QSAR

A. DASAR TEORI (VINCA)

Analisis Hubungan Kuantitatif Struktur-Aktivitas (HKSA) merupakan salah satu
aplikasi dari kimia komputasi dan juga bagian yang dipelajari dalam bidang kimia
medisinal. Dengan metoda analisis HKSA, senyawa yang akan disintesis dapat didesain
terlebih dahulu berdasarkan hubungan antara sifat-sifat kimia serta fisik molekul dengan
aktivitas biologisnya, dengan menggunakan hubungan tersebut, aktivitas teoritik suatu
senyawa baru dapat diprediksi, dan dengan demikian fokus riset dapat dipersempit, biaya
dan waktu pun dapat dihemat.
HKSA bertujuan untuk menghubungkan struktur molekul dengan aktivitas atau
sifat biologi yang menggunakan metode statistik. dengan A/S merupakan aktivitas atau
sifat dan f merupakan fungsi yang tergantung pada struktur molekul atau deskriptor
molekul. Aktivitas biologi dapat dinyatakan dalam log 1/C, Ki, IC50, ED50, EC50, log
K, dan Km.
Selain hubungan dengan aktivitas atau sifat biologis, HKSA juga dapat digunakan
untuk menentukan sifat fisik dan sifat toksik suatu senyawa. Toksisitas senyawa biasa
ditentukan secara kuantitatif dalam ukuran konsentrasi efektif (Effective Concentration,
EC atau Effective Dose, ED), konsentrasi inhibisi (Inhibiton Concentration, IC) atau
konsentrasi mematikan (Lethal Dose, LD).

B. SYARAT QSAR
 Semua model persamaan HKSA yang baik mempunyai harga r di atas 0,8
 Fhit/Ftab yang baik memiliki harga Fhit/Ftab lebih dari satu
 Harga Press yang kecil dipilih tiga kandidat model persamaan HKSA yang terbaik

C. PROSES DAN TAHAPAN

1. Pengumpulan data set

Data set senyawa dapat dikumpulkan dari beberapa sumber salah satunya adalah
pubchem. Seluruh senyawa disimpan dalam bentuk tiga dimensi yaitu (.mol). Senyawa
yang dicari harus yang telah diujikan secara invitro terhadap sel dan sudah diketahui
IC50 dari senyawa tersebut.

2. Pemilihan Deskriptor dan Perhitungan Deskriptor

Molekuler deskriptor adalah hasil dari logika dan matematika yang mengubah
informasi yang dikodekan dalam suatu molekul kemudian di representasikan kedalam
angka-angka yang berguna bagi penelitian berikutnya, baik sebagai pengetahuan tentang
molekul tersebut maupun sebagai model untuk memprediksi molekul lain. Deskriptor
 ada berbagai macam diantaranya, deskriptor hidrofobik, sterik, dan elektronik.
Deskriptor hidrofobik berupa log P, dan log D, deskriptor sterik terdiri dari indeks
Harary, indeks Randic, dan indeks Wiener, serta deskriptor elektronik yaitu PPSA1 dan
PNSA1.

Perhitungan deskriptor berupa CPSA, indeks Wiener dan log P dilakukan

menggunakan aplikasi CDK deskriptor dan input yang digunakan adalah .mol serta
outputnya berupa .xls. Sedangkan untuk indeks Harray dan indeks Randic akan dihitung
menggunakan marvin sketch kemudian nilai deskriptor yang telah didapat disatukan
dalam Microsoft exel.

3. Pembagian data dan penghilangan outlier

Data yang telah didapat kemudian dibagi menjadi dua kelompok data yaitu
training set, dan test set. Penghilangan outlier dilakukan dengan menggunakan Ligand
Scout trial dengan membandingkan gugus kromofor yang terdapat pada senyawa-
senyawa yang didapatkan.

4. Pembuatan model persamaan HKSA

Model persamaan dibuat menggunakan SPSS 16 dengan variabel dependent

adalah log 1/IC50 (aktivitas) dan variabel independent berupa log D, log P, PPSA1,
PNSA1, indeks harray, indeks randiks, dan indeks wiener.

