BAB VII

HUBUNGAN KUANTITATIF STRUKTUR DAN AKTIVITAS

 

          Bab ini membicarakan salah satu aplikasi kimia komputasi dalam bidang desain senyawa obat yaitu hubungan kuantitatif antara struktur dan aktifitas (HKSA) senyawa yang berkasiat obat. Parameter struktur senyawa seperti muatan atom, moden dipol dan kepolaran yang diperoleh dari perhitungan kimia komputasi dapat dijadikan diskriptor teoritis dalam menghasilkan persamaan HKSA. Juga akan dibahas tentang konsep statistik yang mendasari HKSA. Metode kimia komputasi yang dapat digunakan untuk menghasilkan diskriptor teoritik telah dibahas di Bab III, IV, V dan VI.

 

Tujuan Instruksional Khusus:

Setelah mengikuti matakuliah ini, mahasiswa akan dapat memberikan contoh penggunaan pemodelan molekul dalam menentukan hubungan struktur dan aktifitas obat dengan sifat suatu senyawa

 

7.1  PENDAHULUAN

          Desain obat merupakan proses iteratif yang dimulai dengan senyawa yang menunjukkan sifat aktif biologis yang penting dan diakhiri dengan mengoptimasi baik profil aktivitas molekul maupun sintesis kimianya. Proses ini dapat berjalan jika kimiawan menghipotesiskan suatu kaitan antara struktur kimia suatu molekul (satu seri molekul) dengan aktivitas biologis. Tanpa pengetahuan yang rinci tentang proses biokimia yang bertanggungjawab terhadap aktivitas, hipotesis yang umum akan diambil atas dasar kemiripan struktur dan perbedaan molekul aktif dan tak aktif. Senyawa dipilih untuk sintesis yang melibatkan keberadaan gugus fungsi atau gambaran yang dapat dipercaya dari struktur molekul yang bertanggungjawab terhadap aktivitas.

          Kebolehjadian kombinatorial dari strategi ini akan sangat besar walaupun hanya berhadapan dengan sistem yang sederhana sekalipun. Sebagai contoh sejumlah senyawa diperlukan dalam sintesis untuk mensubstitusi 10 substituen pada 4 posisi dari sistem cincin benzena disubstitusi yaitu memerlukan 10.000. Alternatif yang dapat ditempuh adalah bekerja secara intensif pada optimasi senyawa dalam molekul diskriptor yang dapat diprediksi sifatnya secara mudah. QSAR dapat digunakan sebagai perangkat untuk membantu menun-jukkan sintesis kimia untuk senyawa yang berdaya guna.

 

7.2  KONSEP STATISTIK

          Kimia komputasi menjelaskan struktur molekul sebagai model numerik dan mensimulasi perilaku molekul dengan persamaan kuantum atau fisika klasik. Program yang tersedia memungkinkan kimiawan untuk dengan mudah menghasil-kan dan menyatakan data molekul termasuk geometri, energi dan sifat asosiasi seperti pada tinjauan elektronik, spektros-kopi atau bulk.

          Paradigma umum untuk menyatakan dan mengolah data ini adalah membuat tabel dan menyatakan suatu senya-wa pada setiap baris sesuai dengan sifat molekul (diskriptor) yang didefinikan pada kolom yang berisi jenis senyawa. Hubungan Kuantitatif Struktur dan Aktivitas (Quantitative Structure and Activity Relationships, QSAR) bermaksud mencari hubungan yang konsisten antara variasi dalam harga suatu besaran sifat molekul dan aktivitas biologis untuk satu seri senyawa sedemikian hingga “aturan” dapat digunakan untuk mengevaluasi suatu bahan baru yang mirip dengan satu seri molekul yang dimodelkan.

          Secara umum QSAR menyatakan bentuk persamaan linear sebagai berikut:

 

Aktivitas biologi = tetapan +(C1.P1) +(C2.P2) +(C3.P3) + …

 

Pi adalah parameter yang dihitung untuk setiap molekul dalam Ci merupakan koefisien yang dihitung dengan variasi fitting dalam parameter dan aktivitas biologis. Karena hubungan ini secara umum dicari melalui penerapan teknik statistik, maka diperlukan pengetahuan yang cukup tentang statistika kimia untu memahami QSAR.

Untuk memberikan gambaran tentang penggunaan QSAR dalam industri obat, diberikan contoh penelitian yang dilakukan oleh The Sandoz Institute for Medical Research dalam rangka menghasilkan obat analgetik. Dalam penelitian tersebut, vanililamida dan vanililtiourea yang berkaitan dengan capsaisin dibuat dan aktivitasnya ditest secara in vitro dengan mengukur influx 45Ca2+ ke dalam dorsal root ganglia neurons. Data dinyatakan dalam EC50 (mM) dan disajikan pada tabel 7.1 (senyawa 6f merupakan senyawa yang paling aktif dari seri molekul tersebut).

 

Tabel 7.1  Data aktivitas analog Kapsaisin

 

Nomor

Senyawa

Nama

Senyawa

X

EC50(mM)

1

6a

H

11,80±1,9

2

6b

Cl

1,24±0,11

3

6d

NO2

4,58±0,29

4

6e

CN

26,50±5,87

5

6f

C6H5

0,24±0,30

6

6g

N(CH3)2

4,39±0,67

7

6h

I

0,35±0,05

8

6i

NHCHO

  ?  ± ?

 

 

          Tanpa adanya tambahan informasi, hanya ada satu jalan untuk menurunkan “dugaan” terbaik untuk aktivitas dari 6i yaitu menghitung rerata harga untuk senyawa yang ada dalam seri tersebut. Rerata sebesar 7,01 memerlukan “dugaan” untuk harga senyawa 8, tetapi seberapa baik “dugaan”ini ? Secara grafik, data EC50 dari satu seri senyawa tersebut disajikan pada grafik 7.1.

Gambar 7.1  Data aktivitas analog kapsaisin

         

Standar deviasi data, s, menunjukkan seberapa besar perbedaan harga aktivitas tersebar di sekitar rerata. Harga ini diperlukan sebagai indikator kualitas “dugaan” dengan me-lihat jumlah keberagaman yang terlihat (variability inherent) dalam data. Standar deviasi dapat dihitung sebagai berikut :

 

 

Kita menginginkan untuk memahami faktor yang berpengaruh terhadap aktivitas dalam seri senyawa tersebut dan pema-haman ini digunakan untuk memperkirakan aktivitas senya-wa baru. Untuk mencapai tujuan ini, kita memerlukan :

·         Data berkait yang diukur dengan presisi yang cukup bagi semua senyawa dalam satu seri.

