Kliping Komputasi Kimia

KLIPING KOMPUTASI KIMIA

MENGGAMBAR MOLEKUL DAN MENGHITUNG ENERGI,

JURNAL QSAR,

MENENTUKAN PANJANG IKATAN,

ANALISIS SIKLOHEKSANA STABILITAS KARBOKATION DAN HIPERKONJUGASI KONFORMASI 1,3-BUTADIENA

I DEWA MADE KRESNA

09 313 161

PENDIDIKAN KIMIA

KELAS B

JURUSAN KIMIA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS NEGERI MANADO

2011

KOMPUTASI KIMIA

MENGGAMBAR MOLEKUL DAN MENGHITUNG ENERGI

I DEWA MADE KRESNA

09 313 161

PENDIDIKAN KIMIA

KELAS B

JURUSAN KIMIA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS NEGERI MANADO

2011

1.        Extended Huckel (Hoffmann, 1963)

Metode Extended Huckel adalah metode kimia kuantum semiempirik, yang dikembangkan oleh Roald Hoffmann sejak tahun 1963. Metode Huckel awalnya hanya mempertimbangkan orbital pi, lalu metode ini berkembang mencakup orbital sigma. Metode Extended Huckel dapat digunakan untuk menentukan orbital molekul , tetapi kurang bagus digunakan dalam menentukan geometri struktur dari sebuah molekul organik. Namun metode ini dapat menentukan energi relatif  konfigurasi geometris yang berbeda. Metode Extended Huckel ini hanya mempertimbangkan elektron valensi.

2.        Complete Neglect Of Differential Overlap (CNDO, Pople 1965)

Complete Neglect of Differential Overlap (CNDO) adalah metode yang didasarkan pada kimia kuantum, yang lebih spesifik dalam  metode kimia kuantum semi-empiris. Metode ini menggunakan dua pendekatan, yaitu core approximation dan zero-differential overlap. Metode ini pertama kali diperkenalkan oleh John Pople pada tahun 1965. Metode CNDO ini merupakan metode untuk menghitung energi elektronik dan orbital molekul. CNDO tidak melibatkan pengetahuan tentang ikatan kimia melainkan menggunakan pengetahuan tentang kuantum fungsi gelombang. CNDO dapat digunakan untuk kedua shell tertutup molekul, dimana elektron sepenuhnya dipasangkan dalam orbital molekul dan molekul shell terbuka, yang radikal dengan elektron tidak berpasangan.

3.        Intermediate Neglect Of Differential Over-Lap (INDO, Pople 1967).

Intermediate Neglect Of Differential Over-Lap (INDO) adalah metode kimia kuantum semi-empiris yang merupakan pengembangan dari CNDO. Metode ini juga diperkenalkan oleh John Pople pada tahun 1967. Seperti CNDO, metode ini juga menggunakan zero-differential overlap untuk integral dua-elektron tetapi tidak untuk integral yang lebih dari orbital yang berpusat pada atom yang sama. Metode ini sekarang jarang digunakan dalam bentuk aslinya tapi menjadi dasar untuk beberapa metode lain, seperti MINDO , ZINDO dan SINDO.

4.        Modified Neglect Of Diatomic Overlap (MNDO, Dewar)

Modified Neglect of Differential Overlap (MNDO) adalah metode kimia kuantum semi-empiris untuk perhitungan struktur elektronik molekul dalam kimia komputasi. Hal ini didasarkan pada pendekatan integral Neglect of Differential Diatomic Overlap. Demikian pula, metode ini menggantikan metode sebelumnya yaitu metode Mindo. Metode ini merupakan bagian dari program MOPAC yang dikembangkan Michael Dewar. Pengembangan dilakukan oleh W. Thiel's group, yang disebut MNDO/d, yang menambahkan fungsi d, secara luas digunakan untuk senyawa organologam. MNDOC, dari W. Thiel's group, secara eksplisit juga menambahkan efek korelasi meskipun urutan kedua teori perturbasi dengan dipasang parameter untuk percobaan dari perhitungan berkorelasi. Dengan cara ini, metode ini memberikan hasil yang lebih baik untuk sistem di mana korelasi sangat penting dan berbeda dari yang ada dalam keadaan dasar molekul dari set MNDO sebelumnya.

