Anda di halaman 1dari 2

Nama : Isti Mulfiyana

NPM : 11171017

Kelas : 3FA1

Rangkuman Abstark

Latar belakang dari jurnal ini karena tingginya kematian diakibat kan penyakit alzheimer dengan
data 47 juta orang hidup dengan demensia di seluruh dunia. Dapat diperkirakan lebih dari
131 juta manusia pada tahun 20502. Penyakit Alzheimer adalah salah satu gangguan
neurodegeneratif yang paling umum pada populasi lansia. Itu β-situs enzim pembelahan amiloid 1
(BACE1) adalah konstituen utama dari plak amiloid dan memainkan peran sentral dalam patogenesis
otak ini, sehingga merupakan target farmakologis yang menguntungkan bagi pengobatannya.
Neurodegenerative penyakit ini ditandai oleh gangguan kognitif yang stabil, kehilangan
ingatan jangka pendek, dan masalah dengan bahasa.

banyak penelitian eksperimental tentang keunggulan dari AD menyimpulkan bahwa


pengendapan plak amiloid dalam Otak pasien Alzheimer merupakan salah satu penyebab
penting dari perkembangan penyakit3,4. Yang penting komponen dari plak amiloid adalah
protein amiloid-β (Aβ) 5, yang dihasilkan oleh pembelahan berikutnya dari protein prekursor
amiloid (APP) oleh dua enzim proteolitik β- dan γ-sekrase6,7. Seluruh biokimia mekanisme
pembelahan proteolitik tergantung pada interaksi protein-protein antara pembelahan
amiloid situs-β

model QSAR untuk identifikasi potensi inhibitor protein BACE1, dalam studi QSAR,
akibatnya, diperlukan untuk membangun struktur beragam senyawa untuk mencapainya.
Mengikuti tujuan ini, dataset dianalisis karakterisasi sifat seperti obat dari sudut pandang
fisikokimia. Dengan demikian, dua pendekatan berbeda telah digunakan menganalisis
keragaman dataset kami, dari sudut pandang struktural dan seperti obat.QSAR dirancang
dengan menggunakan metode klasifikasi. Untuk membangun model ini, database dengan
215 molekul dikumpulkan dari berbagai sumber telah dikumpulkan. Dataset ini berisi
beragam senyawa dengan perancah yang berbeda dan sifat fisik-kimia, yang meliputi ruang
kimia yang luas dalam obat-seperti jarak. Aspek yang paling khas dari strategi QSAR yang
diterapkan adalah kombinasi hibridisasi dengan eliminasi mundur model, yang berkontribusi
untuk meningkatkan kualitas QSAR akhir model. Langkah lain yang relevan adalah analisis
visual dari deskriptor molekuler yang memungkinkan penjaminan tidak adanya redundansi
informasi dalam model. Pertunjukan model QSAR telah dinilai dengan metrik tradisional,
dan model akhir yang diusulkan memiliki kardinalitas rendah, dan mencapai tinggi
Persentase senyawa kimia diklasifikasikan dengan benar. Selama beberapa tahun terakhir,
beberapa model kuantitatif struktur-aktivitas hubungan (QSAR) telah dikembangkan untuk
memprediksi inhibitor potensial untuk protein BACE113-17. Metode QSAR berkorelasi
dengan struktur molekul sifat biologis yang berbeda seperti aktivitas atau properti ADMET,
menyediakan data yang relevan untuk membantu selama pengembangan proyek desain
obat18. Langkah kunci dalam studi QSAR adalah definisi atau kodifikasi struktur kimia oleh
keragaman deskriptor molekuler, seperti konstitusi, topologi, termodinamika, kelompok
fungsional, mekanika kuantum, geometris, dll. Saat ini, pengembangan cheminformatics
baru perangkat lunak memungkinkan untuk menghitung ribuan deskriptor molekul19, tetapi
biasanya hanya sebagian kecil dari yang dihitung deskriptor membawa informasi yang
diperlukan untuk menghasilkan model QSAR yang menarik. Alhasil, akurasinya dari model-
model ini tergantung pada analisis yang benar dan pemilihan deskriptor yang dihitung
sebagai variabel independen untuk definisi model QSAR. Untuk semua alasan ini, desain
model QSAR yang efektif merupakan tantangan masalah.

Dalam makalah ini, model QSAR untuk identifikasi potensi inhibitor protein BACE1 dirancang dengan
menggunakan metode klasifikasi. Untuk membangun model ini, database dengan 215 molekul
dikumpulkan dari berbagai sumber telah dikumpulkan. Dataset ini berisi beragam senyawa dengan
perancah yang berbeda dan sifat fisik-kimia, yang meliputi ruang kimia yang luas dalam obat-seperti
jarak. Aspek yang paling khas dari strategi QSAR yang diterapkan adalah kombinasi hibridisasi
dengan eliminasi mundur model, yang berkontribusi untuk meningkatkan kualitas QSAR akhir model.
Langkah lain yang relevan adalah analisis visual dari deskriptor molekuler yang memungkinkan
penjaminan tidak adanya redundansi informasi dalam model. Pertunjukan model QSAR telah dinilai
dengan metrik tradisional, dan model akhir yang diusulkan memiliki kardinalitas rendah, dan
mencapai tinggi .Persentase senyawa kimia diklasifikasikan dengan benar.