BAB IV

HASIL DAN PEMBAHASAN

Quantitative Structure–Activity Relationship (QSAR) adalah metode untuk

membangun model komputasi atau matematika yang berupaya menemukan
korelasi yang signifikan secara statistik antara struktur dan fungsi menggunakan
teknik kemometrik. Pada penelitian ini model CoMFA dan CoMSIA 3D-QSAR
diturunkan menggunakan inhibitor asetilkolinesterase. CoMFA (Comperative
Molecular Field Analysis) menghasilkan persamaan yang menghubungkan
aktivitas biologis dengan kontribusi medan energi interaksi di setiap titik grid
(Verma et al., 2010).
Analisis CoMFA bertujuan untuk menemukan prediksi model yang terbaik
pada sistem yang digunakan. Dari 53 inhibitor kolinesterase, 46 senyawa diambil
secara acak digunakan sebagai training set untuk membentuk model CoMFA dan
7 senyawa digunakan sebagai test set untuk validasi model. Test set yang terdiri
dari 7 senyawa inhibitor digunakan untuk memvalidasi lebih lanjut model 3D-
QSAR. Senyawa test set dipilih secara acak sehingga dapat mewakilkan
keragaman struktural dan aktivitas dalam data set. Nilai yang dihasilkan
menunjukkan bahwa metode yang digunakan memiliki korelasi baik. Analisis PLS
dilakukan pada training set dan validasi silang (cross-validated) q2 0,810 untuk 5
komponen. Analisis PLS yang tidak divalidasi silang (non cross-validated)
dengan komponen optimal menunjukkan nilai r2 konvensional 0,961, nilai F =
196,689, dan perkiraan kesalahan standar estimasi (SEE) 0,270. Deskriptor dari
bidang sterik berkontribusi sebanyak 63,2% dan bidang elektrostatik sebanyak
36,8%. Analisis bootstrap dilakukan dengan 100 run, yang bertujuan untuk
validasi model lebih lanjut dengan sampling statistikal dari data set asli untuk
membuat data set baru.
Analisis CoMSIA dilakukan dengan menggunakan lima deskriptor yaitu
sterik, elektrostatik, hidrofobik, donor ikatan hidrogen, dan akseptor ikatan
hidrogen. Studi CoMSIA menunjukkan validasi silang (cross-validated) q2 0,583
dengan jumlah optimal komponen 6, r2 konvensional 0,947 dengan kesalahan
standar estimasi 0,111, dan nilai F 243,934. Kontribusi dari bidang sterik terdapat
sebanyak 20,7%, deskriptor elektrostatik 23,0%, bidang hidrofobik 21,3%,
sedangkan donor ikatan hidrogen 15,0% dan akseptor ikatan hidrogen 20,0%.
Analisis bootstrap dilakukan dengan 100 run, untuk validasi model dengan
sampling statistik dari data set asli untuk membuat data set baru. Dihasilkan nilai
r2 bootstrap yang lebih tinggi 0,990 untuk CoMSIA dengan kesalahan standar
estimasi 0,318 yang menegaskan validitas statistik dari model yang
dikembangkan. Korelasi antara CoMFA dan CoMSIA eksperimental dan prediksi
masing-masing ditunjukkan pada gambar 2, dan analisis statistik dapat dilihat
pada Tabel 1.
Tabel 1. Analisis Statistik CoMFA dan CoMSIA