·         Himpunan parameter yang dengan mudah didapatkan dan mempunyai kaitan dengan afinitas reseptor.

·         Metode untuk mendeteksi hubungan antara parameter dan data berkait (QSAR) dan,

·         Metode untuk memvalidasi QSAR.

 

Persamaan QSAR merupakan model linear yang menya-takan kaitan antara variasi  aktivitas biologi dengan variasi sifat yang dihitung (atau diukur) untuk suatu seri senyawa tertentu. Untuk metode yang bekerja secara efisien, senyawa dipilih untuk menggambarkan  “ruang kimia” (chemical space) dari data eksperimen (himpunan ‘training’) harus berbeda-beda. Dalam beberapa sintesis, senyawa yang dibuat secara struktural mempunyai kemiripan dengan struktur yang men-jadi acuan. Tidaklah mengejutkan, senyawa tambahan harus dibuat dan diuji untuk mengeluarkan himpunan penguji.

Kualitas setiap QSAR akan sebanding dengan kualitas data yang digunakan untuk penurunan model. Kurva respons-dose diharapkan dapat halus (smooth) mengandung cukup titik untuk menjamin akurasi. Kenaikan pembacaan data observasi yang diberikan harus mempunyai keterulangan dan mempunyai kesalahan yang kecil, hal ini berkaitan dengan rasio signal-to-noise. Variasi pembacaan diperoleh dengan pengulangan senyawa penguji yang sama haruslah lebih kecil daripada seluruh variasi dari seri senyawa. Dalam kasus dimana data terkoleksi dari eksperimen biologis tidak mengikuti aturan ini, metode lain untuk analisis data harus dapat menjadi perangkat, karena model QSAR diturunkan dari data yang dipertanyakan kebenarnnya.

          Jika data biologi telah dikumpulkan, sering didapatkan fakta bahwa data tersebut dinyatakan dalam suatu besaran yang tidak dapat digunakan dalam analisis QSAR. Karena QSAR berdasar pada hubungan energi bebas dengan tetapan keseimbangan, maka data untuk mempelajari QSAR harus dinyatakan dalam besaran perubahan energi bebas  yang terjadi dalam proses respon biologi. Jika pengujian potensi suatu obat (dosis diperlukan untuk menghasilkan pengaruh biologi), perubahan energi bebas dapat dihitung proporsional dengan kebalikan logaritmik dari konsentrasi senyawa.

Karena data biologis pada umumnya diperoleh dengan “skewed” (menusuk), perlakuan logaritma mengubah data pada mendekatan distribusi normal. Jadi jika pengukuran respon pada kondisi keseimbangan, transformasi yang sering dilakukan adalah menyatakan harga konsentrasi (seperti IC50, LD50, EC50) sebagai log [C] atau log 1/[C]. Data transformasi untuk kapsaisin ditunjukkan pada tabel 7.2.

 

Tabel 7.2   Data tertransformasi analog kapsaisin

 

Nomor

Senyawa

Nama

Senyawa

X

EC50(mM)

Log EC50

Log 1/ EC50

1

6a

H

11,80±1,9

1,05

-1,05

2

6b

Cl

1,24±0,11

0,09

-0,09

3

6d

NO2

4,58±0,29

0,66

-0,66

4

6e

CN

26,50±5,87

1,42

-1,42

5

6f

C6H5

0,24±0,30

-0,62

0,62

6

6g

N(CH3)2

4,39±0,67

0,64

-0,64

7

6h

I

0,35±0,05

-0,46

0,46

8

6i

NHCHO

  ?  ± ?

?

?

 

Pengaruh transformasi ini pada sebaran data relatif terhadap rerata dinyatakan pada Gambar 7.2. Sebagai catatan bahwa titik data yang diproyeksikan ke sumbu Y, menjadikan data lebih terdistribusi secara seragam.

Dengan diberikan data tertransformasi, dugaan terbaik untuk aktivitas senyawa 6i masih sebagai rerata dari himpunan daya (atau 0,40). Seperti sebelumnya, asosiasi kesalahan dengan dugaan ini dihitung sebagai akar kuadrat dari rerata kuadrat deviasi dari harga tengah (mean).

 

Gambar 7.2   Data tertransformasi analog kapsaisin

         

Ini merupakan contoh himpunan data yang dimaksud-kan untuk pendekatan umum, data yang nyata mempunyai lebih banyak senyawa dan deskriptor. Karena tujuan QSAR adalah untuk mendapatkan gambaran hubungan antara aktivitas dan struktur, kita ingin mencari satu atau lebih gambaran struktur yang berhubungan dengan molekul ini dan aktivitas yang terasosiasi. Sebagai tambahan, kita ingin men-dapatkan parameter yang bekerja secara konsisten untuk semua senyawa dalam satu seri.

Terdapat beberapa kelas potensial dari parameter yang digunakan dalam memperlajari QSAR. Tetapan substituen dan parameter kimia-fisika yang lain (seperti tetapan sigma dari Hammet) mengukur pengaruh elektronik dari gugus pada molekul. Perhitungan fragmen digunakan untuk menyatakan kehadiran sub struktur yang spesifik. Parameter lain yang dapat dimasukkan antara lain deskriptor topologi dan nilainya ditentukan dengan perhitungan kimia kuantum.

 

Tabel 7.3  Harga parameter analog kapsaisin

Nomor

Senyawa

Nama

Senyawa

X

Log EC50

p

MR

1

6a

H

1,05

0,00

1,03

2

6b

Cl

0,09

0,71

6,03

3

6d

NO2

0,66

-0,28

7,36

4

6e

CN

1,42

-0,57

6,33

5

6f

C6H5

-0,62

1,96

25,36

6

6g

N(CH3)2

0,64

0,18

15,55

7

6h

I

-0,46

1,12

13,94

8

6i

NHCHO

?

?

?

 

Pemilihan paramater merupakan langkah pertama yang penting dalam studi QSAR. Jika asosiasi antara parameter terseleksi dan aktivitas sangat kuat, prediksi aktivitas menjadi mungkin. Jika hanya berupa asosiasi lemah, harga parameter yang diketahui tidak akan membantu memprediksi aktivitas. Jadi dalam suatu penelitian, parameter harus dipilih yang relevan dengan aktivitas suatu seri molekul yang diselidiki dan parameter tersebut haruslah mempunyai nilai yang di-dapatkan dengan cara yang konsisten.