5. Validasi metode HKSA

Validasi dilakukan dengan beberapa parameter statistik yaitu, koefisien korelasi

(r), koefisien determinasi (r2), adjusted r2, standard of error (SE), F hitung/Ftabel, prediction
residual error sum of square (PRESS), dan root mean square deviation (RSMD). untuk
menentukan nilai PRESS dilakukan dengan mengurangi hasil Log 1/IC50 dari
persamaan dengan Log 1/IC50 dari penelitian yang telah dilakukan, kemudian merata-
ratakan (menjumlah seluruhnya dan membagi pada jumlah test set yang digunakan)
kemudian dilakukan pengakaran kuadratan terhadap rata-rata yang telah didapatkan.

D. Metoda VALIDASI HKSA

1. Metoda HKSA Free-Wilson
Free dan Wilson (1964), mengembangkan suatu konsep hubungan struktur dan aktivitas
biologis obat, yang dinamakan model de novo atau model matematik Free-Wilson. Merek
mengemukakan bahwa respons biologis merupakan sumbangan aktivitas dari gugusgugus
substituen terhadap aktivitas biologis senyawa induk, yang dinyatakan melalui persamaan
berikut:
log 1/C = Σ S + µ
log 1/C : logaritma aktivitas biologis
 ΣS : total sumbangan substituen terhadap aktivitas biologis senyawa induk
µ : aktivitas biologis senyawa induk
Pada substitusi bermacam-macam gugus pada daerah atau zona yang berbeda dalam
struktur senyawa induk, maka:
log 1/C = Σ An . Bn + µ
Σ An . Bn : total sumbangan aktivitas dari n substituen dalam n zona terhadap aktivitas
senyawa induk jumlah senyawa yang disintesis merupakan hasil kali jumlah substituen
pada tiap-tiap zona dari senyawa induk (Siswandono dan Soekardjo, 2000).
Penyelesaian model Free-Wilson menggunakan matriks dan analisis multiregresi
linier. Pada matriks itu substituen mendapat nilai indikator 1 jika terdapat dalam molekul
dan mendapat nilai indicator 0 jika tidak terdapat dalam molekul sebagai parameter bebas
dan
aktivitas biologis sebagai variabel tergantung (Sardjoko, 1993).
Model de novo ini kurang berkembang karena tidak dapat digunakan bila efek
substituen bersifat tidak linier atau bila ada interaksi antarsubstituen. Selain itu model ini
memerlukan banyak senyawa dengan kombinasi substituen yang bervariasi untuk dapat
menarik kesimpulan yang benar. Meskipun demikian model ini juga mempunyai
keuntungan karena dapat menghubungkan secara kuantitatif antara struktur kimia dan
aktivitas biologis dari turunan senyawa dengan bermacam-macam gugus substitusi pada
berbagai zona. Model ini digunakan bila tidak ada data tetapan kimia fisika dari senyawa-
senyawa yang diteliti dan uji aktivitas lebih lambat dibanding dengan sintesis turunan
senyawa (Siswandono, 1998).
Kelemahan metode Free-Wilson yaitu: (Sardjoko, 1993)
a. Penggunaan model Free-Wilson akan menghasilkan model persamaan yang hanya
dapat memprediksikan turunan baru dalam jumlah terbatas.
b. Tidak dapat digunakan untuk memprediksi gugus lain yang berbeda dari jenis
gugus yang digunakan dalam analisis.
2. Metoda Hansch
Hansch (1963), mengemukakan suatu konsep bahwa hubungan struktur kimia dengan
aktivitas biologis (log 1/C) suatu turunan senyawa dapat dinyatakan secara kuantitatif
melalui parameter-parameter sifat kimia fisika dari substituen yaitu parameter hidrofobik
(π), elektronik (σ),
dan sterik (Es). Model pendekatan ini disebut pula model hubungan energi bebas linier
(linear free energy relationships = LFER) atau pendekatan ekstratermodinamik.
Pendekatan ini menggunakan dasar persamaan Hammett yang didapat dari kecepatan
hidrolisis turunan asam benzoat, sebagai berikut:
log (kx/kh) = ρ . σ
kx dan kh : tetapan keseimbangan reaksi dari senyawa tersubstitusi dan senyawa
induk
ρ : tetapan yang tergantung pada tipe dan kondisi reaksi serta jenis senyawa
σ : tetapan yang tergantung pada jenis dan kedudukan substituent
 Penjabaran lebih lanjut dari persamaan di atas didapatkan persamaan sebagai berikut:
log kx = ρ . σ + log kh
Persamaan ini dapat menjelaskan adanya hubungan linier antara tetapan
substituen σ dan logaritma reaktivitas senyawa (log kx). Pendekatan hubungan struktur-
aktivitas melalui parameter sifat kimia fisika oleh Hansch dinyatakan melalui persamaan
regresi linier di bawah ini: (Siswandono dan Soekardjo, 2000).
log 1/C = a Σ π + b Σ σ + c Σ Es + d
C : kadar untuk respons biologis baku
Σ π, Σ σ, dan Σ Es : sumbangan sifat-sifat lipofilik, elektronik, dan sterik dari gugus-
gugus terhadap sifatsifat senyawa induk yang berhubungan dengan
aktivitas biologis
a, b, c, dan d : bilangan (tetapan) yang didapat dari perhitungan analisis regresi linier