5.        Austin Model 1 (AM1, Dewar, 1985)

Austin Model 1 (AM1) adalah metode semi-empiris untuk perhitungan kuantum struktur molekul elektronik dalam kimia komputasi. Hal ini didasarkan pada pendekatan integral Neglect of Differential Diatomic Overlap. Secara khusus, metode ini adalah generalisasi dari MNDO.  AM1 dikembangkan oleh Michael Dewar yang diterbitkan pada 1985. AM1 merupakan upaya untuk meningkatkan model MNDO dengan mengurangi tolakan atom pada jarak pemisahan dekat.  Kompleksitas masalah parameterisasi di AM1 yaitu meningkatnya parameter per atom dari 7 di MNDO menjadi 13-16 per atom di AM1. Hasil perhitungan AM1 kadang-kadang digunakan sebagai titik awal untuk parameterizations dari forcefields dalam pemodelan molekul. Pengembangan AM1 adalah SemiChem Austin Model 1 (SAM1), yang diimplementasikan dalam program AMPAC dan yang secara eksplisit memperlakukan d-orbital.

6.        Parameterized Model 3 (PM3, Stewart, 1989)

Parameterized Nomor Model 3 (PM3) adalah metode semi-empiris untuk perhintungan kuantum struktur molekul elektronik dalam kimia komputasi . Hal ini didasarkan pada pendekatan integral Neglect of Differential Diatomic Overlap. Metode PM3 menggunakan formalisme dan persamaan yang sama dengan metode AM1. Perbedaannya adalah: 1) PM3 menggunakan dua fungsi Gaussian untuk fungsi tolakan inti, bukan jumlah variabel yang digunakan oleh AM1 (yang menggunakan antara satu dan empat Gaussians per elemen), 2) nilai-nilai numerik dari parameter yang berbeda. Perbedaan lainnya terletak pada filsafat dan metodologi yang digunakan selama parameterisasi ini: bahwa AM1 mengambil beberapa nilai parameter dari pengukuran spectroscopical, PM3 menggunakannya sebagai nilai-nilai optimizable. Metode ini dikembangkan oleh JJP Stewart dan pertama kali diterbitkan pada tahun 1989. Sebuah model perhitungan untuk PM3 kompleks lantanida, disebut Sparkle/PM3.

  

TUGAS KIMIA KOMPUTASI

HUBUNGAN KUANTITATIF STRUKTUR DAN AKTIVITAS QUINOXALINE-2-KARBOKSILAT 1,4-DI-N-OKSIDA SEBAGAI
AGEN ANTI-MIKOBAKTERI

OLEH:

I DEWA MADE KRESNA

09 313 161

KELAS B

JURUSAN KIMIA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS NEGERI MANADO

2011

HUBUNGAN KUANTITATIF STRUKTUR DAN AKTIVITAS

QUINOXALINE-2-KARBOKSILAT 1,4-DI-N-OKSIDA SEBAGAI
AGEN ANTI-MIKOBAKTERI

Dalam upaya berkelanjutan dari kelompok riset kami untuk mengidentifikasi senyawa aktifbaru terhadap Mycobacterium tuberkulosis, kita resor untuk struktur-aktivitas hubungan kuantitatif (QSARs) teori. Untuk ini tujuan, kami mempekerjakan parameter tertentu potensi, sitotoksisitas dan selektivitas seperti yang diberikan oleh Tuberkulosis antimikroba Akuisisi & Koordinasi Fasilitas (TAACF) program. Molekuler Struktur dari 43 quinoxaline-2-karboksilat 1,4-di-N-oksida derivatif adalah tepat diwakili oleh Jenis 1497 DRAGON deskriptor teoritis, dan model terbaik regresi linear ditetapkan dalam kerja menunjukkan hasil prediksi. Penerapan persamaan QSAR dikembangkan sekarangmelayani sebagai panduan rasional untuk calon usulan struktur baru yang masih tidak memilikieksperimen ditugaskan data biologis.

Pendahuluan

Tuberkulosis (TB), disebabkan oleh Mycobacterium tuberculosis, adalah pernapasan menular penyakit yang menyerang hampir 32% dari dunia populasi, lebih dari penyakit menular lainnya. Ada suatu diperkirakan 8,8 juta kasus TB baru di tahun 2005. Sebanyak 1,6 juta orang meninggal karena TB, termasuk 195.000 pasien yang terinfeksi dengan HIV. Organisasi Kesehatan Dunia (WHO) memperkirakan bahwa dalam 20 tahun berikutnya sekitar 30 juta orang akan terinfeksi dengan bacillus. Perkembangan resistensi M. tuberculosis untuk umumnya digunakan obat anti-TB, insiden meningkat penyakit pada pasien immuno-dikompromikan, dan jangka waktu yang lebih lama terapi yang diperlukan sebagai akibat dari perkembangan resistensi, menyoroti kebutuhan untuk obat baru untuk memperluas jangkauan efektif Pilihan pengobatan TB.

