You are on page 1of 11

HUBUNGAN KUANTITATIF STRUKTUR-AKTIVITAS DAN

PENAMBATAN MOLEKUL SENYAWA TURUNAN QUINOXALINON


SEBAGAI INHIBITOR ALDOSA REDUKTASE (ALR2) PADA
KOMPLIKASI DIABETES MIKROVASKULAR

Istar Febrianti

Fakultas Farmasi, Universitas Halu Oleo


Kampus Hijau Bumi Tridharma Anduonohu Jl. H.E.A. Mokodompit, Kendari 93232
Email : Istarfebrianti@gmail.com

ABSTRAK

Aldosa reduktase (ALR2) merupakan enzim dari superfamili aldo-keto reduktase yang
berperan dalam progresifitas komplikasi diabetes kronis mikrovaskular yang meliputi neuropati,
nefropati, dan retinopati. Salah satu kelompok senyawa yang saat ini dikembangkan sebagai
inhibitor ALR2 adalah senyawa turunan quinoxalinon. Modifikasi senyawa quinoxalinon dengan
pengenalan p-hidroksifenil pada rantai samping C3 menunjukkan aktivitas penghambatan yang
lebih baik. Tujuan penelitian ini adalah memprediksi aktivitas senyawa turunan quinoxalinon
dengan optimasi p-hidroksifenil pada rantai samping C3 dan efektivitasnya sebagai inhibitor
ALR2 secara in silico menggunakan pendekatan hubungan HKSA dan penambatan molekul
(molecular docking). Analisis HKSA menggunakan Molecular Operating Environment (MOE)
sedangkan penambatan molekul menggunakan AutoDockTools 1.5.6. Sebanyak 29 senyawa data
set (Qin dkk., 2015) digunakan dalam HKSA dan struktur senyawa turunan quinoxalinon hasil
modifikasi dengan pendekatan Topliss dilihat interaksinya terhadap ALR2. Melalui analisis
HKSA diperoleh model persamaan Log IC50 = 2,505 + 0,515 [logP(o/w)] + 0,260 [logS] +
0,013 [Vol] + 1,02x10-5 [AM1_Eele] yang digunakan untuk memprediksi aktivitas senyawa
turunan quinoxalinon.
I. PENDAHULUAN

Diabetes Melitus (DM) merupakan suatu kelompok penyakit metabolik dengan

karakteristik hiperglikemia yang terjadi karena kelainan sekresi insulin, kerja insulin atau kedua-

duanya (Dodie dkk., 2013). Diabetes dalam jangka waktu tertentu dapat mempengaruhi berbagai

sistem organ dalam tubuh yang disebut komplikasi. Komplikasi diabetes dapat diklasifikasikan

sebagai makrovaskuler dan mikrovaskuler. Litwak dkk. (2013) mengemukakan bahwa prevalensi

komplikasi diabetes mikrovaskular lebih tinggi (53,5%) dibanding komplikasi makrovaskular

(27,2%).

Enzim aldosa reduktase (ALR2) yang merupakan anggota dari superfamili aldo-keto

reduktase telah menarik perhatian para peneliti di seluruh dunia karena kemampuan dan

progresifitasnya pada komplikasi diabetes kronis mikrovaskular yang meliputi neuropati,

nefropati, dan retinopati yang disebabkan oleh aktivasi dan/atau ekspresi berlebihan dari ALR2

(Qin dkk., 2014). Mekanisme terjadinya komplikasi mikrovaskular oleh ALR2 berhubungan

dengan jalur poliol dimana pada kondisi hiperglikemik ALR2 akan mengubah glukosa menjadi

sorbitol dengan memanfaatkan NADPH sebagai kofaktor. Sorbitol kemudian dimetabolisme

menjadi fruktosa oleh sorbitol dehidrogenase. Akumulasi sorbitol menyebabkan pembengkakan

osmotik, perubahan dalam permeabilitas membran dan juga stres oksidatif yang berpuncak pada

kerusakan jaringan (Reddy dkk., 2011). Untuk itu senyawa yang dapat menghambat aktivitas

ALR2 terus dikembangkan.