Grup Sandoz membagi analisis analog kapsaisin ke dalam tiga kategori, daerah A yang berisi cincin aromatis, daerah B yang mendifinsikan ikatan amida, dan daerah C yang terisi oleh rantai samping yang hidrofobik. Hipotesis untuk daerah C mengasumsikan bahwa substituen kecil yang hidrofobik menaikkan aktivitas. Dengan memberikan asumsi ini, parameter dipilih yang dapat mendefinisikan sifat ini adalah refraktivitas molar (ukuran) dan p yaitu tetapan substituen hidrofobik. Harga ini dinyatakan pada tabel 7.3.  

Data pada tabel 7.3, hubungan antar data dapat diana-lisis dengan dua cara : secara grafik dan secara statistik. Pendekatan visual yang paling baik untuk masalah dengan data yang terbatas adalah secara grafik. Dalam kasus ini penggambaran aktivitas vs baik dengan refraktivitas maupun hidrofobisitas memberikan beberapa pengetahuan ke dalam hubungan antara parameter dengan aktivitas.

Apakah grafik memberikan pengetahuan ke dalam akti-fitas senyawa 6i ? Apakah harga yang diketahui baik untuk hidrofobisitas atau parameter refraktivitas molar dari senyawa ini memberikan estimasi yang baik untuk aktivitas ?

Karena ini merupakan contoh sederhana yang hanya dua harga yang diuji, jawaban atas pertanyaan adalah ya secara kualitas. Namun demikian untuk kasus yang lebih kompleks, yaitu ketika banyak parameter berhubungan dengan aktivitas, statistik digunakan untuk menurunkan persamaan yang menghubungan aktivitas dengan kumpulan parameter. Persamaan linear yang didefinisikan dari kum-pulan data ini adalah :

Log EC50 = 0,794 – 0,817 p

 

 

 

 

 

 

 

 


Gambar 7.3  Harga parameter analog kapsaisin

         

          Seberapa besar tingkat kepercayaan yang diberikan kepada model yang kita tentukan ? Langkah pertama untuk menjawa pertanyaan ini adalah menentukan seberapa baik persamaan ini memprediksi aktivitas untuk senyawa yang telah diketahui dalam seri senyawa ini. Persamaan di atas mengestimasi harga rerata untuk EC50 berdasarkan pada harga p, karena mudah divariasi, tidaklah merupakan kejutan bahwa harga individual akan berbeda dari estimasi regresi. Perbedaan antara harga terevaluasi dengan harga sebenarnya (diukur) untuk setiap senyawa diistilahkan sebagai residu dari suatu model. Harga terhitung untuk keasaman dan residu mereka (atau kesalahan dari estimasi untuk harga individual) ditunjukkan pada tabel 7.4.

Residu merupakan salah satu cara untuk menghitung kesalahan dalam estimasi harga individu dengan persamaan regresi untuk kumpulan data tersebut. Standar kesalahan untuk residu dihitung dengan menerapkan akar-harga tengah kuadrat dari residu (dalam perhitungan, denominator menun-jukkan pengurangan dengan dua untuk mencerminkan estimasi dari dua parameter).

 

Tabel 7.4  Harga terhitung dari analog kapsaisin

Nomor

Senyawa

Nama

Senyawa

X

Log EC50

p

Log EC50

terhitung

residu

1

6a

H

1,05

0,00

0,79

0,28

2

6b

Cl

0,09

0,71

0,21

-0,12

3

6d

NO2

0,66

-0,28

1,02

-0,36

4

6e

CN

1,42

-0,57

1,26

0,16

5

6f

C6H5

-0,62

1,96

-0,81

0,19

6

6g

N(CH3)2

0,64

0,18

0,65

-0,01

7

6h

I

-0,46

1,12

-0,12

-0,34

8

6i

NHCHO

?

-0.98

1,60

?

 

Dalam rangka meningkatkan kualitas model, standar deviasi dari residu dihitung dari model harus lebih kecil daripada standar deviasi data aslinya. Standar kesalahan harga tengah telah sebelumnya dihitung sebesar 0,76 sedangkan standar kesalahan dari model QSAR adalah 0,28. Jelaslah bahwa penggunaan regresi linear telah meningkatkan akurasi analisis. Gambar harga terukur vs terhitung ditunjukkan pada gambar 7.4 dengan garis berslope 45o.

 

Gambar 7.4  Harga EC50 aktual vs terprediksi dari analog kapsaisin

 

          Ada beberapa asumsi dalam menurunkan model QSAR untuk satu seri senyawa. Pertama, diasumsikan bahwa parameter dapat dihitung (atau diukur pada kasus tertentu) lebih akurat dan murah daripada aktivitas yang harus diukur. Kedua, diasumsikan bahwa penurunan dari garis fitting terbaik mengikuti distribusi normal (Gaussian). Terakhir, diasumsikan bahwa setiap variasi dalam mendiskripsikan persamaan QSAR bersifat independen terhadap besarnya aktivitas maupun parameter. Dengan diberikan asumsi ini, kualitas model dapat diukur  menggunakan berbagai teknik.

          Variasi data dikuantisasi dengan koefisien korelasi, r, yang mengukur seberapa dekat data terobservasi bersesuaian dengan garis regresi hasil fitting. Kesalahan dalam model atau dalam data akan menghasilkan fitting yang jelek. Indikator ini dari fitting pad garis regresi dapat dihitung sebagai berikut :

Regresi varian didefinisikan sebagai original varian dikurangi dengan varian di sekitar garis regresi. Original varian adalah jumlah kuadrat jarak data original dari harga tengah. Hal ini dijelaskan dalam gambar 7.5.

Perhitungan dapat dinyatakan sebagai berikut:

Original varian = (1,07-0,40)2 + (0,09-0,40)2 + … = 3,49

Varian di sekitar

garis regresi         =(0,28)2 +(-0,2)2 +(-0,36)2 + …= 0,40

 
 

 


Regresi varian = 3,49 – 0,40 = 3,09

r2 = regresi varian/original varian

r2 = 3,09/3,49 = 0,89

 

Harga kebolehjadian dapat dilaporkan untuk r2 yang mempunyai harga antara 0 dan 1. r2 = 0 berarti bahwa tidak ada hubungan antara aktivitas dan parameter yang dipilih dalam studi ini. r2 = 1 berarti mempunyai hubungan yang sangat erat. Interpretasi harga r2 untuk analog kapsaisin adalah 89% dari variasi dalam harga log EC50 dijelaskan dengan variasi dalam harga p, parameter hidrofobisitas.