Quinoxaline digambarkan sebagai bioisoster dari quinoline, naftalena, benzothiophene dan cincin aromatik lainnya seperti piridin dan pyrazine. Karena kemiripan antara beberapa antitubercular obat dan quinoxaline, serta Kehadiran bagian quinoxaline di beberapa spektrum yang luas antibiotik, diharapkan bahwa analog quinoxaline akan menunjukkan
antitubercular aktivitas. Sebagai hasil dari proyek penelitian anti-TB, kelompok kami dipublikasikan beberapa penelitian di mana sintesis dan biologi evaluasi sejumlah besar quinoxaline dan 1,4 quinoxaline-di-N-oksida derivatif telah dijelaskan [5-15]. Dari penelitian, beberapa quinoxaline-2-karboksilat 1,4-N-oksida derivatif, dengan pola yang berbeda substituen pada quinoxaline inti, yang dipersiapkan dan mereka menunjukkan antitubercular penting aktivitas in vitro, 1-43. Kami juga mengamati bahwa kurangnya dua kelompok N-oksida umumnya menyebabkan hilangnya Kegiatan antimycobacterial [5,8]. Telah ditetapkan bahwa luas yang berguna anti-TBC obat harus murah sehingga secara rutin tersedia untuk populasi yang membutuhkan di negara-negara berkembang. Untuk alasan ini, kelompok riset kami mencari baru yang tersedia dan murah reagen dalam upaya kami yang berkelanjutan untuk mengidentifikasi murah baru anti-Calon obat TB.

Saat ini, sistematisasi informasi yang tersedia sebagai berikut interpretasi selanjutnya dianggap sangat penting oleh komunitas ilmiah. Cara alternatif untuk
mengatasi tidak adanya pengukuran eksperimental untuk sistem biologis didasarkan pada kemampuan untuk merumuskan kuantitatif hubungan struktur-aktivitas (QSARs) [16,17]. Teori ini telah sebagai peran utama, usulan model yang mampu memperkirakan kegiatan senyawa, dengan mengandalkan pada asumsi bahwa efek yang dihasilkan adalah konsekuensi dari struktur molekul. Sejak studi pelopor Hänsch penggunaan QSAR telah menjadi membantu dalam memahami interaksi kimia-biologis dalam obat dan pestisida penelitian, serta dalam berbagai bidang toksikologi. Oleh karena itu, struktur diterjemahkan ke dalam yang disebut molekul deskriptor, menggambarkan fitur yang relevan yang berbeda dari senyawa, melalui rumus matematika yang diperoleh dari kimia grafik teori, teori informasi, mekanika kuantum, dll [18] Lebih dari seribu deskriptor yang tersedia ada dan dilaporkan dalam literatur, dan kita harus memutuskan bagaimana untuk memilih orang-yang menjadi ciri properti di bawah pertimbangan di terbaik mungkin cara. Meskipun sejumlah besar hubungan struktur-aktivitas
(LAK) dilaporkan sebelumnya untuk menganalisis biologi sifat yang ditampilkan oleh derivatif quinoxaline, tidak satupun dari Hasil QSAR termasuk [5-15,19-22]. Alasan utama dari hal ini dapat dikaitkan dengan fakta bahwa dalam beberapa dasawarsa terakhir eksperimental Data biologis pada senyawa quinoxaline yang tersedia untuk membangun sebuah model kuantitatif, namun kini kelemahan ini terus menerus diatasi oleh kelompok-kelompok penelitian yang berbeda yang data register baru ke dalam literatur. Dalam studi ini, kami mengembangkan eksplorasi lebih lanjut dari profil biologis dipamerkan oleh quinoxaline-2-karboksilat 1,4-di-N-oksida derivatif beralih ke formalisme QSAR, membangun model prediksi di saat ini tersedia data untuk lima sifat biologis yang berbeda.