Kelemahan dari metode ini adalah: (Silverman, 1992).

1. Harus terdapat nilai parameter untuk tiap-tiap substituen dalam kumpulan data.
2. Senyawa dalam jumlah yang besar harus dimasukkan dalam analisis agar
diperoleh persamaan yang dapat dipercaya.
3. Diperlukan keahlian statistik dan komputer.
4. Interaksi molekul yang kecil merupakan bentuk yang tidak sempurna untuk sistem
biologi.
5. Seperti hubungan empiris lainnya, perhitungan yang sering akan menghasilkan
prediksi palsu.
Parameter sifat kimia fisika yang sering digunakan dalam HKSA model Hansch
adalah parameter hidrofobik, elektronik, dan sterik. Pada proses distribusi atau
pengangkutan obat, penembusan membran biologis sangat dipengaruhi oleh sifat
kelarutan obat dalam lemak/air, suasana pH, dan derajat ionisasi (pKa) sehingga dalam
hubungan kuantitatif struktur dan aktivitas, parameter sifat kimia fisika yang sering
dilibatkan adalah parameter hidrofobik dan elektronik. Proses interaksi obat-reseptor
sangat dipengaruhi oleh ikatan kimia, kerapatan elektron, ukuran molekul, dan efek
stereokimia. Dalam hubungan struktur dan aktivitas, ketiga parameter sifat kimia fisika di
atas ikut dilibatkan, terutama parameter elektronik dan sterik (Siswandono dan
Soekardjo, 2000).

3. Metode HKSA-3D

Kajian HKSA berkembang cukup pesat dengan berdasarkan peninjauan aspek

struktur kimia secara tiga dimensional (3D). Analisis HKSA 3D berawal dari
permasalahan analisis Hansch untuk senyawasenyawa enantiomer yang memiliki
kuantitas sifat dan kimiawi yang sama tetapi memiliki aktivitas biologis yang berbeda.
 Ternyata diketahui bahwa efek stereokimia berperanan pada harga aktivitas biologis obat.
Hal ini tidak bisa dikaji secara akurat dengan model analisis Hansch konvensional
sehingga kemudian dikembangkan model analisis HKSA baru secara 3D
(Linn et all, 2005).
Dasar kajian ini adalah perbandingan molekul-molekul yang disandingkan satu
sama lain pada suatu ruang yang dipetakan dengan sejumlah kisi-kisi 3D. Untuk tiap kisi
ditentukan kontribusi sterik dan kontribusi elektronik yang dihasilkan pada tiap senyawa.
Selanjutnya dikorelasikan dengan harga aktivitas biologis senyawa dengan menggunakan
teknik analisis multivariat. Analisis HKSA 3D ini sering disebut sebagai analisis
perbandingan medan molekular (Comparative Molekular Field Analysis = CoMFA)
(Franke, 1984).