Harga tinggi untuk r2 menunjukkan bahwa hubungan antar variabel sangat dekat. Jika banyak variabel penjelasan yang digunakan untuk persamaan regresi, sangat mungkin untuk mendapatkan hasil fitting yang baik terhadap data karena adanya fleksibilitas proses fitting –garis akan cocok secara baik dengan dua titik- kurva kuadratik akan meng-hasilkan kecocokan tiga kali lipat dan regresi linear berganda akan cocok dengan data observasi jika terdapat cukup variabel eksplanatori. Dengan diberikan asumsi bahwa data mengikuti distribusi Gaussian, besaran statistik F memperki-rakan/menaksir signifikansi secara statistik dari persamaan regresi.

Harga F dihitung dari r2 dan jumlah titik data (atau derajat kebebasan) dalam kumpulan data. Ratio F untuk analog kapsaisin dihitung sebagai:

Harga ini seringkali muncul sebagai standar keluaran dari program statistik atau dapat diperiksa dalam tabel statistik untuk menentukan signifikansi persamaan regresi. Dalam hal ini, kebolehjadian bahwa tidak ada hubungan antara aktivitas dengan harga p adalah kurang ari 1% (p=0,01).

Gambar 7.5  Harga deviasi r2 analog kapsaisin

          Kita mendapatkan bahwa harga hidrofobisitas berhu-bungan erat dengan aktivitas biologis. Apakah penambahan parameter ukuran akan meningkatkan model kita ? Untuk menganalisis hubungan yang kemungkinan dipengaruhi oleh beberapa variabel (atau sifat), akan menguntungkan untuk menaksir kontribusi setiap variabel. p dan MR muncul sebagai sesuatu yang berhubungan dalam kumpulan data ini sehingga derajat dalam memfitting dapat berpengaruh pada seberapa banyak variabel kedua membantu variabel yang pertama. Regresi linear berganda digunakan untuk menentu-kan derajat kepentingan relatif dari beberapa variabel pada fitting total dari data.

          Regresi linear berganda dapat memaksimalkan fitting data menjadi persamaan regresi (dengan cara meminimalkan kuadrat deviasi dari persamaan regresi) untuk aktivitas bio-logis (memaksimal harga r2) dengan mengatur setiap para-meter yang tersedia ke atas atau ke bawah. Program regresi sering mendekati cara ini dalam beberapa langkah yaitu dengan persamaan regresi berurutan (successive) yang akan diturunkan dengan mengupayakan parameter ditambah atau dihilang sampai r2 dan harga s mencapai harga optimal. Besarnya koefisien yang diturunkan dengan cara ini menun-jukkan kontribusi relatif dari parameter terasosiasi pada aktivitas biologis.

          Terdapat dua hal penting dalam menerapkan regresi linear berganda. Pertama adalah berpangkal pada fakta bahwa memberikan parameter yang cukup pada setiap data dapat difitting ke dalam garis regresi. Konsekuensi dari hal ini adalah secara umum analisis regresi memerlukan jumlah senyawa yang secara signifikan lebih besar daripada para-meter. Aturan yang sering digunakan adalah tiga sampai enam kali jumlah paramater yang dipertimbangkan. Kesu-litannya adalah analisis regresi akan sangat efektif untuk interpolasi dan ekstrapolasi yang lebih berguna dalam sintesis (yaitu daerah eksperimen dinyatakan oleh analisis regresi yang telah dijelaskan, tetapi proyeksi ke senyawa baru daerah yang tidak dianalisis akan menjadi permalahan tersendiri).

          Menggunakan regresi berganda untuk analog kapsaisin  dapat diturunkan persamaan yang berhubungan dengan hidrofobisitas dan refraktivitas molar terhadap aktivitas biologis.

Log EC50 = 0,762 – (0,819) p + (0,011)MR

S = 0,313 dan r2 = 0,888

Untuk menentukan pentingnya suku regresi, tiga hal perlu dipertimbangkan :

·     Signifikan secara statistik dari koefisien regresi

·     Besarnya pengaruh khas bixi (dalam hal ini, 0,011 x 25,36)

·     Setiap korelasi silang dengan beberapa suku yang lain.

Jika lebih banyak suku ditambahkan dalam persamaan regresi berganda, r2 selalu menjadi lebih besar.

          Hasil dari analisis ini menunjukkan bahwa dengan seri ini, kesesakan bulk tidaklah merupakan faktor penting dalam aktivitas. Pengaruh tetapan hidrofobisitas mengkonfirmasi keberadaan dari sisi terikat hidrofobik. Dengan diberikan jumlah terbatas dari substituen dalam analisis ini, bukanlah berarti bahwa lebih banyak yang dapat dipelajari dari analisis selanjutnya.

 

 7.3  PENDEKATAN UNTUK MEMBUAT QSAR

          Obat menunjukkan pengaruh biologi mereka dengan partisipasi serangkaian kejadian termasuk transportasi, ikatan dengan reseptor dan metabolisme pada spesies  tak aktif. Akibat dari fakta bahwa mekanisme interaksi antara molekul dan reseptor tidak diketahui dalam beberapa kasus (tidak ada struktur kristal terikat), maka dilakukan langkah deduksi untuk membuat kesimpulan dari sifat-sifat yang dapat secara mudah diperoleh (sifat molekul dan deskriptor) untuk menjelaskan sifat interaksi untuk senyawa yang diketahui.  Jika  satu  hubungan  didapatkan  mekanismenya, maka model mekanisme ini digunakan sebagai bantuan memprediksi perilaku molekul yang belum diketahui.

          Pendekatan pertama untuk membuat hubungan kuan-titatif yang dapat menggambarkan aktivitas sebagai fungsi struktur kimia terdapat pada prinsip termodinamika. Suku energi bebas, DE, DH dan DS dinyatakan dengan satu seri parameter yang dapat diturunkan dari molekul yang di-analisis.