Metode
Data Set

Informasi eksperimental dari senyawa quinoxaline muncul pada Tabel 1 dikumpulkan dari literatur [12,15]. Para dilaporkan dalam evaluasi in vitro aktivitas antituberkulosis ini dilakukan di Pusat Penyakit Hansen GWL di dalam Tuberkulosis antimikroba Akuisisi & Fasilitas Koordinasi (TAACF) program skrining untuk penemuan obat baru untuk pengobatan tuberkulosis. Di bawah arahan U. S. Nasional Institut Alergi dan Penyakit Infeksi (NIAID), Southern Research Institute koordinat program secara keseluruhan [23]. Tingkat 1 layar dilakukan di 6,25 mg / mL terhadap M. tuberculosis H37Rv menggunakan lempeng Alamar Assay Biru. senyawa menunjukkan setidaknya 90% penghambatan di layar 1 Tingkat yang lebih rendah diuji ulang pada konsentrasi terhadap M. tuberculosis H37Rv untuk menentukan Konsentrasi penghambatan minimum yang sebenarnya (MIC). bersamaan dengan penentuan MIC, senyawa diuji untuk sitotoksisitas (IC50) dalam sel VERO. Indeks selektivitas (SI = IC50/MIC) juga ditentukan; dianggap signifikan bila SI> 10. Setelah Tingkat 2 layar selesai, senyawa yang dipilih dianggap untuk evaluasi lebih lanjut dalam uji makrofag; senyawa diuji untuk membunuh M. tuberculosis galur Erdman di dalam mouse makrofag sumsum tulang. EC90 dan EC99 ditentukan sebagai mempengaruhi konsentrasi terendah 90% dan pengurangan 99%, masing-masing, di koloni membentuk unit dibandingkan dengan obat bebas kontrol. Senyawa dengan EC90/MIC <16 dipertimbangkan untuk lebih lanjut evaluasi. Pada tahap ini tim kimia medis review Data, mengingat karakteristik seperti SAR, kelarutan, dan log p
nilai, untuk menentukan apakah evaluasi dalam pada model pengujian vivo dijamin [22].

                   

Molekul deskriptor dan pencarian model

Untuk tujuan komputasi struktural teoritis deskriptor untuk derivatif quinoxaline, pertama kita pra-dioptimalkan struktur dari senyawa dengan mekanika molekul medan kekuatan (MM +) prosedur termasuk dalam Hyperchem 6,03 paket [24] dan setelah itu, kami menyempurnakan geometri yang dihasilkan oleh berarti metode semiempirical PM3 (Parametrik Metode-3) menggunakan algoritma Polak-Ribiere dan norma batas gradien 0,01 kcalA ˚? 1. Deskriptor molekul dihitung dengan menggunakan perangkat lunak DRAGON [25] sehingga kolam berisi D = 1497 variabel numerik. Kami menggunakan metode pengganti (RM) [26-29] sebagai variabel subset pemilihan pendekatan, sebuah algoritma yang menghasilkan multivariabel regresi linier model dengan meminimalkan standar deviasi (S), dan yang hasilnya cukup dekat dengan yang diperoleh dengan pencarian (kombinatorial) yang tepat dari molekul deskriptor meskipun membutuhkan banyak kerja komputasi. RM memberikan model dengan parameter statistik yang sama dari algoritma genetika [30]. Dalam semua perhitungan kami, kami menggunakan sistem komputer Matlab 7.0 [31]. Dalam semua persamaan QSAR dirancang, N adalah jumlah data poin, R adalah koefisien korelasi, S standar model deviasi, p adalah pentingnya model. FIT adalah Kubinyi fungsi [32,33], sebuah parameter statistik yang erat berhubungan dengan Rasio Fisher (F), tapi menghindari kelemahan utama yang terakhir yang terlalu sensitif terhadap perubahan di d kecil (jumlah deskriptor) nilai dan kurang sensitif terhadap perubahan nilai d yang besar. Bagi mereka quinoxaline senyawa yang dipamerkan data yang disensor dari properti biologis, dan eksperimen yang dilaporkan sebagai  melebihi nilai batas tertentu (> nilai), pengalaman berbasis Jumlah itu secara manual ditugaskan dengan tujuan membimbing model kinerja pada data ini hilang. 