E. SOFTWARE YANG DIGUNAKAN

1. HyperChem® Release 8.0 : Aplikasi untuk pemodelan struktur molekul
2. Molecular Operating Environment (MOE 2007.09) : Aplikasi untuk perhitungan
prediktor yang mewakili aktivitasnya
3. SPSS Statistics 17.0 : aplikasi unuk melakukan analisis statistik
4. Argus Lab 4.0.1 : aplikasi kimia yang digunakan utuk membantu penelitian
pemodelan molekul, umumnya merupakan gambar 2 dimensi.
5. Autodock Vina 1.5.4 revision 30 : aplikasi untuk melakukan docking (memprediksi
interaksi antar molekul) molekul.
6. PyMOL Molecular Graphic System version 1.1 eval : program visualisasi molecular
open source

F. BERBAGAI PENDEKATAN
1. Pendekatan pertama untuk membuat hubungan kuan-titatif yang dapat
menggambarkan aktivitas sebagai fungsi struktur kimia terdapat pada prinsip
termodinamika. Suku energi bebas, DE, DH dan DS dinyatakan dengan satu seri
parameter yang dapat diturunkan dari molekul yang di-analisis.
2. Pendekatan lain untuk menguji pengaruh struktur kimia pada aktivitas telah
disusun oleh Jurs. Jurs menggu-nakan kombinasi analisis kluster dan teknik pengenalan
pola sebagai alat untuk menyusun korelasi ini. Program ADAPT menghasilkan
kumpulan data diskriptor (topologi geometri dan fisiko-kimia) yang diturunkan dari
bagunan model 3-D, memproyeksikan titik data ke permukaan n-dimensi dan dianalisis
data tersebut menggunakan metode pengenalan pola. Tujuan akhir dari analisis ini
adalah untuk membe-dakan antara senyawa yang aktif dan tidak aktif dalam sebuah seri
senyawa
 PHARMACOPORE MODELING

A. Dasar Teori
Farmakofor adalah deskripsi abstrak fitur molekuler yang diperlukan untuk pengenalan
molekul suatu ligan oleh makromolekul biologis. IUPAC mendefinisikan farmakofor
sebagai "ansambel fitur sterik dan elektronik yang diperlukan untuk memastikan interaksi
supramolekul yang optimal dengan target biologis spesifik dan untuk memicu (atau
memblokir) respons biologisnya". [1] Model farmakofor menjelaskan bagaimana ligan
yang beragam secara struktural dapat berikatan dengan situs reseptor umum. Selain itu,
model pharmacophore dapat digunakan untuk mengidentifikasi melalui desain de
novo atau skrining novel ligan virtual yang akan mengikat reseptor yang sama.
Proses untuk mengembangkan model pharmacophore umumnya melibatkan langkah-
langkah berikut:
Pilih satu set pelatihan ligan - Pilih satu set molekul yang beragam secara struktural yang
akan digunakan untuk mengembangkan model pharmacophore. Karena model
farmakofor harus dapat membedakan antara molekul dengan dan tanpa bioaktivitas, set
molekul harus mencakup senyawa aktif dan tidak aktif.
Analisis konformasional - Menghasilkan satu set konformasi energi rendah yang
cenderung mengandung konformasi bioaktif untuk masing-masing molekul yang dipilih.
Superimposisi molekul - Superimpose ("fit") semua kombinasi dari konformasi molekul
berenergi rendah. Gugus fungsional ( bioisosterik ) yang serupa yang umum pada semua
molekul dalam himpunan mungkin dipasang ( misalnya , cincin fenil atau gugus asam
karboksilat). Himpunan konformasi (satu konformasi dari masing-masing molekul aktif)
yang menghasilkan paling cocok dianggap konformasi aktif.
 Abstraksi - Mengubah molekul yang dilapiskan menjadi representasi abstrak. Misalnya,
cincin fenil yang dilapiskan dapat disebut lebih secara konseptual sebagai elemen
farmakofor 'cincin aromatik'. Demikian juga, gugus hidroksi dapat ditunjuk sebagai
elemen farmakofor 'donor ikatan / akseptor' hidrogen .
Validasi - Model farmakofor adalah hipotesis yang menghitung aktivitas biologis yang
diamati dari sekumpulan molekul yang berikatan dengan target biologis umum. Model ini
hanya valid sejauh ia mampu menjelaskan perbedaan dalam aktivitas biologis dari
berbagai molekul.
Ketika aktivitas biologis molekul baru tersedia, model pharmacophore dapat diperbarui
untuk lebih menyempurnakannya.