Salah satu kelompok senyawa yang saat ini dikembangkan sebagai inhibitor ALR2 adalah

senyawa turunan quinoxalinon. Qin, dkk. (2014) telah melakukan studi terhadap senyawa

turunan quinoxalinon melalui modifikasi rantai samping C3 dengan pengenalan gugus hidroksil

fenolik pada cincin aromatik dari rantai samping untuk mendapatkan aktivitas inhibisi ALR2.
Senyawa dengan pengenalan p-hidroksifenil pada rantai samping C3 menunjukkan aktivitas

penghambatan yang cukup baik. Senyawa tersebut selanjutnya dapat dikembangkan lebih lanjut

guna mendapatkan senyawa dengan aktivitas yang lebih baik.

Penelitian ini bertujuan untuk memprediksi aktivitas senyawa turunan quinoxalinon dengan

optimasi p-hidroksifenil pada rantai samping C3 dan efektivitasnya sebagai inhibitor ALR2

secara in silico. Efektivitas tersebut dapat dilihat dari aspek farmakokinetik maupun

farmakodinamik. Secara in silico, farmakokinetik paling umum diperkirakan menggunakan

pendekatan hubungan HKSA yang didasarkan pada sifat-sifat fisikokimia senyawa. Sedangkan

farmakodinamik inhibitor dapat diketahui dari interaksinya dengan reseptor dengan teknik

penambatan molekul (molecular docking).

II. METODE PENELITIAN

Hardware

Penelitian ini merupakan penelitian non eksperimental berbasis komputasi dengan menggunakan

satu set perangkat komputer.

Software

Analisis HKSA menggunakan Molecular Operating Environment (MOE) sedangkan penambatan

molekul menggunakan AutoDockTools 1.5.6. Selain itu, perangkat lain yang digunakan adalah

Gaussian 03W, GaussView, IBM SPSS Statistics19, ChemDraw Ultra 7.0 (ChemOffice), Open

Babel GUI, Pymol Molecular Visualization dan Python 2.5.

Data

Data yang digunakan adalah 29 senyawa data set (Qin dkk., 2015), struktur senyawa

turunan quinoxalinon hasil modifikasi dengan pendekatan Topliss, protein ALR2 (kode pdb:

1Z3N) yang diperoleh dari RCSB. Struktur yang digunakan ditunjukkan pada Tabel 1 dan 5.
Prosedur

Pemodelan HKSA : Masing-masing senyawa dibuat model dengan menggunakan software

GaussView sehingga diperoleh model molekul tiga dimensi. Kemudian dilakukan minimisasi

energi menggunakan semi empiris AM1 pada software Gaussian03W. Struktur optimum

dihitung nilai deskriptor menggunakan software MOE. Pembagian data set berdasarkan analisis

kluster yang selanjutnya dipilih struktur sebagai training set untuk membangun persamaan

HKSA dan struktur lainnya sebagai test set untuk validasi persamaan. Validasi silang Leave One

Out (LOO) dengan parameter q2 dilakukan untuk validasi pada analisis HKSA. Nilai q2 yang

memenuhi syarat adalah q2 ≥ 0,5. Model HKSA yang dipilih adalah model dengan nilai q2 yang

Σ (yi− 􀀉ўi)2
tertinggi yang dapat dihitung dengan persamaan: q2 = 1 –
(yi− 􀀉ȳi)2

Prediksi Aktivitas : Struktur 3 dimensi senyawa modifikasi quinoxalinon dimodelkan dan

dioptimasi menggunakan software GaussView dan Gaussian03W, kemudian ditentukan nilai

diskriptor yang telah terdefinisikan oleh model persamaan regresi HKSA dengan MOE. Semua

diskriptor tersebut kemudian dimasukkan kedalam persamaan model regresi HKSA terpilih,

sehingga nilai tetapan inhibisi senyawa modifikasi quinoxalinon dapat diprediksi.