Berbagai keputusan Kriteria yang bersamaan dianalisis untuk menentukan ukuran model pelatihan lima set diselidiki, seperti, penentuan d optimal untuk dimasukkan dalam QSAR masing-masing, yang berikut yang: (a) nilai terendah untuk parameter S; (b) terendah S (ln%-o) nilai, (c) Parameter tertinggi FIT; (d) jumlah terendah outlier quinoxalines melebihi 2S, 3S 2.5S dan (e) nilai terendah untuk yang maksimal antar-korelasi antara deskriptor dalam model (Rmaxij), dan (f) distribusi menguntungkan relatif percentual prediksi kesalahan. Kami mempekerjakan prosedur orthogonalization diperkenalkan beberapa tahun lalu oleh Randic [34] sebagai cara untuk meningkatkan statistik interpretasi dari model yang dibangun oleh saling indeks. Dari sudut pandang kami, co-linearitas dari molekul deskriptor harus serendah mungkin, karena keterkaitan yang antara deskriptor yang berbeda dapat menyebabkan sangat tidak stabil koefisien regresi, yang membuatnya mustahil untuk mengetahui relatif pentingnya suatu indeks dan meremehkan utilitas dari koefisien regresi dari model. Langkah penting dari Proses orthogonalization adalah pilihan perintah yang tepat orthogonalization, yang dalam analisis ini adalah agar memaksimalkan korelasi antara setiap deskriptor ortogonal dan properti biologis yang teramati. Teknik pengacakan y [35] terdiri dalam berebut properti eksperimental sedemikian
cara bahwa kegiatan tidak sesuai dengan masing-masing senyawa. Setelah menganalisis 5.000.000 kasus y randomisasi untuk setiap dikembangkan QSAR, nilai S terkecil diperoleh menggunakan Prosedur ternyata menjadi nilai lebih miskin bila dibandingkan dengan satu ditemukan ketika mempertimbangkan kalibrasi benar. Para validasi teoritis dipraktekkan atas setiap model linier didasarkan pada prosedur cuti-lebih-out cross-validasi (ln%-o) [36], dengan% n mewakili jumlah molekul dihapus dari pelatihan ditetapkan. Jumlah kasus untuk penghapusan data acak dianalisis dalam setiap ln%-o adalah 5.000.000, sedangkan% n = 10% dipertimbangkan.

Hasil dan Diskusi

                Untuk tujuan pemodelan, biologis data dari quinoxaline 43 derivatif tercantum dalam Tabel 1 diubah menjadi unit logaritma. Kami mencari model terbaik regresi linear pada lima antimycobacterial parameter dengan beralih ke Penggantian tersebut Metode pemilihan subset variabel pendekatan. Jadi, yang paling deskriptor struktural yang relevan dan representatif dipilih dengan menggunakan alat optimasi efisien pada setiap rangkaian pelatihan quinoxalines, menjelajahi kolam berisi lebih dari seribu variabel numerik dihitung dengan menggunakan DRAGON program. Semua model QSAR linear predictive dilaporkan di bawah ini dapat menangkap fitur struktural penting dari quinoxaline yang senyawa yang berhubungan dengan efek biologis mereka. Sebuah deskripsi singkat untuk setiap deskriptor molekul, yang orthogonalized saat termasuk dalam setiap model, yang disediakan oleh Tabel 2.

                Di sini, V adalah simbol untuk deskriptor ortogonal, N adalah jumlah molekul dalam training set, R adalah korelasi koefisien, S adalah standar deviasi model, FIT adalah Kubinyi fungsi, p adalah pentingnya model, outlier (> 2S) menunjukkan jumlah molekul yang memiliki (res) residu yang melebihi dua standar deviasi, dan toilet dan l-10%-o berdiri untuk oneout pergi dan meninggalkan-10%-out teknik validasi silang, masing-masing. Tak satu pun dari kualitas yang baik berasal QSARs memasukkan berlebihan informasi struktural, karena mereka termasuk orthogonalized molekul deskriptor yang menghindari collineality antara numerik yang berbeda variabel yang dapat menghasilkan model-model yang sangat tidak stabil. Sebagai langkah berikutnya, dengan tujuan utama memverifikasi bahwa linier QSARs didirikan tidak hanya korelatif tetapi juga akan fungsi sama baik untuk prediksi data biologis baru tidak dimaksud selama tahap pelatihan model, itu wajib untuk melakukan validasi mereka dalam rangka untuk menganalisis mereka kinerja prediktif [36]. Persamaan. (1) - (5) memuaskan berlalu proses internal validasi, sebagaimana dibuktikan oleh stabilitas model pada inklusi / eksklusi senyawa dari pelatihan diatur, diukur melalui parameter toilet umum digunakan (Rloo) bersama-sama dengan parameter%-o ln lebih parah (Rl-10%-o). Hasil ini di kisaran model divalidasi: R-n%-o harus lebih besar dari 0,50, menurut literatur khusus [37]. Atau, untuk kasus yang melibatkan model 1-3 lebih banyak data poin (N) kami melakukan validasi eksternal, dengan memperkirakan biologis data untuk beberapa turunan quinoxaline segar tidak dipertimbangkan selama pengembangan model. Prediksi dicapai pada senyawa uji set (dilambangkan dengan tanda bintang di Tabel 1) dapat memberikan wawasan pada variasi dari eksperimental properti untuk struktural terkait seperti''tidak diketahui struktur'', menunjukkan fungsi yang benar dari tiga hubungan struktur-aktivitas. Akhirnya, sebagai langkah lebih lanjut untuk menilai kekokohan persamaan ini, kita menerapkan y-pengacakan prosedur [35] untuk setiap dari mereka, menunjukkan bahwa kalibrasi tidak hasil dari kebetulan dan karena itu, berhubungan dengan struktur-aktivitas berlaku hubungan.