          Pengaruh elektronik seperti kecenderungan untuk memberi dan menarik elektron, perubahan atom parsial dan kerapatan medan elektrostatis, telah didefinisikan dengan tetapan Hammet berupa tetapan s, parameter resonansi (harga R), parameter induksi (harga F) dan harga substituen Taft (r*, s*, Es). Pengaruh sterik seperti volume molar dan luas permukaan dinyatakan dalam harga refraktivitas molar (Molar Refractivity, MR) dan parameter sterik Taft. Pengaruh entalpi dihitung dengan menggunakan koefiesien partisi (log P) atau parameter hidrofobik, p, yang diturunkan dari koefisien partisi. Sebagai tambahan, penandaan indek struktur yang digunakan untuk menujukkan gugus fungsi yang spesifik pada posisi dalam molekul. Persamaan linear yang menggam-barkan  hubungan antara aktivitas dan kumpulan parameter telah dinyatakan dengan persamaan Hansch.

 

Log 1/[C]=A (log P) – B (log P)2 + c (Es) + D (r s) + E + … 

 

Analisis regresi linear berganda telah banyak digu-nakan dalam menurunkan koefisien. Secara umum, Hansch mempelajari senyawa yang sudah mempunyai kerangka/ template (misalnya senyawa aromatis) dengan variasi struktur terbatas pada perubahan gugus fungsional pada sisi yang spesifik.

Hansch menggunakan pendekatan ini untuk mempe-lajari senyawa 256 senyawa 4,6-diamino-1,2-dihidro-2,3-dime-til-1-(X-fenil)-s-triazina yang mempunyai aktivitas sebagai anti tumor dihidrofolat reduktase. Telah dibuktikan bahwa 244 senyawa aktivitasnya dapat berkorelasi dengan kehadiran gugus hidrofobik pada posisi tiga dan empat dari cincin N-fenil. Parameter yang digunakan untuk menurunkan korelasi ini adalah tetapan hidrofobik (p) dan tetapan refraktivitas molar (MR) untuk posisi para dan meta cincin N-fenil dan 6 indikator variabel I1-I6 yang digunakan untuk menandai kehadiran (harga 1) atau ketidakhadiran (harga 0) dari gambaran struktural. Persamaan yang diformulasikan dari data ini menggunakan azas kuadrat terkecil.

log 1/[C] = 0,680 (p3) – 0,118 (p3)2 + 0,230(MR4) -0,024(MR4)2 + 0,238(I1)-2,530(I2) – 1,991(I3) + 0,877(I4) + 0,686(I5) + 0,704 (I6) + 6,489

n = 244, r = 0,923, s = 0,377

 

Gambar 7.6  Kerangka senyawa model dan persamaan QSAR dari Hansch

 

Harga optimum MR4 (4,7) dan p3 (2,9) didapatkan dari turunan parsial dari persamaan. Perlu diperhatikan bahwa jumlah senyawa dalam kumpulan data telah direduksi menjadi 244. Hansch dan Silipo melaporkan peningkatan harga r dan s dengan menghilangkan 12 senyawa yang tidak dapat diprediksi dengan aktor 10 atau lebih.

Jika terdapat keterbatasan penggunaan Hansch, hal ini masih memungkinkan sistem biologi yang kompleks dapat dimodelkan secara sukses menggunakan parameter seder-hana. Pendekatan telah berhasil diterapkan dalam mempre-diksi pengaruh substituen dalam sejumlah besar uji biologis. Masalah utama dengan pendekatan ini adalah jumlah besar senyawa diperlukan untuk mengeksplorasi secara cukup semua kombinasi struktur molekul. Metode analisis tidak meminjamkan mereka sendiri untuk penjelasan pengaruh konformasi. Beberapa peneliti telah mempublikasikan artikel dalam rangka memperluas dasar dari pendekatan Hansch.

Pendekatan alternatif untuk mendesain senyawa di-usulkan untuk mengatasi masalah kombinatorial yang di-temui pada analisis Hansch. Free dan Wilson menggunakan sederet tetapan substituen yang berhubungan dengan aktivitas biologi untuk keberadaan gugus fungsional spesifik pada lokasi spesifik pada molekul sejenis. Hubungan antara aktivitas biologis dan keberadaan atau hilangnya substituen dinyatakan dengan persamaan berikut:

A didefinisikan sebagai rerata aktivitas biologis untuk seri senyawa, Gij memberikan kontribusi pada aktivitas gugus fungsional i pada posisi ke-j dan Xij menyatakan keberadaan (1,0) atau hilangnya (0,0) dari gugus fungsi i dalam posisi ke-j.

          Prosedur yang digunakan pada persamaan di atas dalam membuat matrik untuk seri dan menyatakan matrik ini sebagai satu seri persamaan. Tetapan substituen kemudian diturunkan untuk setiap gugus dungsi pada setiap posisi. Test statistik digunakan untuk memprediksi aktivitas dari senyawa yang tidak dibuat. Secara umum, jika jumlah yang besar dari senyawa diperlukan untuk mendapatkan pengaruh kenam-pakan dari banyak substituen, pendekatan Free-Wilson secara substansial tereduksi sejumlah analog yang diperlukan. Namun demikian, metode ini mensyaratkan adanya pengaruh substutuen yang bersifat aditif.

          Pada tahun 1972, John Topliss mempublikasikan paper yang menjelaskan secara detail metodologi untuk pendekatan Hansch. Metode ini mengasumsikan bahwa senyawa sederha-na yang penting mengandung paling tidak satu cincin fenil yang dapat berfungsi sebagai template untuk modifikasi gugus fungsional. Modifikasi pertama pada kerangka telah dibuat pada turunan para-kloro untuk menguji lipofilisitas. Penam-bahan contoh substitusi membuat secara sekuensial usaha untuk menyelidiki dan mengoptimasi hubungan antara aktivitas dan hidrofobik dengan sifat elektronik molekul. Jika pendekatan Topliss mudah diikuti, ada beberapa penggam-baran ulang. Masalah utama adalah bahwa prosedur tidak dapat diaplikasikan pada semua kajian dan terdapat derajat yang tinggi dari resiko yang terasosiasi dengan pengguna-annya. Hal ini secara esensial menghilangkan kebolehjadian interaksi antara substituen sebagai perubahannya satu substituen pada suatu waktu.

