Jika struktur tiga dimensi dari protein target dapat diperoleh, maka metode SBVS sangat sesuai karena kemampuannya menjelaskan struktur target dan interaksinya dengan ligan (10). SBVS membutuhkan struktur dari molekul target dan referensi senyawa, pemodelan interaksi ligan dengan target ini secara komputasi untuk mendapatkan sifat fisika kimia yang optimal (11).
SBVS secara umum bertujuan untuk pemodelan struktur yang akurat, juga mampu memprediksi aktivitas yang tepat (12). Selain itu juga dapat memprediksi pose ikatan dari molekul kecil (ligan), selanjutnya melakukan scoring untuk memprediksi energi bebas dari molekul tersebut (13) dalam memperkirakan afinitas ligan terhadap protein target (14).Â
Identifikasi didasarkan pada teori energi bebas Gibbs, nilai yang besar menunjukkan bahwa konformasi yang terbentuk adalah stabil (2). Langkah lebih lanjut dalam SVBS setidaknya melalui beberapa tahapan, yaitu; molecular docking, molecular dynamic, binding energy calculation, internal validation, retrospective validation, dan virtual screening (4).
Molecular docking atau penambatan molekul memvisualisasikan orientasi ikatan dari suatu mikromolekul kandidat obat pada protein targetnya, hingga akhirnya dapat mencari kemungkinan afinitas dan aktivitas dari molekul kecil tersebut (15).Â
Pada kondisi yang sebenarnya, molekul protein memiliki torsi sehingga bersifat dinamis dan dapat bergerak, menekuk, memuai, relaksasi, maupun kontraksi (16). Eksperimen terhadap keadaan ini cukup sulit dilakukan secara nyata, oleh karena itu dikembangkan simulasi molecular dynamic untuk mengamati kestabilan ikatan yang terjadi (17).
Pada simulasi molecular dynamic diperlukan perhitungan binding affinity energy, tujuannya untuk melihat pada interval waktu tertentu dimana sistem berada ada posisi paling stabil, dengan kata lain energy Gibbs yang dihasilkan paling tinggi di antara interval waktu simulasi molecular dynamic. Data energi ikatan ini dipakai untuk internal validation, yaitu dengan melakukan penambatan ligan pada reseptor sebanyak 1000 kali. Selanjutnya pose ligan dihitung nilai RMSD-nya, hasil simulasi bisa diterima apabila menghasilkan nilai RMSD tidak lebih dari 2,0 (9).
Retrospective validation diperlukan untuk melihat apakah sistem yang dihasilkan mampu untuk memprediksi aktivitas dari senyawa aktif atau tidak, biasanya melibatkan big data senyawa decoys/ pengecoh yang telah digabungkan dengan data set senyawa aktif/ retrospektif. Virtual screening digunakan untuk menganalisa database dari senyawa kimia dalam mengidentifikasi kandidat senyawa obat, kandidat yang diperoleh inilah yang akan dilakukan screening secara eksperimental (18). Virtual screening dapat mengidentifikasi senyawa kimia baru yang mempunyai probabilitas tinggi untuk berikatan pada protein target dan mengasilkan respon biologis yang diinginkan (19), serta memberikan pengetahuan awal tentang jenis ikatan senyawa obat sebagai ligan dengan makromolekul tertentu (13).
Tujuan dari virtual screening adalah untuk mencari nilai, peringkat, atau menyaring suatu set data struktur, digunakan untuk membantu menentukan senyawa yang akan dipilih sehingga membantu proses sintesis (12). Virtual screening mengurangi ruang maya yang sangat besar dari senyawa kimia menjadi jumlah yang lebih dapat dikelola (20), secara signifikan jumlah senyawa-senyawa kimia yang perlu disintesis dan diuji aktivitas biologisnya menjadi berkurang (13). Similasi ini merupakan metode komplementer di bidang kimia medisinal, berguna untuk menemukan suatu senyawa penuntun baru (21).
Demikian sekilas penjelasan mengenai structure base virtual screening yang mencangkup perannya dalam membantu penemuan obat baru, hingga tahapan-tahapan pelaksanaannya. Semoga tulisan ini memberikan sumbangsih bagi dunia pendidikan, khususnya berkaitan dengan drug discovery dan drug design. Saya ucapkan terima kasih kepada Prodi S2 Farmasi, Fakultas Farmasi, Universitas Sanata Dharma, yang telah memberikan kesempatan untuk saya bisa mengembangkan diri dengan keilmuan ini hingga bisa dibagikan melalui tulisan yang sekarang ada di hadapan para pembaca.
REFERENSI:
1. Â Â Â Â Ramachandran KI, Deepa G, Namboori K. computational chemistry and molecular modeling: Principles and applications. Computational Chemistry and Molecular Modeling: Principles and Applications. Berlin: Springer Berlin Heidelberg; 2008. 1--397 p.