                Topologi deskriptor muncul dalam Pers. (1) - (5), seperti X5A, IVDE, TIE, T (F. F.), S3K dan GGI8, mencirikan bentuk topologi'''' menggambarkan elemen struktur yang berbeda seperti bercabang derajat, ukuran, simetri, fleksibilitas, cyclicity, centricity, dll [38] Para Jarak topologi matriks (D), diperkenalkan oleh Harary dalam 1960, account untuk''''melalui ikatan interaksi atom dalam molekul, sebagian besar ciri deskriptor distribusi dari jarak topologi di setiap graf kimia. Struktural variabel diperkenalkan oleh Broto, Moreau dan Geary [39] sesuai bi-dimensi autocorrelations antara pasangan atom dalam molekul, dan didefinisikan dalam rangka untuk mencerminkan kontribusi dari dianggap atom properti untuk properti tanggungan investigasi. Skema pembobotan yang berbeda dapat diadopsi untuk membedakan sifat atom: massa (m), polarisabilitas (p), elektronegativitas (e) atau volume (v). 2D-Autocorrelations (MATS7p, MATS2m, GATS3m dan GATS7v) dapat dengan mudah dihitung, yaitu: dengan  menjumlahkan produk dari berat atom dari atom terminal semua jalan panjang yang ditentukan. Deskriptor BCUT (BELm6) adalah nilai-nilai eigen dari matriks Beban (B) [40]. Seperti diketahui, B sesuai dengan matriks adjacency dimodifikasi (A) dengan utama elemen-elemen diagonal yang tertimbang dengan properti atom tertentu. Di antara deskriptor lebih diuraikan, geometri variabel (DISPe) yang 3D-deskriptor yang diperoleh dari ekspansi saat itu tidak memerlukan superposisi molekul atau alignment untuk tugas kesamaan molekuler, informasi menggabungkan tentang besarnya perpindahan antara molekul centroid (pusat massa) dan pusat polarisabilitas-bidang (pusat biaya) [41]. 

                Semacam ini ditemukan parameter yang berharga untuk prediksi mobilitas elektroforesis peptida. Getaway (Geometri, Topologi, dan Atom-Berat Majelis) deskriptor [42], seperti R2u +, R3p, R7p + dan + RTE, secara khusus dirancang dengan tujuan yang cocok dengan geometri 3D-molekul. Ini adalah berasal dari hij elemen matriks Pengaruh Molekuler (H), diperoleh melalui nilai-nilai koordinat Cartesian atom. Para elemen diagonal ofH (hii) disebut memanfaatkan, dan dianggap untuk mewakili pengaruh dari setiap atom molekul dalam menentukan seluruh bentuk molekul. Sebagai contoh, atom mantel selalu memiliki nilai lebih tinggi dari atom hii dekat pusat molekul, sementara setiap elemen hij off-diagonal mewakili tingkat aksesibilitas dari atom ke-j untuk interaksi dengan atom engan. Para pengaruh matriks / jarak (R) melibatkan kombinasi dari elemen matriks H dengan orang-orang dari matriks geometris (G). 3D-Morse deskriptor (Mor02e, Mor19u) diperoleh melalui transformasi molekul umumnya digunakan dalam elektron studi difraksi [43]. Difraksi elektron tidak secara langsung menghasilkan koordinat atom, tetapi menyediakan pola difraksi dari koordinat atom yang diturunkan dengan matematika transformasi. Kode-kode ini ditetapkan untuk mencerminkan kontribusi terhadap properti diselidiki, pada diresepkan hamburan sudut, dari properti atom tertentu. Holistik tertimbang invarian molekul (kehendak) deskriptor [44] (G2v) diperoleh sebagai indeks statistik dari atom diproyeksikan ke tiga sumbu utama (Komponen utama) yang diperoleh dari kovarians tertimbang matriks koordinat atom. 