          Penggunaan QSAR klasik diperluas selama tahun 1960 yaitu sebagai cara dalam mempelajari korelasi aktivitas dengan sifat kimia. Namun demikian, terdapat berbagai bidang yang tidak dapat menerapkan konsep QSAR atau mereka akan salah dalam menghasilkan korelasi yang ber-manfaat. Hal ini termasuk situasi yang terjadi karena aktivitas harus didapatkan dengan penentuan geometri 3-dimensi (3-D), yaitu kumpulan penguji yang jelek dari senyawa diguna-kan atau sekumpulan senyawa terlalu sedikit atau tidak cukup terdispersi dan jika aktivitas biologis tidak dapat diukur dengan baik. Beberapa masalah ini mengarah pada ekstensi metode Hansch dan membangun pendekatan alter-natif pada QSAR.

          Ada suatu kasus yang ditandai oleh harga aktivitas biologis yang tidak dapat secara akurat ditentukan dengan berbagai alasan, misalnya dalam sensitifitas pada sistem pengujian. Teknik statistik alternatif dapat digunakan dalam hal ini. Masalah ini disederhanakan pada skema klasifikasi dalam katagori senyawa dengan label aktif, aktif sebagian, tidak aktif dan lain-lain. Kumpulan data hasil, kemudian dicari untuk sifat yang diprediksi dengan kategori tersebut. Metode yang menggunakan cara analisis seperti ini adalah SIMCA (Soft, Independent Modeling of Class Analogy), ADAPT (Automated Data Analysis by Pattern Recognation Techniques), CASE (Computer Automated Struktur Evaluation) dan CSA (Cluster Significance Analysis).

          Metode pengenalan pola (Pattern Recognation) bermak-sud mendefinikan kumpulan harga parameter yang dihasilkan dalam senyawa klaster dari aktifitas yang mirip ke dalam daerah ruang n-dimensi. Metode ini dapat menggunakan parametrik maupun non-parametrik. Metode parametrik mencari ruang n-dimensi untuk kluster dari senyawa berda-sarkan sifat terhitung mereka. Metode ini tidak menggunakan harga penuruan (seperti vektor harga tengah dan matrik kovarian). Tetapi menggunakan data original untuk mencari definisi kluster dan menerapkan prosedur iteratif untuk mendapatkan kumpulan linear dari paramater yang didefini-kan secara baik dari skema klasifikasi.

          Metode SIMCA menggunakan Principle Component Analisis (PCA) untuk menggambarkan kumpulan data. Tujuan PCA adalah membuat pengurangan jumlah variabel yang menjelaskan aktifitas biologis atau sifat kimia ke dalam variabel independen yang lebih kecil. Hal ini dapat dicapai melalui analisis dari matrik korelasi dari sifat biologi atau kimia.

          Pendekatan lain untuk menguji pengaruh struktur kimia pada aktivitas telah disusun oleh Jurs. Jurs menggu-nakan kombinasi analisis kluster dan teknik pengenalan pola sebagai alat untuk menyusun korelasi ini. Program ADAPT menghasilkan kumpulan data diskriptor (topologi geometri dan fisiko-kimia) yang diturunkan dari bagunan model 3-D, memproyeksikan titik data ke permukaan n-dimensi dan dianalisis data tersebut menggunakan metode pengenalan pola. Tujuan akhir dari analisis ini adalah untuk membe-dakan antara senyawa yang aktif dan tidak aktif dalam sebuah seri senyawa. Jurs melaporkan bahwa sifat karsinogen suatu bahan kimia, fungsi diskripminan linear diturunkan dari 28 struktur yang dihitung, termasuk diskriptor fragmen, disktiptor substruktur, disktiptor lingkungan, diskriptor ko-nektivitas molekul dan diskriptor geometrik. 209 senyawa dari 20 struktur yang khas (130 karsinogen, 79 nonkarsinogen) dipilih dalam kajian ini. Program digunakan untuk meng-identifikasi kumpulan uji dari 192 senyawa yang digunakan untuk mendapatkan diskriptor terbaik dan kumpulan data yang tersedia dianalisis. Prediksi sukses 90% dari senyawa karsinogen dan 78% untuk senyawa non-karsinogen didapat-kan dengan uji secara random.

Pada tahun 1979, Marshall mengembangkan pende-katan 3-D untuk QSAR dengan secara eksplisit mempertim-bangkan fleksibilitas konformasi dari suatu seri yang diasum-sikan oleh bentuk 3-D mereka. Langkah awal dari pendekatan analog aktif adalah pencarian konformasi senyawa yang mempunyai tingkat aktif sangat besar dalam uji biologis. Hasil pencarian ini dipetakan dari jarak interatomik yang diguna-kan sebagai penyaring pencarian konformasi yang menggam-barkan profil aktifitas kemiripan yang dapat diambil sebagai konformasi yang mirip. Jika konformasi aktif telah ditentu-kan, volume molekul untuk setiap molekul dihitung dan dibandingkan. Analisis regresi dari volume digunakan untuk menyatakan hubungan terhadap aktivitas biologis. Marshall mengkomersialkan pendekatan analog aktif ini dan teknik desain obat yang lain dalam program pemodelan molekul dengan nama SYBYL.

Hapfinger juga menggunakan bentuk 3-D dalam QSAR. Dalam analisis bentuk molekul, bentuk umum yang diguna-kan adalah menghitung suatu seri senyawa dan perbedaan dalam medan energi potensialnya. Jika perhitungan ini digabung dengan satu kumpulan aturan untuk tumpang tindih suatu seri, indek komperatif bentuk molekul yang berbeda akan diperoleh. Dengan memasukkan diskriptor bentuk ke dalam analisis skema Hansch standar menghasil-kan peningkatan penggambaran parameter terhitung terhadap aktivitas biologis seperti tidak ada senyawa dalam data awal yang harus dibuang dari perhitungan. Program pemodelan molekul yang diciptakan oleh Hopfinger adalah CAMSEQ, CAMSEQ-II, CHEMLAB dan CAMSEQ-M.

Pada tahun 1988, Cammer mengusulkan bahwa aktivitas biologis dapat dianalisis dengan menghubungkan sterik bentuk ketergantungan dan medan elektrostatik untuk molekul terhadap aktivitas biologisnya. Sebagai tambahan metode ini tidak sekedar hanya mempunyai cara analisis pada data fitting yang terbatas terhadap garis regresi CoMFA (Comparative Molecular Analysis), tetapi juga memberikan cara baru untuk analisis data. PLS (partial least squares) dan validasi silang digunakan dalam menyusun model bagi prediksi aktifitas. Pendekatan yang digunakan dalam me-nyusun CoMFA mensyaratkan agar peneliti mendefinisikan aturan pengurutan (alignment) untuk suatu seri yang tumpang tindih “putative” dari farmakofor setiap senyawa. Konformasi aktif dan aturan pengurutan harus ditentukan. Jika satu senyawa telah diurutkan setiap molekul diletakkan dalam tingkat 3-D dengan suatu program dan komponen elektrostatik dan sterik dari medan gaya MM yang dihasilkan dari interaksi dengan atom yang diselidiki (probe) (misal atom Csp3) dihitung pada perpotongan titik laktis dalam tingkat 3-D.