Gambar 2. Aktivitas Perkiraan dan Pengamatan dari Training Set dan Test Set
dengan Model (a) CoMFA dan (b) CoMSIA
R2 memperkirakan proporsi variasi Y yang dijelaskan oleh regresi (varian
yang dijelaskan dari model). Semakin kuat hubungan antara variabel dependen
dan independen, R2 semakin mendekati 1, sebaliknya, semakin lemah hubungan,
R2 semakin mendekati nol. SEE mengukur dispersi dari nilai-nilai yang diamati
dari garis regresi. Semakin kecil nilai SEE, semakin tinggi keandalan prediksi
(Gramatica, 2013). CV (cross-validated) digunakan untuk mengukur kemampuan
prediksi model dan melihat kemungkinan model mengalami overfitted. Overfitting
mengacu pada fenomena dimana model prediktif dapat menggambarkan hubungan
antara prediktor dan respons, tetapi kemudian gagal memberikan prediksi yang
valid untuk senyawa baru. Overfitting dari model biasanya dicurigai ketika nilai
R2 dari model asli secara signifikan lebih besar (25%) dari nilai Q2 (Perbedaan
antara R2 dan Q2 tidak boleh lebih dari 0,3). Nilai CV (cross-validated) dianggap
lebih karakteristik dari kemampuan prediksi model. Dengan demikian, CV (cross-
validated) dianggap sebagai ukuran prediksi yang baik dan tidak cocok untuk R 2
(Veerasamy et al., 2011).
Pada peta kontur CoMFA bidang sterik, terdapat kontur hijau besar berada
di sekitar rantai samping pada posisi R4 dan kontur berukuran sedang ditemukan
lebih dekat ke posisi R8, yang menunjukkan bahwa substituen besar lebih disukai
di wilayah ini. Kontur kuning besar muncul di OH kelompok posisi R7 dan kontur
berukuran sedang muncul di grup OH dari posisi R3, menunjukkan dua posisi ini
tidak menguntungkan. Kontur kuning kecil terletak di posisi R1, menunjukkan
bahwa subtituen kecil diperlukan untuk meningkatkan biologis aktivitas.
Pada peta bidang elektrostatik, kontur warna biru menunjukkan kelompok
muatan positif meningkatkan aktivitas biologis dan defisien elektron untuk afinitas
pengikatan yang tinggi. Kurarinone menunjukkan kontur besar pada rantai
samping R4 posisi kelompok lavandulyl dan kontur berukuran sedang pada grup
C=O terdekat. Kontur merah menunjukkan kelompok bermuatan negatif yang
meningkatkan aktivitas biologis. Dua kontur merah besar muncul pada posisi R4
kelompok lavandulyl menunjukkan lebih banyak hadir subtituen muatan negatif.

Gambar 3. Pemetaan kontur CoMFA bidang (a) sterik dan (b) elektrostatik
(Gunda et al., 2015).
 Pada pemetaan kontur CoMSIA bidang sterik, kontur hijau besar muncul
pada posisi R4 kelompok lavandulyl dan kontur hijau kecil yang terletak di dekat
posisi R8. Kontur hijau muncul yang berarti bahwa substituen yang disukai secara
sterik akan meningkatkan aktivitas biologis inhibitor AChE.
Pada peta kontur elektrostatik CoMSIA, kontur biru besar muncul di cincin
utama dan kontur biru kecil pada posisi R5 menunjukkan adanya kehadiran
konstituen muatan positif. Senyawa kurarinone menunjukkan kontur besar di
samping rantai posisi R1, R2, dan dua kontur merah berukuran sedang hadir pada
kelompok lavandulyl posisi R4 menunjukkan bahwa konstituen muatan negatif
lebih banyak hadir di posisi ini.
Peta kontur hidrofobik terdapat dua kontur kuning besar muncul di
kelompok OH dari posisi R3 dan kelompok lavandulyl dari posisi R4
menunjukkan efek positif dan mendukung peningkatan aktivitas biologis. Kontur
ungu menunjukkan efek positif, sedangkan kontur biru muda kelompok donor
ikatan hidrogen menunjukkan efek negatif pada aktivitas biologis.
Kontur akseptor ikatan hidrogen CoMSIA menunjukkan daerah di mana
ikatan hidrogen akseptor di ligan mempromosikan atau mengurangi afinitas
pengikatan dari molekul. Pada peta kontur akseptor ikatan hidrogen, kontur
magenta mengelilingi R1, R2, R3, R4 dan di bawah posisi R8, menunjukkan
adanya peningkatan aktivitas penghambatan molekul melawan AChE.