                Bobot digunakan adalah kembali sifat-sifat atom yang memungkinkan diferensiasi antara atom. Tujuan mendefinisikan indeks tersebut adalah untuk menangkap 3Dinformation tentang distribusi ukuran, bentuk, simetri dan atom sehubungan dengan kerangka acuan invarian. Hal ini berguna untuk melihat bahwa semua berasal QSARs melibatkan kombinasi molekul deskriptor 2D dan 3D--jenis. Para sekuensial urutan variabel-variabel ini muncul dalam setiap model setuju dengan urutan pentingnya kontribusi relatif (dalam modulus), sebagai dideduksi dari standarisasi berikutnya dari koefisien regresi orthogonalized [45]. Yang paling penting deskripsi dari setiap hasil QSAR untuk semua kasus yang menjadi topologi alam, dengan lebih 3D-variabel yang juga dimasukkan ke dalam persamaan sehingga meningkatkan sesuai statistik. Hasil ini menunjukkan kenyataan bahwa kebanyakan turunan quinoxaline mencakup hampir planar struktur, dan karena itu, jenis konformasi tergantung dari deskriptor memainkan peran sekunder. Konektivitas dari atom dan mereka identitas menimbulkan pengaruh terbesar pada menggambarkan tergantung variabel.
                Seperti dapat diamati pada Tabel 1, model 1a € "5, kita hadir di sini telah kecenderungan keseluruhan diterima memperkirakan perilaku Data biologis yang teramati dalam pelatihan setiap set. Hal ini penting untuk garis bahwa QSARs digeledah sedemikian rupa, mereka
meminimalkan parameter S, dan selain dari mereka mengalami dengan kondisi berikut variasi data dalam yang terbaik mungkin cara. Untuk kasus penghambatan minimum konsentrasi (MIC) nilai-nilai, Persamaan. (1) melibatkan 5 variabel dan 43 titik data akurat memprediksi inhibitor quinoxaline sangat ampuh (MIC <1 mg / mL) dan yang sama berlaku untuk bahan kimia menampilkan potensi terendah 1 <MIC <6,25 mg / mL. untuk lebih menguji model QSAR, penting untuk memeriksa data yang outlier. Outlier biasanya diidentifikasi dengan memiliki sisa besar, dan ada beberapa alasan untuk terjadinya mereka dalam studi QSAR. Hanya ada dua senyawa dengan residual (dalam unit log) melebihi dua standar deviasi: 8 (res = 0,605 mg / mL) dan 37 (Res = 0,502 mg / mL?), Meskipun tidak ada 3S melebihi nilai. Fakta ini mungkin disebabkan oleh kesalahan eksperimental atau ke dipilih subset dari deskriptor dalam model, sedangkan kesalahan yang dihasilkan dari optimasi geometri dari senyawa dapat dibuang. Situasi serupa terjadi untuk perkiraan toksisitas, yang diungkapkan melalui konsentrasi penghambatan 50% di VERO sel (IC50). The 4-parameter model yang diberikan QSAR oleh Pers. (2) adalah dapat secara akurat membedakan efek toksik dari 34 quinoxaline derivatif, hanya menampilkan outlier tunggal: 1 (res = 0,369 mg / mL?) yang tidak melebihi batas yang relatif 2.5S dan prediksi kesalahan yang rendah (37%).

                Mengenai indeks selektivitas, yang dinotasikan sebagai hasil bagi IC50/MIC, model yang didasarkan pada 5 deskriptor molekul dan 34 molekul dapat benar mengklasifikasikan senyawa yang eksperimental lulus tes ini. Hanya dua molekul outlier yang hadir yang tidak melebihi 3S: 11 (? res = 0,680) dan 28 (Res =? 0,625). Selanjutnya, QSARs dari Pers. (4) dan (5) yang dikembangkan dengan hanya 12 molekul masing-masing, karena tidak tersedianya pengukuran eksperimental tambahan untuk EC90 dan EC90 / MIC, masing-masing. Bahkan, ada satu data titik (senyawa 22) nilai properti yang terpisah dari yang lain karena tidak ada percobaan dilakukan sampai sekarang di dalam interval ini, tetapi kita memutuskan untuk menyediakan dengan informasi ini ke model. Jelas, QSARs ini memiliki domain penerapan sempit struktural karena dengan kelangkaan pengamatan eksperimental, meskipun mereka juga lintas-divalidasi seperti persamaan sebelumnya. Meskipun ini ketidaknyamanan, kami pikir berguna untuk melaporkan kedua model sebagai keputusan pelengkap alat untuk QSARs sebelumnya dikembangkan. Persamaan. (4) dan (5) mencakup tiga parameter struktural masing-masing dan melakukan tidak menunjukkan senyawa outlier melebihi 2S.