Penambatan Molekul : Makromolekul protein dipisahkan dari pelarut dan ligan atau residu non

standar, kemudian dioptimasi dengan menambahkan atom hidrogen, penambahan energi

Kollman dan pengaturan grid box parameter. Parameter yang digunakan pada proses docking:

Grid box = koordinat X: 16,94, Y: -6,39, Z: 14,34

Number of GA runs = 100

Number of points = dimensi X, Y dan Z : 46

Senyawa modifikasi turunan quinoxalinon didocking dengan reseptor ALR2 (1Z3N)

menggunakan parameter-parameter di atas.


Tabel 1. Struktur senyawa inhibitor ALR2 sebagai data set

CO2H

N O
1
R1 R2
3
6
N X

Subtituen Subtituen
Senyawa IC50 Senyawa IC50
R1 R2 X R1 R2 X
S1 H H - 5.981 S16 H H S 0.421
S2 H 4-F - 3.38 S17 H 4-Br S 0.296
S3 7-F 4-F - 0.874 S18 7-F 4-Br S 0.191
S4 7-Cl 4-F - 1.516 S19 7-Cl 4-Br S 0.326
S5 H 4-OH - 2.592 S20 7-Br 4-Br S 0.467
S6 H 2,4-(OH)2 - 0.397 S21 6-Br 4-Br S 0.319
S7 6-F 2,4-(OH)2 - 0.063 S22 H 4-Cl S 0.273
S8 6-Cl 2,4-(OH)2 - 0.095 S23 7-F 4-Cl S 0.056
S9 6-Br 2,4-(OH)2 - 0.139 S24 7-Cl 4-Cl S 0.158
S10 7-F 2,4-(OH)2 - 0.032 S25 7-Br 4-Cl S 0.395
S11 7-Cl 2,4-(OH)2 - 0.069 S26 7-F 4-OH CH=CH 0.153
S12 S27 3-OCH3,
7-Br 2,4-(OH)2 - 0.091 H CH=CH 0.419
4-OH
S13 H 3-indolc - 0.639 S28 H 4-OH CH2=CH2 0.798
S14 7-Br 3-indolc - 0.368 S29 7-F 4-OH CH2=CH2 0.652
S15 2-benzo
7-Cl - 0.238
thiophenec

III. HASIL DAN PEMBAHASAN

A. HKSA

Data analisis HKSA didasarkan pada aktivitas serangkaian senyawa turunan quinoxalinon

yang telah diuji oleh Qin dkk. (2015). Dari hasil analisis kluster diperoleh 2 kluster (kelompok),

dimana kelompok 1 sebanyak 18 struktur dan kelompok 2 sebanyak 11 struktur yang selanjutnya

dari masing-masing kelompok dipilih 25% dari total data sebagai test set dan sisanya (75%)

digunakan sebagai training set. Model persamaan HKSA dibangun menggunakan serangkaian

deskriptor. Deskriptor yang digunakan pada traning set disajikan dalam Tabel 2.
Tabel 2. Rekapitulasi nilai deskriptor training set