B. Syarat
C. Proses/ Tahapan
Untuk penyusunan farmakofor digunakan Pharmacophore Query Editor dan Protein-
Ligand Interaction Fingerprint pada program MOE.
Tahapan :
1. Penentuan fitur farmakofor diawali dengan mensejajarkan (superpose) seluruh
protein yang diunduh dari situs RCSB. Tujuan dilakukannya pensejajaran tersebut
adalah untuk mengetahui letak kesamaan struktur dari senyawa-senyawa ligan
misalnya ligan yang memiliki potensi sebagai inhibitor COX-2.
2. Selanjutnya seluruh reseptor dan pelarut yang merupakan satu kesatuan dari
makromolekul protein sebelumnya dihapus sehingga yang tampak pada jendela
MOE hanya ligan- ligan yang telah disejajarkan.
3. Langkah selanjutnya adalah menjalankan pharmacophore query editor yang bertujuan
untuk membuat fitur-fitur farmakofor dengan urutan perintah MOE >> Compute >>
Pharmacophore >> Query Editor. Skema anotasi farmakofor otomatis membuat query
pharmacophore, sehingga pada jendela MOE akan terlihat fitur-fitur farmakofor yang
terdapat pada senyawa ligan. Skema anotasi yang digunakan adalah unified.
 Contohnya : Tujuan dari penyusunan query farmakofor adalah untuk menjelaskan
struktur 3D
fitur senyawa-senyawa anti inflamasi untuk pengikatan dengan reseptor
dengan
menghasilkan farmakofor, dan untuk menentukan fitur struktur dari
COX-2 yang
penting untuk aktivitas biologis dengan melihat residu asam amino yang
berperan
pada pengikatan.
4. Titik anotasi yang sesuai dengan hasil penelitian interaksi ligan reseptor dipilih untuk
menjadi fitur farmakofor.
5. Langkah terakhir yaitu perbaikan query yang dimaksudkan untuk memodifikasi query
atau menghasilkan kecocokan dengan pengaturan query yang lebih ketat.

Penjelasan :

Salah satu tahapan yang sangat penting dalam penyusunan query farmakofor ligan
ini adalah pada proses pensejajaran struktur 12 protein yang telah diunduh dari situs
RCSB. Seluruh protein tersebut harus benar-benar sejajar, karena akan sulit untuk
membuat fitur farmakofor dari ligan ketika strukturnya tidak sejajar dengan baik. Adapun
dalam proses pensejajaran tersebut, protein dibuka pada jendela MOE satu persatu dan
disejajarkan setiap penambahan protein. Hal tersebut dilakukan agar pensejajaran struktur
protein dapat berjalan maksimal dan menghasilkan struktur yang sejajar dengan baik.
Selanjutnya untuk memastikan struktur protein telah sejajar dengan baik, maka pada
bagian ribbon diubah style menjadi line sehingga akan tampak seperti benang-benang
yang tersusun rapi.

Sebelum masuk pada tahap membuat fitur farmakofor ligan, seluruh reseptor dan
pelarut dihilangkan sehingga yang bertumpuk hanya struktur ligannya saja. Selanjutnya
pembuatan fitur farmakofor ligan dapat dilakukan dengan menjalankan Pharmacophore
 Query Editor. Titik-titik anotasi ligan kemudian akan muncul secara otomatis. Adapun
titik anotasi ligan yang dipilih terdapat tiga titik yang kemudian dibuat menjadi tiga fitur
farmakofor. Ketiga fitur farmakofor tersebut masing-masing sebagai gugus anion dan
akseptor proton dan gugus aromatik. Tiga titik anotasi ligan tersebut dipilih karena
banyaknya titik anotasi ligan yang bertumpuk pada titik tersebut. Di samping itu,
berdasarkan interaksi ligan yang diperoleh pada tahap analisis interaksi ligan-protein,
dapat dilihat interaksi ligan dengan protein terjadi di titik anotasi ligan pada fitur dan sisi
aktif dari target seperti enzim atau reseptor. Kemudian interaksi senyawa- senyawa yang
telah diikatkan kemudian diurutkan berdasarkan hasil analisis secara komputasi
komponen sterik dan elektrostatiknya.