Gambar 4. Pemetaan Kontur CoMSIA Bidang (a) Sterik, (b) Elektrostatik, (c)
Hidrofobik, (d) Donor Ikatan Hidrogen, (e) Akseptor Ikatan Hidrogen (Gunda et
al., 2015).
Studi docking molekuler dilakukan dengan menggunakan software flexX,
untuk menyelidiki mode pengikatan antara inhibitor dan AChE. FlexX 33 adalah
metode berbasis fragmen. FlexX menangani fleksibilitas ligan dengan
menguraikan ligan menjadi fragmen dan melakukan konstruksi tambahan
algoritma langsung di dalam situs aktif protein. Metode ini memungkinkan
fleksibilitas konformasi ligan dan menjaga protein tetap kaku. Fragmen dasar
dipilih sedemikian rupa sehingga memiliki kelompok interaksi paling potensial
dan konformasi alternatif paling sedikit. Dalam penelitian ini, digunakan
pembentukan kompleks dari struktur kristal AChE (PDB ID: 1EVE) dengan NAG
(N-acetyl-D-Glucosamine). Saat membuat File RDF, situs aktif didefinisikan
dalam radius 6,5Å ligan. Studi docking molekuler telah dilakukan pada seri dari
53 turunan flavonoid alami ke dalam situs aktif asetilkolinesterase. Mode
pengikatan turunan flavonoid dalam pengikatan situs kolinesterase diidentifikasi
menggunakan simulasi docking fleksibel antarmolekul dengan menggunakan
Program FlexX. Senyawa yang paling aktif, tidak aktif, dan moderat aktif
menunjukkan interaksi dengan Asp72. Senyawa kurarinone yang paling aktif
menunjukkan interaksi dengan Asp72, Ser286, dan Phe288 dengan jarak antara
ligan dan protein masing-masing 1,94, 1,77 dan 1,93.
Tabel 2. Interaksi Docking Asam Amino dan Jarak Dengan Senyawa Paling
Aktif, Moderat Aktif, dan Tidak Aktif
 (a) (b)
Gambar 5. (a) Interaksi senyawa yang paling aktif Kurarinone dengan AChE (b)
Interaksi senyawa yang kurang aktif Luteolin-7-O-rutinoside dengan AChE.
 BAB V KESIMPULAN

Berdasarkan hasil dan pembahasan diatas dapat ditarik kesimpulan yaitu

analisis 3Q-QSAR dari turunan flavonoid dilakukan dengan CoMFA dan
CoMSIA untuk menentukan model yang baik dengan inhibitor ACHe. Model
CoMFA dihitung dengan dua parameter statistik, yaitu q2 yang menunjukkan
kemampuan prediksi model, yang seharusnya ≥ 0,8 dan nilai r 2 menunjukkan
konsistensi diri modelnya, yang seharusnya ≥ 0,9. Metode CoMSIA menetapkan
sterik eksplisit, elektrostatik dengan hidrofobik, bidang donor dan akseptor ikatan
hidrogen, yang dihitung menggunakan probe atom karbon sp 3 Peta kontur
CoMFA dan CoMSIA serta pendekatan docking memberikan informasi yang
cukup untuk memahami hubungan struktur-aktivitas. Nilai yang dihasilkan juga
menunjukkan bahwa metode yang digunakan memiliki korelasi yang baik. Peta
kontur dapat membantu mengidentifikasi daerah relevan yang dimana perubahan
apapun dapat memengaruhi preferensi ikatan dan fitur yang berkontribusi pada
interaksi antara flavonoid yang diteliti dan situs aktif AChE. Selain itu, peta
kontur memiliki kemungkinan untuk membantu dalam mengidentifikasi fitur-fitur
penting yang berkontribusi pada interaksi antara flavonoid yang diteliti dan situs
aktif AChE. Dari hasil studi docking in silico, interaksi paling aktif berasal dari
senyawa Kuraninone dan paling sedikit dari senyawa Luteolin-7-O-rutinoside.

DAFTAR PUSTAKA
Gramatica, P. 2013. On the Development and Validation of QSAR Models.
Methods in Molecular Biology 930: 499-526.
Gunda, S. K., S. Pasula, V. Gurram, and M. Shaik. 2015. 3D QSAR and In Silico
Docking Studies of Natural Flavonoid Derivatives as
AcetylcholinesteraseInhibitors. Int. J. Pharm. Sci. Rev. Res., Vol. 30 (1):
61-68.
Veerasamy, R., H. Rajak, A. Jain, S. Sivadasan, C.P. Varghese, R.K. Agrawal.
2011. Validation of QSAR Models - Strategies and Importance.
International Journal of Drug Design and Discovery 2(3): 511-519.
Verma, J.,V.M. Khedkar, E.C. Coutinho. 2010. 3D-QSAR in Drug Design - A
Review. Current Topics in Medicinal Chemistry 10: 95-115.