mol AM1_dipole AM1_E AM1_Eele AM1_HF AM1_HOMO AM1_LUMO ASA_H glob logP(o/w) logS mr vol
S10 4.008824 -108386 -694334 -163.129 -9.08965 -1.25182 519.2462 0.073722 -0.574 -0.06129 8.458642 276.125
S11 3.695341 -105819 -688317 -124.876 -9.08736 -1.25324 539.6513 0.072732 -0.135 -0.50288 8.886285 289.875
S12 3.830744 -105346 -686320 -112.554 -9.11511 -1.3095 544.7639 0.071579 0.071 -0.83113 9.132195 300.5
S9 3.051129 -105346 -685059 -113.143 -9.12073 -1.22326 552.7451 0.074318 0.071 -0.83113 9.132195 298.25
S26 1.593705 -107525 -693145 -107.114 -8.67771 -1.34358 560.7053 0.011267 1.325 -1.18259 9.258773 299.75
S6 2.830542 -97515.7 -640149 -118.907 -9.02431 -1.05226 509.8686 0.075073 -0.368 0.06063 8.376224 273
S27 3.623761 -107628 -740643 -100.206 -8.52245 -1.18485 601.6386 0.012238 1.128 -0.68809 9.811951 323.25
S13 5.834091 -93708.1 -649745 0.10339 -8.4561 -1.07412 530.1091 0.050889 0.885 -0.85178 9.12172 293.125
S29 5.125017 -108184 -707595 -136.713 -9.09683 -1.31594 567.3867 0.04811 1.325 -1.18259 9.258773 305.375
S28 4.902704 -97314 -653278 -92.622 -9.04856 -1.10489 563.1674 0.048178 1.531 -1.06067 9.173492 303.25
S4 3.712994 -101905 -629189 -83.5052 -9.2996 -1.54647 518.7641 0.045254 1.689 -1.43342 8.698301 278
S5 4.111656 -90124.9 -579655 -77.0994 -8.99109 -1.24484 499.9675 0.049546 0.647 -0.34368 8.242492 265.625
S2 3.955259 -93602.3 -582395 -77.6273 -9.22136 -1.37261 495.4686 0.055995 1.456 -0.86991 8.189016 264.5
S1 3.861356 -82731.2 -534301 -32.4687 -9.18631 -1.24425 493.6988 0.057379 1.662 -1.68834 8.106598 260.5
S23 3.975159 -107562 -721035 7.15161 -9.47764 -2.0246 553.752 0.225644 1.202 -3.0497 9.619535 305
S24 3.795105 -104995 -714951 45.45504 -9.45271 -2.02397 564.634 0.225109 1.641 -3.49129 10.01598 316.125
S18 4.036043 -107089 -719058 19.49974 -9.49426 -2.05918 566.5252 0.228768 1.408 -3.37795 9.865444 319.5
S22 3.591844 -96692.1 -665636 51.35976 -9.36223 -1.93654 542.1188 0.226354 1.408 -2.92778 9.534937 302.25
S17 3.70238 -96219 -663618 63.6957 -9.3778 -1.97139 559.2701 0.229643 1.614 -3.25603 9.780846 313.75
S19 3.863799 -104522 -712964 57.80432 -9.46868 -2.05854 579.2182 0.228138 1.847 -3.81954 10.29309 327.875
S16 3.152107 -88388.2 -619216 58.07841 -9.29107 -1.80914 518.2939 0.218847 1.175 -2.67772 9.022014 288.625
S20 3.905925 -104049 -710858 70.1901 -9.49084 -2.08511 599.8091 0.227992 2.053 -4.14779 10.5078 339.375
Data deskriptor training set dianalisis secara statistik dengan metode Backward dan

diperoleh 9 model persamaan yang ditunjukkan pada Tabel 3. Setiap model persamaan

memberikan kekuatan prediksi yang berbeda-beda terhadap aktivitas biologi eksperimen.

Pemilihan model persamaan terbaik dengan mempertimbangkan beberapa kriteria, yaitu

keterwakilan tiga deskriptor Hansch dan kriteria statistik yang meliputi nilai koefisien korelasi

(R), koefisien regresi (R2), nilai standar of error (SE), dan nilai Fhitung/Ftabel.

