FORMAT REVIEW JURNAL

Hubungan struktur-aktivitas kuantitatif dan docking molekul dari analog 4-

Judul
Alkoksi-Sinamat sebagai anti-mycobacterium tuberculosis
Nama Jurnal Jurnal Universitas Raja Saud - Sains
Volume dan Halaman Vol.32 Hal.67-74
Tahun 2020
Penulis Shola Elijah Adeniji , Sani Uba, Adamu Uzairu
Reviewer Hery Permadi
Tanggal 27 Maret 2020

Tujuan dari penelitian ini adalah untuk menghasilkan model QSAR untuk
diprediksi aktivitas turunan 4-Alkoksi-Cinnamic sebagai anti-potensial agen
Tujuan Penelitian tuberkular dan untuk melakukan studi docking molekuler untuk cidate
interaksi antara senyawa inhibitor dan situs target M. tuberculosis (DNA
gyrase).

Subjek Penelitian DNA gyrase (DNAg)

Model hubungan (QSAR), Jaringan Syaraf Tiruan (JST) analisis, teori
Metode penelitian Jaringan Kompleks, dan Pembelajaran Mesin (ML) ( Speck- Planche et al.,
2010 ) dan Metode Genetic Function Algorithm (GFA)
Langkah penelitian 1. Pengumpulan data
Dua puluh delapan molekul turunan 4-Alkoksi-Sinamat sebagai agen anti-
tuberkular yang kuat dicari dari artikel yang dilaporkan cle [8] dan digunakan
dalam penelitian ini (De et al., 2011 ).
2. Kegiatan biologis (pMIC)
Aktivitas biologis turunan 4-Alkoksi-Cinnamic terhadap M. tuberculosis
diukur dalam konsentrasi penghambatan minimum tration (MIC) dikonversi
ke logaritma sclae (pMIC = ÀlogMIC) untuk memiliki nilai kegiatan linear
dan pendekatan dis-normal penghargaan. Struktur umum dan yang diamati
dari molekul dengan aktivitas biologis mereka disajikan pada Gambar.
1 dan Tabel 1 masing-masing.
3. Optimasi
Struktur molekul yang disajikan dalam Tabel 1 adalah ditarik menggunakan
perangkat lunak chemdraw versi 12.0.2 ( Li et al., 2004 ). Senyawa ini
diekspor ke Spartan 14 Versi 1.1.4 soft-ware untuk optimasi dengan
menggunakan Teori Fungsional Kepadatan (DFT) dan memanfaatkan
(B3LYP) dengan set basis 6-31G * (Becke,1993; Lee et al., 1988 ).
4. Perhitungan deskriptor molekul
Deskriptor molekul untuk semua dua puluh delapan (28) molekul Derivatif 4-
Alkoksi-Sinamat dihitung setelah optimasi proses menggunakan perangkat
lunak PaDEL-Descriptor V2.20 ( Yap,2011). Sebanyak 1875 deskriptor
molekuler dihitung.
5. Normalisasi dan pretreatment data
 Deskriptor yang dihitung untuk semua molekul adalah normalized
menggunakan Persamaan. (1) untuk memberikan masing-masing variabel
peluang yang sama pada awal untuk mempengaruhi dan mengembangkan
model yang baik ( Singh,2013).
6. Divisi Data
Dataset pra-perawatan dibagi menjadi beberapa set pelatihan dan tes
menggunakan perangkat lunak Divisi Data yang diperoleh dari Drug
Theoretical dan Cheminformatics Laboratory (DTC Lab) dengan
mempekerjakan Kennard dan algoritma Stone ( Kennard dan Stone,
1969 ). Algoritma ini baru-baru ini digunakan dalam banyak penelitian QSAR
dan telah dilaporkan sebagai salah satu cara terbaik untuk menghasilkan set
pelatihan dan tes (Afantitis et al., 2006; Chakraborti et al., 2003; Khaled,
2011; Melagraki et al., 2006; Wu et al., 1996).
7. Validasi internal model
Validasi internal model dilakukan menggunakan Material studio perangkat
lunak versi 8 dengan menggunakan Fungsi Genetik Metode aproksimasi
(GFA). Model yang dihasilkan adalah dinilai menggunakan rumus Friedman
sehingga skor kebugaran terbaik dapat diterima.  ( Friedman, 1991).
8. Validasi eksternal model
Validasi eksternal dari model yang dikembangkan dinilai oleh nilai R 2
nilai tes . Semakin dekat nilai R 2 tes ke 1.0, semakin baik stabilitas model
yang dihasilkan. 
9. Uji Pengacakan-Y
Yakin bahwa model QSAR yang dikembangkan kuat dan tidak disimpulkan
secara kebetulan, uji pengacakan-Y dilakukan pada data set pelatihan
( Tropsha et al., 2003 ). Untuk model QSAR dibangun untuk kuat dan andal,
model ini diharapkan memiliki R 2 dan Q 2 yang rendah nilai untuk beberapa
percobaan
10. Evaluasi domain penerapan model
Evaluasi domain penerapan model QSAR adalah langkah penting dalam
menetapkan bahwa model tersebut baik untuk diksi dalam ruang kimia untuk
mana ia dibangun ( Tropsha et al., 2003 ). Pendekatan leverage digunakan
dalam menggambarkan domain penerapan model QSAR ( Veerasamy et al.,
2011). 
11. Studi docking
Studi docking molekuler dilakukan antara 4-Alkoksi derivatif namik dan situs
target M. tuberculosis (DNA gyrase). Struktur kristal DNA gyrase yang
digunakan dalam penelitian ini diperoleh dari bank data protein. Struktur 4-
Alkoksi yang dioptimalkan turunan sinematik awalnya disimpan sebagai file
SDF dikonversi untuk file PDB menggunakan Spartan 14 Versi 1.1.4. Ligan
yang disiapkan berlabuh dengan struktur disiapkan girase DNA menggunakan
Auto-dock Vina tergabung dalam perangkat lunak pyrx. 
Hasil Penelitian QSAR dilakukan untuk menyelidiki hubungan aktivitas struktur ikatan dari
penghambatan senyawa sebagai kuat anti-mycobacterium tuberculosis. Sifat
model dalam studi QSAR dinyatakan dengan kemampuan pemasangan,
stabilitas, ketahanan, keandalan dan kapasitas perkiraan. Analisis univariat
dari nilai aktivitas senyawa pelatihan dan test set yang dilaporkan pada Tabel
2 menunjukkan tes itu rentang nilai yang ditetapkan (3,605548 hingga
6,619789) berada di dalam rangkaian pelatihan rentang nilai (2.719422 hingga
6.522879). Juga, mean dan standar deviasi dari nilai aktivitas set tes (4.544215
 dan 1.038805) adalah kira-kira mirip dengan nilai set pelatihan (4.865454 dan
1.059916). Ini menunjukkan bahwa set tes adalah interpolatif di dalam
latihan. Maka algoritma Kennard-Stone yang digunakan mampu
melakukannya menghasilkan set tes yang merupakan refleksi yang baik dari
set pelatihan.
Kegiatan eksperimental dan prediksi dari 4-Alkoxy-Cinnamic derivatif
sebagai anti-mycobacterium tuberculosis dan ampuh nilai residu disajikan
pada Tabel 3 . Nilai residu yang rendah antara aktivitas eksperimental dan
prediksi menunjukkan bahwa Model memiliki daya prediksi yang tinggi.
Metode Genetic Function Algorithm (GFA) yang digunakan dalam hal
studi ini menyebabkan pemilihan empat deskriptor yang digunakan untuk
membangun model linier untuk memprediksi aktivitas anti-agen
tuberkular. Empat model QSAR dibangun menggunakan GFA, tetapi karena
untuk signifikansi statistik, model 1 terpilih sebagai yang terbaik model.

