Pelarut organik memainkan peran penting dalam industri kimia. Pelarut ini digunakan dalam sintesis, katalisis, pemisahan, analisis kuantitatif, dan formulasi farmasi. Pemilihan pelarut bergantung pada kelarutan senyawa dalam beberapa pelarut organik. Namun, hal ini telah menjadi tantangan besar dalam kimia dan penemuan obat. Sejak abad terakhir, metode komputasi telah diterapkan untuk memperkirakan kelarutan senyawa dalam air sebelum percobaan. Metode ini mencakup model mekanisme dan pendekatan QSPR (hubungan kuantitatif struktur-sifat). Namun, metode ini hampir diterapkan untuk prediksi dalam air. Ada relatif sedikit pendekatan untuk memprediksi kelarutan dalam berbagai pelarut organik. Saat ini, pengukuran kelarutan masih bergantung pada eksperimen yang melelahkan dan mahal, yang merupakan hambatan untuk penyaringan pelarut yang cepat untuk industri kimia. Perhatian yang meningkat telah diberikan untuk merancang pendekatan QSPR untuk secara akurat memprediksi kelarutan molekul dalam berbagai pelarut organik karena hal ini berpotensi menghemat waktu dan bahan secara besar-besaran. Selain pendekatan QSPR, beberapa model mekanisme juga telah diusulkan untuk prediksi kelarutan dalam air atau pelarut organik tunggal sejak abad terakhir.
Beberapa percobaan dalam model QSPR telah dilakukan untuk memprediksi kelarutan senyawa dalam pelarut organik dalam 20 tahun terakhir. Mereka mengungguli persamaan empiris dan model mekanistik, seperti GSE dan COSMO. Model pembelajaran mesin dipelajari pada data kelarutan eksperimental menggunakan serangkaian algoritma dan arsitektur pembelajaran mesin. Konstanta fisika-kimia eksperimental, deskriptor topologi dan muatan yang dihitung, dan sidik jari molekuler senyawa digunakan untuk merepresentasikan struktur molekul. Model tersebut dibangun menggunakan deskriptor molekuler yang dihitung yang berisi topologi, muatan, dan lipofilisitas. Akurasi klasifikasi 93% menunjukkan bahwa pendekatan QSPR dapat memprediksi kelarutan senyawa dalam pelarut organik. (Abraham MH et al, 2010).
Fitur umum dari model berbasis QSPR adalah bahwa telah terbukti sulit untuk mendapatkan prediksi kelarutan dengan validasi eksternal dengan akurasi yang lebih baik daripada RMSE. Dapat ditemukan bahwa akurasi yang buruk lebih bergantung pada kekurangan dalam algoritma dan deskriptor daripada kekurangan dalam nilai eksperimen. Oleh karena itu, diperlukan upaya lebih besar untuk menyelidiki deskriptor dan model yang akan menggambarkan kelarutan lebih baik daripada yang biasanya digunakan dalam model QSPR. Langkah-langkah telah diambil dalam arah ini selama dekade terakhir. Prinsip-prinsip baru telah diselidiki secara lebih rinci, dengan tujuan memodelkan mekanisme dasar kelarutan dan meningkatkan pemahaman tentang sifat ini. Salah satu pendekatan tersebut adalah memodelkan kelarutan menggunakan siklus termodinamika. Banyak upaya pemodelan dan simulasi menargetkan pemahaman mekanistik dari berbagai proses yang terlibat dalam siklus termodinamika pelarutan. Perhatian khusus telah diarahkan pada pemodelan keadaan padat. Sementara bidang ini berkembang pesat, masih sulit untuk mencapai prediksi akurat titik leleh yang berguna untuk prediksi melalui persamaan kelarutan umum. Meningkatnya daya komputasi yang diperoleh melalui infrastruktur komputasi nasional dan internasional yang dikombinasikan dengan kemajuan analitis yang signifikan (Palmer dan Mitchell, 2014 )
Daftar Pustaka
- Palmer D.S., Mitchell J.B. Is experimental data quality the limiting factor in predicting the aqueous solubility of druglike molecules? Mol. Pharm. 2014;11:2962–2972. doi: 10.1021/mp500103r. https://pmc.ncbi.nlm.nih.gov/articles/PMC5861307/
- Abraham MH et al (2010) Prediction of solubility of drugs and other compounds in organic solvents.J Pharm Sci 99(3):1500–1515. https://jcheminf.biomedcentral.com/articles/10.1186/s13321-021-00575-3
- Sumber gambar : https://unair.ac.id/studi-in-silico-sifat-farmakokinetika-turunan-5-o-benzoilpinostrobin/
Penulis : Choerul Fajri M – 22416248201051 – FM22A – FARMASI UBP KARAWANG