D. Metode Validasi Pharmacophore

Validasi Farmakofor adalah untuk menguji apakah model kami cukup baik untuk
memprediksi senyawa aktif. Tiga metode validasi digunakan dalam langkah ini: Fischer's
method; test set (kumpulan ligan aktif pada reseptor tertentu) dan decoy set (ligan yang
mirip secara struktur dengan actives set namun tidak aktif terhadap reseptor).

E. Software yang bisa digunakan

Perangkat lunak yang digunakan dalam pemodelan pharmacopor antara lain HipHop,
HypoGen, Accelrys, Disco, Gasp, Galahad, Phase, MOE.
F. Berbagai pendekatan

Pendekatan pharmacophore telah digunakan secara luas dalam skrining virtual, de novo
desain dan aplikasi lain seperti lead optimation and multitarget drug design.
Skrining Virtual
Setelah model pharmacophore dihasilkan oleh ligandbased atau pendekatan
berbasis struktur, dapat digunakan untuk query database kimia 3D untuk mencari ligan
potensial, yaitu disebut 'skrining virtual berbasis farmakofor' (VS). VS berbasis
farmakofor dan VS berbasis dok mewakili arus utama alat VS saat ini. Berbeda dengan
mitranya, metode VS berbasis dok, VS berbasis farmakofor mengurangi masalah yang
timbul dari pertimbangan tidak cukupnya fleksibilitas protein atau penggunaan fungsi
penilaian yang tidak dirancang atau dioptimalkan dengan memperkenalkan radius
toleransi untuk setiap fitur farmakoforik.
Dalam pendekatan VS berbasis farmakofor, farmakofor hipotesis diambil sebagai
templat. Tujuan penyaringan sebenarnya adalah untuk menemukan molekul (hit) yang
memiliki fitur kimia mirip dengan template. Beberapa hits ini mungkin mirip dengan
senyawa aktif yang diketahui, tetapi beberapa yang lain mungkin sepenuhnya baru dalam
perancah. Pencarian senyawa dengan perancah yang berbeda, sambil berbagi aktivitas
biologis biasanya disebut 'scaffold hopping' [39]. Proses penyaringan melibatkan dua
teknik dan kesulitan utama: menangani fleksibilitas konformasi molekul kecil dan
identifikasi pola farmakofor. Strategi untuk menangani fleksibilitas molekul kecil dalam
VS berbasis pharmacophore sangat mirip dengan yang digunakan dalam pemodelan
pharmacophore. Sekali lagi, fleksibilitas molekul kecil ditangani dengan baik pra-
pencacahan konformasi ganda untuk setiap molekul dalam database atau pengambilan
sampel konformasi pada waktu pencarian. Identifikasi pola farmakofor, biasanya disebut
'pencarian substruktur', sebenarnya untuk memeriksa apakah farmakofor permintaan
hadir dalam konformer molekul tertentu. Pendekatan yang sering digunakan untuk
pencarian substruktur didasarkan pada teori grafik, yang meliputi Ullmann [40],
algoritma backtracking [41], dan algoritma GMA [42].
Metode yang biasa digunakan untuk mempercepat proses penyaringan adalah
pendekatan pencarian bertingkat [5]. Dalam pendekatan ini, serangkaian filter
penyaringan diterapkan pada molekul dalam urutan kompleksitas yang meningkat
sehingga filter pertama cepat dan sederhana, sedangkan yang berturut-turut lebih
memakan waktu tetapi diterapkan hanya pada sebagian kecil dari seluruh database.
Namun, masalah yang paling menantang untuk berbasis farmakofor VS adalah bahwa
dalam banyak kasus, beberapa persen dari hit virtual benar-benar bioaktif; dengan kata
lain, hasil skrining menanggung tingkat ‘false positive’ yang lebih tinggi dan / atau ‘false
negative 'yang lebih tinggi. Banyak faktor yang dapat berkontribusi pada masalah ini,
termasuk kualitas dan komposisi model farmakofor dan apakah dan berapa banyak
informasi target makromolekul yang terlibat. Pertama, faktor yang paling jelas terkait
dengan defisiensi hipotesis farmakofor. Untuk mengatasi masalah ini, diperlukan validasi
dan optimisasi komprehensif ke farmakofor model. Berbagai metode validasi seperti
validasi silang dan metode tes telah disarankan, yang baru-baru ini ditinjau oleh
Triballeau.
 pharmacophore yang digunakan untuk permintaan 3D umumnya merupakan salah
satu subgraph dari peta pharmacophore penuh, skrining dengan permintaan
pharmacophore ini mungkin tidak mengambil molekul yang cocok dengan subgraph lain
kecuali yang dipilih, yang mungkin merupakan alasan penting untuk semakin tinggi
tingkat negatif palsu dalam beberapa penelitian (Gbr. 3). Ketiga, fleksibilitas
makromolekul target dalam pendekatan farmakofor ditangani dengan memperkenalkan
radius toleransi untuk setiap fitur farmakoforik, yang tidak mungkin sepenuhnya
memperhitungkan fleksibilitas makromolekul dalam beberapa kasus. Beberapa upaya
baru-baru ini [45,46] untuk menggabungkan simulasi dinamika molekuler dalam
pemodelan pharmacophore telah menyarankan bahwa model pharmacophore dinamika
yang dihasilkan dari lintasan simulasi MD menunjukkan representasi yang jauh lebih
baik dari fleksibilitas farmakofor.

