara docking tampil sedikit lebih baik
dari WP dalam hasil pengayaan sebesar 10% (Tabel 2 dan 3).
Gambar 3. (a) model farmakofor biotin berbasis air dan (b) ligan. (c) Dua model yang
dilapis dalam situs pengikatan streptavidin. Fitur pharmacophore 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.
Target SP XP
EF EF EF EF EF EF
1% 5% 10% 1% 5% 10%
AR 11.5 6.6 5.3 10.2 6.6 4.8
PR 14.4 5.2 2.6 10.8 5.2 3.0
RXRα 24.1 14.8 8.5 19.3 11.8 8.0
GR 5.2 2.3 1.5 5.2 2.8 2.2
PPARγ 23.6 9.7 5.7 27.1 13.7 7.8
PARP 0.0 0.0 0.0 0.0 0.6 0.3
AChE 25.2 8.8 5.5 22.4 9.7 6.1
Tabel 3. Hasil analisis pengayaan menggunakan set DUD untuk 7 target oleh Glide SP
dan XP docking.

2. Reseptor progesteron (PR)

PR adalah reseptor nuklir lain yang bila dikombinasikan dengan
progesteron dalam sitosol akan membentuk dimer dan kemudian mengatur
ekspresi gen dengan mengikat DNA sehingga mengontrol kehamilan wanita dan
menstruasi. PR adalah target terapi untuk keguguran, kanker rahim, atau kanker
payudara32-34. Dalam 1SR7, struktur PDB yang digunakan untuk percobaan
Jung dkk. (2018), mometasone furoate, agonis steroid yang poten, terikat dalam
ligan kantong pengikat PR. PHASE menghasilkan total 15 fitur ligan farmakofor
(AAAAAADHHHHHHHR) untuk mometasone furoate. Analisis situs hidrasi
 menghasilkan 18 situs hidrasi (Gbr. S5 dan Tabel S2), beberapa di antaranya
bertepatan dengan fitur farmakofor ligan (Gbr. 5a). WP menghasilkan 6 fitur,
ADDHHH (Gbr. 5b). Dari jumlah tersebut, kecuali untuk fitur D2 dan H5 yang
terletak di luar situs pengikatan dan pada grup cincin dari ligan (R15), semua fitur
lainnya tumpang tindih dengan fitur farmakofor ligan. Secara keseluruhan,
penyaringan dengan Model WP menghasilkan pengayaan yang lebih baik
daripada skrining dengan memasukkan hasil pengayaan pada 1%, 5%, dan 10%
(Tabel 2 dan 3).

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.

3. Retinoid X receptor alpha (RXRα)

RXRα adalah reseptor nuklir dan berperan sebagai faktor transkripsi
mengendalikan berbagai proses fisiologis seperti pengembangan sel, apoptosis,
dan homeostasis. Alami ligan untuk RXRα adalah asam 9-cis-retinoat (9-cis-RA)
dan bersama-sama dengan ligan sintetis, diketahui efektif dalam penghambatan
pembentukan tumor menjadikan RXRα menjadi target obat antikanker35,36.
Dalam struktur PDB 1MVC, yang digunakan untuk pengujian Jung dkk. (2018),
senyawa agonis sintetis BMS649 terikat ke domain pengikat ligan (LBD).

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.

BMS649 menghasilkan 10 fitur farmakofor ketika dijalankan melalui

PHASE, AAHHHHHNRR (Gbr. 6a). Hidrasi analisis situs menghasilkan 9 situs
hidrasi (Gambar S6 dan Tabel S3), tetapi semuanya dekat dengan pembukaan
situs yang mengikat, daripada LBD (Gbr. 6b). Hal ini disebabkan oleh fakta
bahwa situs pengikatan adalah hidrofobik dan dengan demikian molekul air tidak
dapat menembus jauh ke dalam saku yang melarang pengambilan sampel air yang
benar di LBD (Gbr. S11). Berdasarkan kriteria untuk WP, tidak ada fitur yang
dihasilkan, dan karenanya tidak ada senyawa yang disaring. Kasus ini
menegaskan bahwa metode Jung dkk. (2018) WP tidak cocok dengan kasus di
mana kantong pengikat sangat hidrofobik dan air tidak diambil sampelnya
sepenuhnya. Di sisi lain, docking menunjukkan hasil pengayaan yang lebih baik
pada 1%, 5%, dan 10% (Tabel 2 dan 3).

4. Glucocorticoid receptor (GR)

GR adalah reseptor nuklir yang mengikat DNA ketika dikombinasikan
dengan steroid hormon dan bertindak sebagai faktor transkripsi. Ini terlibat dalam
homeostasis glukosa, pergantian tulang, diferensiasi sel, pematangan paru-paru,
dan peradangan. Abnormalitas pada GR dapat menyebabkan sindrom Cushing,
penyakit autoimun, dan berbagai jenis kanker dan dengan demikian telah
dipelajari sebagai target terapi yang penting37-39. Struktur yang digunakan dalam
percobaan Jung dkk. (2018) adalah 1M2Z, di mana dexamethasone terikat dalam
kantong pengikat ligan GR. TAHAP menghasilkan 13 fitur farmakofor
(AAAAADDHHHHHH) (Gbr. 7a). Analisis situs hidrasi menghasilkan 19 situs
hidrasi (Gbr. S7 dan Tabel S4), dari mana model WP 4-fitur, DHHH, dihasilkan
(Gbr. 7b). Di sebuah studi pengayaan, penyaringan model WP menghasilkan hasil
yang jauh lebih baik daripada penyaringan dengan masuk hasil pengayaan pada
1%, 5%, dan 10% (Tabel 2 dan 3).

5. Peroxisome proliferator-activated receptor gamma (PPARγ)

PPARγ adalah reseptor nuklir, yang mengontrol penyimpanan asam lemak
dan metabolisme glukosa. Ini terkait dengan berbagai penyakit, seperti obesitas,
diabetes, aterosklerosis, dan kanker40–42. Struktur yang digunakan dalam
 percobaan Jung dkk. (2018) 1FM9, terikat dengan α-aryloxyphenylacetic asam,
yang merupakan agonis PPARγ. PHASE menghasilkan 10 fitur farmakofor
(AAAHHHNRRR) (Gbr. 8a). Analisis situs hidrasi menghasilkan 25 situs hidrasi
(Gambar. S8 dan Tabel S5) dan dari 6 fitur WP ini dipilih, DDHHHN (Gbr. 8b).
Meskipun penyaringan WP memilih beberapa aktivitas, faktor pengayaan untuk
WP adalah minimal, dengan angka positif hanya untuk 1% kasus. Sebagai
perbandingan, docking dilakukan dengan baik dengan faktor pengayaan

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).

Mohan, C., G., 2019. Structural Bioinformatics : Applications in Preclinical Drug

Discovery Process, Springer : India.

Muchtaridi, Arry, Y., Sandra, M., dan Hari, P., 2018. Kimia Medisinal : Dasar-Dasar Dalam
Perancangan Obat Edisi Pertama, Prenadamedia Group : Jakarta.