Metode regresi tradisional memerlukan jumlah para-meter yang harus lebih kecil daripada jumlah senyawa dalam data (atau jumlah derajat kebebasan data). Tabel data yang dihasilkan oleh CoMFA mempunyai parameter jauh lebih banyak daripada senyawa yang dianalisis.

PLS menghilangkan keterbatasan ini dengan menggu-nakan penurunan koefisien untuk untuk semua suku sterik dan elektrostatik. PLS secara essensial menunjukkan kenya-taan bahwa korelasi yang terjadi pada bagian yang berdekatan dari molekul akan mempunyai kemiripan sehingga dimensi nyata lebih kecil daripada jumlah tingkat titik yang diamati. Karena koefisien bergantung pada posisi, kenampakan substi-tuen untuk satu seri dielusidasi dengan mendefinikan daerah dari sterik bulk dan mulatan elektronik yang berasosiasi dengan kenaikan atau penurunan aktivitas. Ukuran model (jumlah komponen yang diperlukan untuk model yang baik) dan validitas dari model sebagai alat pemrediksi dinyatakan dengan validasi silang.

Apex-3D adalah sistem identifikasi farmakofor otomatis yang dapat mendefinisikan farmakofor yang mungkin dari satu seri senyawa yang aktif secara biologis, menggunakan teknik dan algoritma kesesuaian pola 3-D. Program ini meng-klasifikasikan struktur molekul menggunakan tiga metode : metode persetujuan indukstif (agreement inductive) yang mengidentifikasi sifat struktural dalam senyawa yang mempunyai kemiripan aktivitas, metode perbedaan induktif yang mengidentifikasi sifat struktur yang membedakan senyawa aktif dan tidak aktif dan metode “concomitant” variasi induktif yang menunjukkan variasi dalam gambaran struk-tural yang menjelaskan perubahan aktifitas biologis untuk suatu kumpulan senyawa.

Metode yang digunakan di atas didefinisikan dengan mengikuti kemiripan logis yang digunakan para kimiawan medisin yaitu sifat farmakoforik yang ada dalam molekul aktif yang tidak ada dalam molekul tidak aktif. Farmakofor didefini-sikan oleh perbedaan pusat kimia (atau dipusatkan pada gugus fungsi) dan jarak antara pusat ini. Pusat diskriptor yang dapat diikutkan adalah cincin aromatis, ketersediaan donor elektron, sisi ikatan hidrogen, daerah lipofilik dan muatan atomik parsial. Informasi setiap molekul disimpan dalam basis data dalam bentuk aturan yang dapat digunakan untuk memprediksi aktifitas dari struktur yang baru.

Apex-3D mengandung sistem yang canggih yang secara otomatis dapat memilih konformasi terbaik dan pengurutan untuk struktur berdasar atas identifikasi farmakofor. Jika data biologis secara kuantitatif tersedia, model QSAR 3D dapat disusun untuk setiap kemungkinan farmakofor yang teridentifikasi, bergantung pada tipe aktivitas biologis yang tersedia, kemungkinan untuk mengidentifikasi farmakofor untuk perbedaan orientasi ikatan, reseptor sub-types atau aktivitas agonis dan antagonis.

Farmakofor yang didefinisikan di atas dapat digunakan untuk menyusun model QSAR-3D dengan menghubungkan model yang terhitung untuk sisi biofor, sisi sekunder atau sifat molekul secara keseluruhan. Model QSAR 3D dalam Apex dihasilkan dan digambarkan menggunakan skema modifikasi dari analisis regresi linear berganda dengan variabel ter-seleksi. Pengujian acak khusus dilakukan untuk mengesti-masi kesempatan untuk korelasi yang baik dengan langkah sebagai berikut :

a.    Secara interaktif memilih farmakofor untuk digunakan dalam analisis

b.    Secara interaktif memilih parameter untuk diikutkan dalam kumpulan dari kebolehjadian parameter yang harus dipilih oleh program

c.    Menghitung model QSAR 3D untuk setiap farmakofor menggunakan langkah bertahap regresi berganda dan analisis statistik untuk menguji validitas dan kekuatan prediksi dari model.

7.4   MENGGUNAKAN DISKRIPTOR TEORITIS DALAM QSAR DAN LFER

 

          Hal yang penting dalam kimia adalah konsep yang mengatakan adanya hubungan antara sifat bulk dari senyawa dengan struktur dari molekul senyawa tersebut. Hal ini penting dalam hubungan antara sifat materi secara makros-kopis dengan mikroskopis dan telah menjadi dasar berfikir kimia untuk waktu yang lama (misalnya senyawa dengan gugus karbonil diketahui bersifat asam, mempunyai rasa masam, membentuk warna merah dengan lakmus dan terne-tralkan oleh basa). Hal ini juga merupakan landasan berfikir untuk mengidentifikasi hubungan antara struktur molekul dengan aktivitas/sifat.

          Ada dua pendekatan yang tersedia untuk menentukan sifat fisika dan kimia. Yang pertana adalah secara langsung menghitung melalui penerapan metode mekanika kuantum dan mekanika klasik. Walaupun jumlah sifat yang dihasilkan dengan cara ini berkembang pesat, tetapi data tersebut masih cukup terbatas terutama pada keterbatasan besarnya molekul yang dianalisis. Pendekatan kedua adalah  penggunaan hu-bungan energi bebas linear (Linear Free Energy Relationship, LFER) dan hubungan kuantitatif aktivitas/sifat (Quantitative Structure Activity/Property Relationships, QSAR/QSPR) yang lebih bersifat empiris sehingga memerlukan data eksperimen sebagai himpunan penguji. Metode ini ternyata lebih fleksibel untuk menghitung sifat fisik, kimia dan biologis. Sampai sekarang, hubungan QSAR dan LFER paling banyak menggunakan diskriptor berdasar empiris walaupun literatur dipenuhi dengan contoh QSAR/LFER dengan diskriptor yang diturunkan secara komputasi.

