Pendekatan HKSA menghubungkan aktivitas biologi dengan deskriptor yang berbasis

mekanika kuantum (Verma & Hansch, 2009). Hubungan antara deskriptor dengan aktivitas
biologi diformulasikan dalam satu persamaan. Berdasarkan persamaan HKSA dapat diprediksi
sisi paling aktif suatu molekul obat. Hal ini dapat mengurangi kegagalan riset-riset ekperimental
dalam laboratorium dan dapat mengefisienkan tenaga, biaya, mengurangi penggunaan hewan uji
serta melindungi lingkungan dari berbagai pencemar yang bersifat toksik. Persamaan HKSA
dihasilkan dari analisis statistik multivariat. Multiple linear regression (MLR) merupakan metode
statistik yang banyak digunakan dalam kajian HKSA, akan tetapi hasil analisis dengan metode
ini akurasinya rendah (Larif et al., 2013).

Pada praktikum akan dibuat persamaan HKSA, sebelumnya diperlukan informasi

mengenai data aktivitas biologi dari satu set turunan senyawa. Pada praktikum kali ini terdapat
29 senyawa yang harus dianalisis. Dari 29 senyawa tersebut didapatkam milai r 2 persamaan log
IC50 yang di prediksi sebesar 0,0127. Namun, nilai r 2 tersebut haruslah memiliki nilai lebih dari
0,81 dimana nilai tersebut berarti lebih dari 81% dapat memiliki aktivitas biologis. Untuk
didpatkan nilai r2 yang memenuhi kriteria maka dilakukan pembuangan data outlier / data yang
menyimpang agar data yang diperoleh dapat memenuhi kriteris untuk dibuat persamaan
HKSAnya. Model predikator terbaik adalah yang memenuhi persyaratan statistik dengan
parameter R, Fhit/Ftabel dan q2. Dari hasil tersebut dapat disimpulkan bahwa persyaratan
statistika yang pertama sudah dipenuhi, yaitu R>0,9 atau R2>0,81.

Hasil dari pembuangan data yang menyimpang didapatkan 15 data yang memberikan
nilai r2 pada Log IC50 Prediksinya sebesar 0,08679 sehingga data tersebut bias dibuat persaman
HKSAnya karena telah memenuhi kriteria. Untuk selanjutnya dari persamaan HKSA yang akan
divalidasi didapatkan persamaan logIC50 prediksi LogIC50 = 2,115 + (0,010*CMA) –
(8,726*Entalpi) – (0,194*LogS) – (0,039*Entropi). Kemudian dari persamaan tersebut dilakukan
pengujian secara matematis seberapa baik persamaan tersebut dapat memprediksi aktifitas
biologisnya.

Dari model yang didapatkan dipilih model predictor terbaik yang memenuhi persyaratan
statistic dengan parameter r, Fhiutung/Ftabel dan q2. Dari hasil valiadasi didapatkan nilai r:
0,955 dimana nilai tersebut memenuhi persyaratan nilai r≥ 0,81(Golbraikh, Shen, Xiao, Xiao,&
Lee, 2003), yang menggambarkan adanya aktivitas biologis dari senyawa. Kemudian parameter
yang selanjutnya adalah Fhit/Ftabel yang menunjukan tingkat signifikansi (pengaruh descriptor
terhadap tingkat aktivitas). Didapatkan nilai Fhit = 26,061 dan Ftabel = 3,478. Nilai tersebut
memenuhi persyaratan yaitu nilai Fhit/Ftabel ≥ 1 yang berarti terdapat hubungan pengaruh
descriptor terhadap tingkat aktivitas biologis senyawa tersebut. (Motta & Almeida, 2011)
Parameter validasi yang terakhir adalah q2. q2 ini merupakan parameter yang menunjukkan
kinerja dan stabilitas model yang diperoleh. Nilai q2 ini ditentukan dengan metode Leave One
Out (LOO) yang kita gunakan pada praktikum kali ini. Syarat dari nilai q2 sendiri adalah > 0.5.

Daftar Pustaka

Verma, R. P., & Hansch, C. (2009). Camptothecins: a SAR/QSAR study. Chemical Reviews, 109(1),
213–35. https://doi.org/10.1021/cr0780210

Motta, L. F., & Almeida, W. P. (2011). Quantitative Structure-Activity Relationships ( QSAR ) of A

Series of Ketone Derivatives as AntiCandida Albicans. International Journal of Drug Discovery, 3(2), 100–
117.

Golbraikh, A., Shen, M., Xiao, Z., Xiao, Y., & Lee, K. (2003). Rational selection of training and test
sets for the development of validated QSAR models. Journal of Computer-Aided Molecular Design, 17,
241–253. Goodarzi, M., Freitas, M. P., & Ghasemi

Larif, M., Adad, A., Hmammouchi, R., Taghki, A. I., Soulaymani, A., Elmidaoui, A., … Lakhlifi, T.
(2013). Biological activities of triazine derivatives. Combining DFT and QSAR