Tabel 3. Data parameter statistik model-model persamaan dengan metode backward regresi
linear berganda

Model Variabel n m R R2 SE Fhitung/Ftabel


vol, AM1_dipole, AM1_HOMO,
logP(o/w), AM1_E, AM1_HF,
1 22 12 0,953 0,908 0,268 2,397
glob, AM1_LUMO, logS, ASA_H,
AM1_Eele, mr
vol, AM1_dipole, AM1_HOMO,
logP(o/w), AM1_HF, glob,
2 22 11 0,953 0,907 0,254 3,030
AM1_LUMO, logS, ASA_H,
AM1_Eele, mr
vol, AM1_dipole, AM1_HOMO,
3 logP(o/w), AM1_HF, glob, logS, 22 10 0,952 0,907 0,243 3,769
ASA_H, AM1_Eele, mr
vol, AM1_HOMO, logP(o/w),
4 AM1_HF, glob, logS, ASA_H, 22 9 0,952 0,907 0,233 4,637
AM1_Eele, mr
vol, AM1_HOMO, logP(o/w),
5 AM1_HF, glob, logS, AM1_Eele, 22 8 0,952 0,906 0,225 5,648
mr
vol, AM1_HOMO, logP(o/w),
6 22 7 0,951 0,904 0,219 6,805
AM1_HF, glob, logS, AM1_Eele
vol, AM1_HOMO, logP(o/w),
7 22 6 0,950 0,902 0,214 8,213
AM1_HF, logS, AM1_Eele
vol, AM1_HOMO, logP(o/w),
8 22 5 0,946 0,895 0,214 9,523
logS, AM1_Eele
9 vol, logP(o/w), logS, AM1_Eele 22 4 0,943 0,888 0,214 11,418
Keterangan : n = jumlah senyawa uji ; m = variabel yang terlibat ; R = korelasi

Semua model persamaan yang diperoleh (Tabel 3) memenuhi ketiga parameter Hansch,

namun model persamaan 9 memiliki jumlah deskriptor paling sedikit. Dilihat dari nilai R dan R2
disyaratkan nilai koefisien korelasi linear (R) paling tidak 0,9 atau nilai R2 sebesar 0,81. Dari

Tabel 3, model 1 hingga 9 memenuhi parameter korelasi dengan perbedaan nilai R yang tidak

signifikan, yaitu 0,950 ± 0,005. Begitu pula pada nilai R2 yang menunjukkan perbedaan yang

tidak signifikan, yaitu 0,902 ± 0,006 yang artinya model persamaan terkait mampu menjelaskan

hubungan sebesar ± 90% dan masih terdapat ± 10% hubungan yang belum dapat dijelaskan

dengan keberadaan variabel-variabel bebas yang digunakan saat penelitian. Adanya missing link

tersebut diduga karena masih terdapat variabel-variabel lain (sifat fisika kimia lain) yang belum

terlibat dalam analisis regresi. Ditinjau dari parameter statistik lain : model 7, 8 dan 9

menunjukkan SE lebih rendah daripada model-model yang lain; nilai Fhitung/Ftabel terbesar

ditunjukkan oleh model 9. Berdasarkan pertimbangan-pertimbangan tersebut, maka model

persamaan 7, 8 dan 9 divalidasi lebih lanjut dengan metode LOO yang ditunjukkan pada Tabel 4.

Tabel 4. Perbandingan validasi model

Model RMSD R2 q2
7 0.248 0.223 0.1889
8 0.827 0.843 0.873
9 0,755 0,788 0,816

Validasi model HKSA diperoleh model 9 sebagai model terpilih dengan nilai q2 = 0,816;

nilai RMSD = 0,1889; R2 sebesar 0,873; SE = 0,214; rasio Fhitung/Ftabel = 11,418. Model

persamaan HKSA tersebut dapat dituliskan:

Log IC50 = 2,505 + 0,515 [logP(o/w)] + 0,260 [logS] + 0,013 [Vol] + 1,02x10-5 [AM1_Eele]
1

0.5

0
-1.5 -1 -0.5 0 0.5 1
log IC50 prediksi

-0.5
y = 0.9534x + 0.006
-1 R² = 0.8773

-1.5

-2
Log IC50 eksperimen
Keterangan :
Training set
Test set
Gambar 1. Grafik korelasi aktivitas (Log IC50) prediksi dan eksperimen 29 senyawa turunan
quinoxalinon

B. Penambatan Molekul

Modifikasi molekul dari senyawa penuntun (lead compound) yang diperoleh dari Qin dkk.

