Dalam pengembangan model HKSA memerlukan 3 hal penting yaitu, penyiapan

sekumpulan data set yang telah diketahui aktifitas biologisnya dengan struktur kimia dan
aktivitas yang mirip, Pemilihan molecular deskriptor yang paling tepat yang mampu
menggambarkan informasi tentang struktur yang akan diteliti, metode matematika untuk
menentukan hubungan antara aktivitas suatu molekul dengan strukturnya. Pada praktikum
pertama telah dihasilkan 29 senyawa training set. Kemudian dari senyawa tersebut dilakukan
perhitungan deskriptor, melakukan regresi hingga diperoleh persamaan HKSA selanjutnya.
Setelah diperoleh persamaan HKSA, dilakukan pemilihan deskriptor/ reduksi deskriptor
berdasarkan persyaratan statistika yang kemudian akan dijadikan deskriptor untuk persamaan
HKSA yang akan divalidasi dengan penentuan nilai r, Fhit/Ftabel dan q2 (metode LOO).

Semua deskriptor yang dihasilkan dari analisis QSAR tentang 29 senyawa disajikan pada
Tabel . Analisis QSAR memungkinkan penyelidikan model hingga empat belas variabel.
Korelasi antara berbagai deskriptor dengan aktivitas biologis adalah yang paling penting dari
hasil penelitian QSAR. Deskriptor adalah parameter atau properti molekul yang digunakan
sebagai variabel independen saat menghitung aktivitas yang diperkirakan (IC50 teoritis).
Deskriptor yang digunakan dalam penelitian ini adalah nilai CMA, entalpi, entropi, dan log S.
Deskriptor diperoleh dari struktur sifat masing-masing senyawa setelah proses optimasi
geometri. Metode ini dapat digunakan untuk analisis serangkaian turunan nitrobenzothiazole
karena mereka adalah senyawa organik yang mengandung atom: C, H, N, dan S. Dalam analisis
statistik, metode regresi digunakan untuk menemukan model QSAR dan sifat statistic mereka.
Model QSAR terbaik dibuat menggunakan metode regresi linier berganda (MLR) adalah
diwakili oleh persamaan berikut:

LogIC50 prediction = -0,518 + (0,003*CMA) – (2,515*Entalpi) – (0,088*LogS) –

(0,012*Entropi)

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).

Suatu persamaan HKSA menggambarkan hubungan matematis antara karakteristik

fisiko-kimia dengan aktivitas biologis. Model HKSA yang akan terpilih harus memenuhi semua
kriteria statistic yang digunakan dan memiliki deskriptor yang spesifik yang mewakili parameter
hidrofobik, elektronik dan sterik. Beberapa kriteria statistik yang harus dipenuhi adalah nilai R >
0,8; nilai R2 ≥ 0.8; Fhitung / Ftabel > 1 dan Q 2 ≥ 0.5. Teknik validasi yang digunakan adalah
validasi silang (cross validation). Cara pengujian teknik validasi silang yaitu dengan menerapkan
Leave One Out (LOO) menggunakan kriteria Q 2 . Dengan teknik LOO, setiap senyawa yang
digunakan dihilangkan data aktivitas eksperimennya dalam analisis regresi multilinear. Hasil dari
analisis regresi tersebut kemudian dihitung nilai Q 2 nya. Nilai Q 2 semakin baik jika mendekati
satu. Persamaan dikatakan dapat diterima jika nilai Q 2 ≥ 0.5 (Arba dkk, 2016)

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
didapatkan nilai r2 yang memenuhi kriteria maka dilakukan pembuangan data outlier / data yang
menyimpang agar data yang diperoleh dapat memenuhi kriteria untuk dibuat persamaan HKSA-
nya. 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
validasi secara matematis seberapa baik persamaan tersebut dapat memprediksi aktifitas
biologisnya.
 Dari model yang didapatkan dipilih model predictor terbaik yang memenuhi persyaratan
statistik 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
deskriptor 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 deskriptor 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 Q 2 ini ditentukan dengan
metode Leave One Out (LOO) yang kita gunakan pada praktikum kali ini. Didapatkan nilai Q2
0,2955187 tidak memenuhi syarat karena nilai Q2 sendiri adalah > 0.5.
 Dalam proses desain senyawa baru, dapat dilakukan dengan beberapa cara yaitu dengan 3
cara diantaranya adalah plot Craig yaitu memodifikasi substituen pada senyawa aromatik,
dimana subtituen yang berada pada satu kuadran diprediksi memiliki sifat yang mirip, metode
Skema Topliss dengan memastikan aktivitas biologinya dan mengikuti jalur pada skema, dan
metode yang terakhir yaitu memanfaatkan pengetahuan umum tentang struktur kimia
berdasarkan parameter-parameter pada persamaan HKSA yang telah diperoleh sebelumnya.

