Struktur Base Virtual Screening (SBVS), Pendekatan Efektif dalam Penemuan Senyawa Obat Baru

(Chapter 2)

Oleh:

Gerry Nugraha, S.Si., M.Sc*

Mahasiswa Prodi S2 Farmasi Universitas Sanata Dharma Yogyakarta

Indonesia kaya dengan tumbuhan tanaman obat, namun hal tersebut belum dibarengi dengan pemanfaatannya dalam pengobatan. Tingginya biaya penelitan menemukan senyawa obat baru khususnya yang berbasis senyawa bahan alam, panjangnya tahapan dan waktu yang diperlukan, ditambah alat dan infrastruktur yang kurang mendukung, menjadi alasan utama terhambatnya penelitian-penelitian di bidang penemuan obat baru.

Metode in silico yaitu Kimia Komputasi atau juga dikenal sebagai Komputasi Medisinal, hadir dan berkembang pesat sejak tahun 1980 untuk membantu mengurangi masalah-masalah tersebut.

Kimia Komputasi digunakan dalam simulasi sistem kimia dan biologi untuk memahami dan memprediksi perilaku senyawa pada tingkat molekuler (1), menggunakan hasil kajian kimia teori yang diterjemahkan ke dalam program bahasa komputer untuk menentukan sifat-sifat partikel dan perubahannya (2). 

Menurut Jensen (2017), Kimia Komputasi difokuskan untuk mendapatkan hasil yang relevan terhadap masalah di bidang kimia. Kajian terhadap suatu sistem kimia diawali dengan pemodelan sistem yang akan dikaji, dilanjutkan dengan perhitungan sifat fisikokimia, diakhiri dengan analisis data yang dihasilkan dari perhitungan.

Pendekatan in silico dalam desain obat baru merupakan sarana penelitian pendahuluan, membantu dalam skrining kandidat obat dan memangkas kuantitasnya secara signifikan (4). 

Menurut Vilar dkk. (2008), dua strategi utama yang umum diterapkan dalam penemuan obat berbantuan komputer adalah structure based virtual screening (SBVS). Tan dkk. (2008) mengemukakan, SBVS telah terbukti efektif dan efisien dalam menghasilkan arahan untuk pengembangan kimia obat lebih lanjut tanpa memerlukan infrastruktur yang kompleks.

SBVS merupakan tahap awal proses penemuan obat baru (7), faktor yang menentukan ligan dan protein diterima sebagai protokol SBVS apabila dapat menghasilkan mode ikatan yang reprodusibel (8). Selain itu, protokol dapat diterima apabila menghasilkan nilai Root-Mean-Square Deviation (RMSD) tidak lebih dari 2,0 (9). 

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). 

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). 

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.        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.

2.        Leach A. molecular modelling: principles and applications-prentice hall. Second. England: Pearson Education Limited; 2001. 1--773 p.

3.        Jensen F. introduction to computational chemistry computational chemistry. third edit. UK: John Wiley & Sons; 2017. 1--638 p.

4.        Nugraha G, Istyastono EP. Pembuatan protokol penapisan virtual berbasis stuktur (PVBS) untuk identifikasi ligan inhibitor reseptor platelet-activating factor (PAF-r) sebagai target terapeutik ssma menggunakan YASARA. J Ris Kim. 2020;11(1):35--42.

5.        Vilar S, Cozza G, Moro S. medicinal chemistry and the molecular operating environment (MOE): application of QSAR and molecular docking to drug discovery. Curr Top Med Chem. 2008;8(18):1--18.

6.        Tan L, Geppert H, Sisay MT, Gtschow M, Bajorath J. integrating structure- and ligand-based virtual screening: Comparison of individual, parallel, and fused molecular docking and similarity search calculations on multiple targets. ChemMedChem. 2008;3(10):1--6.

7.        Cavasotto CN, Orry AJW. ligand docking and virtual screening in structure-based drug discovery. Curr Top Med Chem. 2007;7:1006--14.

8.        Verdonk ML, Berdini V, Hartshorn MJ, Mooij WTM, Murray CW, Taylor RD, et al. virtual screening using protein-ligand docking: Avoiding artificial enrichment. J Chem Inf Comput Sci. 2004;44(3):1--14.

9.        Marcou G, Rognan D. optimizing fragment and scaffold docking by use of molecular interaction fingerprints. J Chem Inf Model. 2007;47(1):1--13.

10.      Hou T, Xu X. Recent Development and Application of Virtual Screening in Drug Discovery: An Overview. Front Med Chem - (Volume 3). 2012;675--703.

11.      Cheng T, Li Q, Zhou Z, Wang Y, Bryant SH. structure-based virtual screening for drug discovery: A problem-centric review. AAPS J. 2012;14(1):1--9.

12.      Leach AR, Shoichet BK, Peishoff CE. docking and scoring. Am Chem Soc. 2006;49(20):1--5.

13.      Alvarez J, Shoichet B. virtual screening in drug discovery. Boca Raton: Taylor & Francis; 2005. 1--22 p.

14.      Kroemer RT. structure-based drug design: docking and scoring. Curr Protein Pept Sci. 2007;8:1--18.

15.      Lengauer T, Rarey M. computational methods for biomolecular docking. Curr Opin Struct Biol. 1996;6(3):1--5.

16.      Teodoro ML, Phillips J, Kavraki LE. molecular docking: A problem with thousands of degrees of freedom. Proc - IEEE Int Conf Robot Autom. 2001;1:1--6.

17.      Becker OM, MacKerell AD, Roux JB, Watanabe M. computational biochemistry and biophysics. Marcel Dekker AG. New York: Marcel Dekker, Inc.; 2001. 1--525 p.

18.      Holtje HD, Folkers G, Luzar A. molecular modeling, basic principles and applications,. Vol. 12, Computers in Physics. 1998. 1--200 p.

19.      Ghosh S, Nie A, An J, Huang Z. structure-based virtual screening of chemical libraries for drug discovery. Curr Opin Chem Biol. 2006;10(3):1--9.

20.      Brown ED, Wright GD. antibacterial drug discovery in the resistance era. Nature. 2016;529(7586):1--8.

21.      Sandhaus S, Chapagain PP, Tse-Dinh YC. discovery of novel bacterial topoisomerase i inhibitors by use of in silico docking and in vitro assays. Sci Rep [Internet]. 2018;8(1):1--9.