(2015) dilakukan melalui pendekatan Topliss. Dasar modifikasi ini adalah penggantian atom H

dari cincin benzen dengan atom atau gugus yang diukur dari sifat lipofilik dan sifat elektronik.

Setiap penggantian gugus akan dihasilkan senyawa yang kemungkinan aktivitasnya lebih rendah,

sama atau lebih aktif (Siswandono, 1998). Sebanyak 6 struktur diperoleh menggunakan

pendekatan Topliss. Perhitungan nilai IC50 prediksi seluruh senyawa tersebut dilakukan dengan

memasukkan nilai deskriptor sesuai dengan model persamaan HKSA senyawa turunan

quinoxalinon. Diperoleh 5 struktur dengan nilai IC50 yang lebih rendah dibanding senyawa

penuntun (IC50 6E : 0,032 µM).

Kajian interaksi ligan dengan reseptor target dilakukan dengan pendekatan penambatan

molekul (molecular docking) secara komputasi. Analisis penambatan molekul ini menggunakan
protein aldosa reduktase (ALR2) sebagai reseptor target dengan parameter validasi docking

adalah RMSD (root mean square deviation), yaitu ukuran jarak rata-rata antara atom (biasanya

backbone atom) dari protein yang didokingkan (Djalil dkk., 2016).

Tabel 5. Struktur senyawa inhibitor ALR2 quinoxalinon termodifikasi


O

OH

F N O

OH

R1
N

OH

R2

Subtituen IC50 pred. Energi


Senyawa RMSD
R1 R2 (µM) Ikatan (Å)
1a - Cl 0,0188
1b Cl Cl 0,0069
1c Br Br 0,0163
1d - I 0,0343
1e - CF3 0,0004
1f CF3 - 0,0003
6E (lead comp.) 0,032
3NA (Lidorestat) -

IV. KESIMPULAN

1. Persamaan HKSA yang dapat dijadikan model untuk memprediksi aktivitas inhibisi ALR2

pada turunan quinoxalinon dengan pendekatan Hansch dapat dituliskan Log IC50 = 2,505 +

0,515 [logP(o/w)] + 0,260 [logS] + 0,013 [Vol] + 1,02x10-5 [AM1_Eele].

2.
DAFTAR PUSTAKA

Dodie, N.J., Lydia T., Benny W., 2013, Pengaruh Lamanya Diabetes Melitus Terhadap
Terjadinya Disfungsi Ereksi, Jurnal e-Biomedik (eBM) 1 (3).

Litwak, L., Su-Yen G., Zanariah H., Rachid M., Vinay P., Mohammad E.K., 2013, Prevalence of
Diabetes Complications in People with Type 2 Diabetes Mellitus and Its Association with
Baseline Characteristics in the Multinational Achieve Study, Journal of Diabetology &
Metabolic Syndrome 5.

Qin, X., Xin H., Hui H., Shaojuan Z., Yanchun Y., Bobin W., Saghir H., Shagufta P., Chaojun J.,
Bing M., dan Changjin Z., 2015, Design and Synthesis of Potent and Multifunctional
Aldose Reductase Inhibitors Based on Quinoxalinon, J. Med. Chem. 58 (3).

Reddy, G.B., P. Muthenna, C. Akileshwari, Megha S., dan J. M. Petrash, 2011, Inhibition of
Aldose Reductase And Sorbitol Accumulation by Dietary Rutin, Research Article Recent
Science 101 (9).

Siswandono, 1988, Prinsip-prinsip Rancangan Obat, Airlangga University Press, Surabaya.

Djalil, A.D., Nurul F.D.S., Suparman, Alwani H., 2016, Hubungan Kuantitatif Struktur-Aktifitas
dan Doking Molekular Senyawa Meso-Tetraphenylporphyrin dan Meso-
Tetraphenylchlorin sebagai Fotosensitizer untuk Terapi Fotodinamik, Jurnal
Pharmascience 3 (1).