Pada percobaan kali ini digunakan prinsip metode ke 3 yaitu berdasarkan persamaan
HKSA. Pada persamaan yang didapatkan LogIC50= 2,115 + (0,010*CMA) – (8,726*Entalpi) –
(0,194*LogS) – (0,039*Entropi). Dimana deskriptor yang berperan antara lain adalah CMA
(Connoly Molecular Area), Entalpi (Sum of Electronic and Therma Enthalpies), Log S dan
Entropi (S). Berdasarkan informasi di atas, maka dapat diketahui bahwa aktivitas biologi yang
baik akan diperoleh jika nilai log IC50 kecil. Untuk mendapatkan nilai log IC50 yang kecil,
maka nilai CMA harus kecil, entalpi, Log S, dan Entropi harus besar. Pada nilai koefisien untuk
masing-masing deskriptor, mengartikan bahwa demakin besar nilai koefisien, maka semakin
besar pengaruh dari nilai deskriptor tersebut.

Pada persamaan tersebut nilai koefisien yang paling besar adalah nilai Entalpi. Maka
deskriptor yang paling berpengaruh adalah nilai entalpi. nilai entalpi ini menunjukkan perbedaan
tingkat energi bebas masing-masing suatu senyawa yang mengindikasikan adanya polimorfisme.
Nilai entalpi yang lebih besar menunjukkan tingkat energi bebasnya yang lebih rendah,sehingga
senyawa merupakan polimorf yang lebih stabil (Partogi, 2014). Menurut Mudasir., dkk, 2003
entalpi pembentukannya bernilai negatif yang berarti reaksi pembentukannya bersifat eksotermis
(menghasilkan energi). Maka, pada desain senyawa obat dilakukan modifikasi senyawa turunan
dengan menambahkan gugus-gugus yang bersifat lipofil untuk meningkatkan nilai Entalpi.

Pada proses prediksi aktivitas biologi dari senyawa turunan yang didesain, dilakukan
pemodelan menguunakan ChemDraw, kemudian dioptimasi untuk menggunakan ChemBio3D
dengan energi yang paling rendah untuk memperoleh deskriptor / sifat fisikokimia CMA dan
Log S, kemudian dilakukan optimasi mekanika kuantum (semi empiris,AM1 ) pada Gaussian.
Setelah nilai nilai tersebut diperoleh, maka dimasukkan/disubstitusi pada persamaan yang sudah
di validasi sehingga didapatkan nilai LogIC50 prediksi. Nilai tersebut harus lebih kecil dari nilai
LogIC50 prediksi acuan. Karena semakin kecil nilai LogIC50, maka aktivitas biologi nya lebih
baik. Berdasarkan data pengamatan, telah didapatkan 10 turunan senyawa dihydropyrimidones
yang menunjukan nilai LogIC50 yang lebih kecil dibandingkan dengan acuan. Dari 10 turunan
senyawa dihydropyirimidones yang di dapatkan, nilai LogIC50 dari keseluruhan penurunan yang
diakibatkan oleh penambahan gugus pada desain yang dilakukan. Penambahan gugus lain ini
merupakan salah satu bentuk pengembangan desain menjadi struktur senyawa baru. Berdasarkan
hasil analisis, prediksi aktivitas antimalaria senyawa turunan dihydropyirimidones di atas pada
senyawa acuan memiliki prediksi nilai IC50 berkisar -1.674633685. Sedangkan untuk senyawa
turunannya memiliki nilai prediksi IC50 antara -1.75726979 hingga -3.701521782.

LogIC50= 2,115 + (0,010*CMA) – (8,726*Entalpi) – (0,194*LogS) – (0,039*Entropi)

Senyawa prediksi yang memiliki nilai IC50 paling bagus adalah yang paling kecil, karena
dengan konsentrasi yang sedikit sudah dapat memberikan aktivitas biologis dalam menghambat
pertumbuhan patogen sampai 50%. Senyawa prediksi B7 ( senyawa 2 dengan penambahan rantai
(N(CH3)2) , merupakan senyawa yang nilai IC50 paling bagus. Senyawa tersebut memiliki
gugus (N(CH3)2 sebagai subtituen R. Hasil nilai aktivitas antimalaria senyawa prediksi tersebut
adalah -3.701521782. nilai tersebut tertinggi diantara yang lainnya. Dengan adanya penambahan
gugus N dan CH3 memberikan aktivitas yang lebih baik karena dengan adanya gugus subtituen
pendonor elektron etoksi dan etil menghasilkan nilai aktivitas yang lebih baik daripada senyawa
acuan (Kasmui, 2016). Persamaan yang diperoleh dan telah divalidasi adalah :

LogIC50= 2,115 + (0,010*CMA) – (8,726*Entalpi) – (0,194*LogS) – (0,039*Entropi)