De Novo design
Pendekatan desain de novo dapat digunakan untuk membuat struktur kandidat
yang sepenuhnya baru yang sesuai dengan persyaratan farmakofor yang diberikan.
Program desain de novo berbasis pharmacophore pertama adalah NEWLEAD [53], yang
digunakan sebagai input satu set fragmen molekul terputus yang konsisten dengan model
pharmacophore, dan set yang dipilih dari fragmen farmakofor yang terputus kemudian
dihubungkan dengan menggunakan penghubung (seperti atom, rantai, atau cincin).
Sebenarnya, NEWLEAD hanya dapat menangani kasus di mana fitur farmakofor adalah
kelompok fungsional konkret (tidak fitur kimia abstrak). Kekurangan lain dari
NEWLEAD Program termasuk bahwa wilayah terlarang secara sterik dari situs
pengikatan tidak dipertimbangkan dan bahwa, seperti dalam program desain tradisional
novo, senyawa yang dibuat oleh program NEWLEAD mungkin sulit untuk disintesis
secara kimia. Program lain seperti LUDI4 dan BUILDER [54] juga dapat digunakan
untuk menggabungkan identifikasi farmakofor berbasis struktur dengan desain de novo.
Mereka, bagaimanapun, membutuhkan pengetahuan tentang struktur 3D makromolekul
target.
Untuk mengatasi kelemahan dari perangkat lunak de novo desain berbasis
pharmacophore saat ini, kami telah mengembangkan program baru, PhDD (metode
desain de novo berbasis pharmacophore berbasis molekul seperti obat) [55]. PhDD dapat
secara otomatis menghasilkan molekul seperti obat yang memenuhi persyaratan hipotesis
farmakofor input. Farmakofor yang digunakan dalam PhDD dapat terdiri dari
serangkaian fitur kimia abstrak dan volume yang dikecualikan yang merupakan wilayah
terlarang secara sterik pada situs pengikatan. PhDD menghasilkan pertama satu set
molekul baru yang sepenuhnya sesuai dengan persyaratan model farmakofor yang
diberikan. Kemudian serangkaian penilaian terhadap molekul yang dihasilkan dilakukan,
termasuk penilaian kemiripan obat, bioaktivitas dan aksesibilitas sintetis. PhDD diuji
pada tiga contoh khas: hipotesis farmakofor histone deacetylase, CDK2 dan HIV-1
integrase inhibitor. Hasil tes menunjukkan bahwa PhDD mampu menghasilkan molekul
dengan perancah yang benar-benar baru. Analisis kesamaan dengan penggunaan
koefisien Tanimoto menunjukkan bahwa molekul yang dihasilkan harus memiliki fungsi
biologis yang sama dengan inhibitor yang ada, meskipun mereka secara struktural
berbeda.