 

7.4.1  LFER

          Teknik LFER awalnya dikemukakan oleh Hammet yang bermaksud untuk menghitung/mengkuantisasi pengaruh substituen dan gugus lepas pada ester terhidrolisis. Hammet merupakan pioner dalam bekerja untuk menunjukkan peng-gunaan prosedur parameterisasi dalam mengambarkan sifat empiris (tetapan keseimbangan, tetapan laju) dalam kaitan dengan parameter yang menjelaskan molekul (s dan r). Hubungan ini memerlukan dasar termodinamika untuk semua pekerjaan dalam QSAR dengan persamaan :

 

DGo = -RT ln K = DHo –TDS

 

 Dengan mengasumsikan bahwa tetapan keseimbangan meru-pakan fungsi struktur molekul yang memberikan pengaruh DGo merupakan asumsi yang paling banyak diterapkan dalam LFER. Diskriptor klasik disusun oleh Hammet kemudian diteruskan oleh Taft, dengan mengasumsikan hubungan ini dan mereka berusaha untuk memverifikasi.

          QSAR pada dasarnya merupakan pengembangan dari pendekatan LFER, dengan cara aktivitas biologis dihubungkan dengan satu seri parameter yang mendiskripsikan struktur molekul. Yang paling dikenal dan banyak digunakan sebagai diskriptor dalam QSAR adalah LOG (Oktanol/air), koefisien partisi (biasanya diberi istilah LOG P atau LOG P[oct]). LOG P sangat bermanfaat dalam kaitannya dengan cakupan yang luas dari aktivitas karena sangat baik memoldekan perpin-dahan melewati hubungan darah/otak. Ketidakuntungannya, banyak regresi tidak berlaku untuk LOG P, biasanya karena munculnya pengaruh lain yang penting, seperti pengaruh sterik dan elektronik. Dengan demikian, banyak diskriptor lain digunakan dalam QSAR sebagai tambahan pada LOG P untuk mengakomodasi pengaruh penambahan ini seperti tetapan Taft Es, p, MR dan lain-lain.

          Telah banyak hasil penelitian kimia teori yang diguna-kan untuk menghasilkan QSAR. Ford dan Livingstone meng-gunakan beberapa keunggulan dari diskriptor yang diturun-kan secara komputasi di luar diskriptor termodinamik yang secara khusus digunakan dalam QSAR. Teoritikal dalam hal ini dimaksudkan untuk menyatakan (i) parameter berdasar empiris yang dapat dihitung melalui program estimasi (seperti LOG P) (ii) teori grafik dan indeks informasi (seperti Kier dan Hall) dan parameter berbasis orbital molekul.

 

7.4.2  LFSR (Linear Solvation Energi Relationship)

          Sejumlah diskriptor telah digunakan baik dalam QSAR maupun LFER, baik empiris maupun komputasi, untuk menyusun regresi yang berguna. Beberapa kesulitan adalah menentukan yang terbaik dari sejumlah besar regresi yang dihasilkan. Regresi “yang terbaik” haruslah mencakup fitting yang baik (skor-t, statistik F, standar deviasi, faktror inflasi varian) dan mempunyai arti kimia. Regresi korelatif yang baik dapat mengatasi kesulitan dalam menginterpretasi parameter memerlukan kapabilitas karakterisasi maupun kepandaian untuk memprediksi sifat senyawa baru atau dengan kata lain regresi mempunyai arti secara kimia. Dengan menggunakan argumen ini Kamlet dan Taft (K-T) menyusun hubungan baru yang bersifat umum untuk mempelajari LFER dari interaksi zat terlarut-pelarut. Jika dinyatakan sebagai hubungan linear energi solvasi, maka dapat dinyatakan:

 

Sifat =    bulk/rongga + depolaritas/polarizabilitas + keasaman ikatan hidrogen + kebasaan ikatan hidrogen

 

          Setiap diskriptor yang disusun oleh K-T diturunkan secara empiris. Suku rongga (cavity) biasanya menggunakan volume molar, tiga suku yang lain diturunkan secara langsung dari pergeseran spektra UV-Vis (sehingga diskriptor sering mengacu pada parameter solvatokromik). Skala para-meter baru (dipisahkan antara zat terlarut dengan pelarut) telah disusun secara terpisah oleh Abraham.

          Terdapat beberapa keunggulan dari LSER yaitu lebih dari 250 sifat dasar zat terlarut/pelarut telah dihubungkan dengan menggunakan skala parameter K-T atau Abraham. Hubungan ini bergantung pada sifat fisika yang sederhana ke aktivitas biologis yang sangat kompleks yang mempunyai ke-mampuan parameter umum (semua regresi menggunakan parameter yang sama), dapat dibandingkan dengan persa-maan regresi dengan mudah dan berpengaruh terhadap mekanismenya.

 

RANGKUMAN KONSEP

QSAR merupakan salah satu bidang kajian kimia yang meng-hubungkan sifat struktur dengan aktivitas obat suatu senyawa. Kimia komputasi dapat memberikan sumbangan data prediktor teoritis seperti muatan atom, dipol dan spektra senyawa untuk digunakan sebagai masukan dalam mengha-silkan persamaan QSAR. Jika persamaan QSAR telah dihasilkan, maka kita dapat mendesain suatu senyawa dengan aktivitas tertentu dan memberikan prediksi tersebut kepada ilmuwan sintesis untuk mensintesis senyawa tersebut.

 

BAHAN DISKUSI

1.  Berikan penjelasan tentang penggunaan metode validasi silang dalam penentuan bentuk persamaan QSAR.

2.  Jelaskan data hasil perhitungan kimia komputasi yang dapat digunakan untuk menentukan kumpulan data yang akan digunakan dalam penentuan persamaan QSAR.

3.  Jelaskan keuntungan analisis QSAR dalam menentukan jalur sintesis senyawa yang berfungsi sebagai obat.

4.  Analisis yang digunakan dalam QSAR selalu mengalami kemajuan berkaitan dengan ketelitian dalam analisis statistik. Jelaskan kaitannya dengan penggunaan metode statistika tersebut.

5.  QSAR-3D banyak digunakan untuk menentukan aktivitas suatu senyawa. Mengapa penggambaran 3-D diperlukan dalam analisis QSAR.

6.  Aktivitas suatu obat dalam analisis QSAR sering dinya-takan dalam bentuk logaritmanya, mengapa demikian?