Eksperimental dan kegiatan prediksi 4-alkoksi-sinamat derivatif sebagai

ampuh
Kekuatan Penelitian anti-mycobacterium tuberculosis dan nilai sisa disajikan di tabel 3 . Nilai sisa
rendah antara eksperimen dan aktivitas diprediksi menunjukkan bahwa model
memiliki daya prediksi yang tinggi.
Kelemahan dari tes validasi ini menyiratkan bahwa model ini dapat digunakan
Kelemahan
untuk merancang deriva-4-Alkoksi-sinamik baru hidup dengan peningkatan
Penelitian
aktivitas anti-mycobacterium tuberculosis.
Hasil QSAR dan studi molekuler yang ditawarkan cukup informasi untuk
memahami hubungan struktur-aktivitas dan mengidentifikasi fitur struktural
yang mempengaruhi aktivitas 4-Derivatif Alkoksi-Sinamat. Model QSAR
yang dihasilkan sudah bisamemprediksi aktivitas turunan 4-Alkoksi-Sinamat
sebagai manjur agen anti-tuberkular dan studi docking molekuler melakukan
bantuan untuk memahami dan menjelaskan interaksi antara inhibitor senyawa
dan situs target M. tuberculosis (DNA gyrase).
Hasil dari model menunjukkan bahwa pMIC dari institusi yang diteliti
Kesimpulan bitor terhadap M. tuberculosis dipengaruhi oleh (VPC-6, maxHdscH, TDB9v
dan RDF50i) deskriptor. Kekokohan, penerapan dan stabilitas model QSAR
yang dihasilkan telah ditetapkan oleh penilaian validasi internal dan eksternal. 
Model yang diperoleh dari tes validasi ini menyiratkan bahwa model ini dapat
digunakan untuk merancang deriva-4-Alkoksi-sinamik baru hidup dengan
peningkatan aktivitas anti-mycobacterium tuberculosis. Studi menunjukkan
bahwa ligan 3, 6, 11, 12, 13 dan 27 (mengikat afinitas berkisar dari .46.4
hingga À10.4 kkal / mol) dengan kegiatan yang lebih baik