                Sebagai bagian dari aplikasi model QSAR, Pers. (4) dan (5) memungkinkan memprediksi efektivitas senyawa 30-43, dan lainnya senyawa tanpa data ini (3, 24, 25 dan 27). Semua prediksi hasil adalah nilai-nilai yang baik, sehingga senyawa ini akan diatur lebih lanjut dievaluasi, dengan pengecualian dari senyawa 25 (satu-satunya difluorinated derivatif yang menunjukkan selectiveness). Yang diprediksi efektivitas senyawa 39 tidak jelas karena hasil yang berbeda dari model 4 dan 5; ini bisa disebabkan oleh kehadiran atom brom, tidak termasuk dalam senyawa lainnya set pelatihan. Mengingat hasil yang dicapai dan sebagai upaya lebih lanjut untuk meningkatkan profil biologis dari quinoxaline di-N-oksida derivatif, kita menerapkan lima QSARs dikembangkan untuk memperkirakan antimycobacterial parameter antitubercular mungkin baru calon yang tidak hadir masih eksperimental ditugaskan data biologis. Struktur molekul diajukan atas dasar bahwa bahan kimia ini dapat disintesis dari reagen murah dan tersedia secara komersial. 

                Nonsubstituted quinoxalines pada posisi R6/R7, bersama dengan 7 - Turunan klorinasi, dianggap yang paling menarik senyawa dari titik kimia dan biologi pandang [10 -14]. Senyawa 44-68 dihasilkan dari kondensasi sebelumnya b-ketoesters (mempertahankan kelompok-kelompok di R2 dan R3 posisi) dengan sesuai monosubstituted benzofuroxans, sehingga menimbulkan 7 - (Fluoro atau kloro) quinoxaline 1,4-di-N-oksida derivatif. Dengan prediksi ini, kita bisa menentukan pengaruh halogen atom pada posisi R7. Sebaliknya, senyawa 69-114 berasal dari reaksi beberapa tersedia secara komersial baru b-ketoesters dengan non-diganti benzofuroxan kerangka. Proses ini menyebabkan senyawa sederhana yang tidak Isomer masalah ini. Di antara turunan sebelumnya 69 - 114, struktur dengan hasil terbaik dipilih dan baru
senyawa dirancang, 115-150. Ini analog menjaga R2/R3 posisi dari yang sesuai b-ketoester tetapi menunjukkan halogen atom (fluor atau klor) di posisi R7. Tabel 3 meringkas hasil terbaik anti-TBC struktur seperti yang diperkirakan oleh Pers. (1) - (5). Beberapa hasil yang menarik dapat diamati dari tabel ini, karena banyak senyawa yang diusulkan mengarah prediksi menguntungkan bagi lima parameter biologis. Antara seri pertama dari senyawa diprediksi, 44-68, hanya dua yang salah lagi menunjukkan nilai yang baik untuk lima model yang 7 - diklorinasi derivatif (45, 51). Mengenai substituen dalam karboksilat kelompok, ters-butil (47) dan alil (48, 49) derivatif diperkirakan sebagai tidak aktif dan turunan benzil (52) adalah diperkirakan sebagai yang paling aktif (MIC terendah); fakta ini bertepatan dengan data eksperimen sebelumnya. 

                Selain itu, semua etil 3 - (40-tersubstitusi) phenylquinoxaline-2-karboksilat 1,4-di-N-oksida derivatif diperkirakan sebagai aktif tetapi nonselektif; ragu tetap tentang senyawa 56 yang SI diperkirakan lebih tinggi dari 10 tetapi dalam sel VERO IC50 terlalu rendah. Sisa dari diperkirakan senyawa disiapkan dengan baru-ketoesters b, sehingga menimbulkan substituen baru dalam kelompok karboksilat dan R3 posisi perancah quinoxaline. Pengenalan besar kelompok, seperti iso-propil dan tert-butil, dalam posisi R3 menjadi derivatif yang tidak aktif (73-76). Diantara senyawa-senyawa yang mengandung cincin aromatik terkait dengan posisi R3, hanya 30 - (kloro fluoro atau atau metoksi) fenil (87, 91, 103) dan piridil-40 (111) derivatif diperkirakan sebagai aktif, selektif dan efektif, membuktikan pentingnya posisi relatif dan sifat dari substituen tersebut. Pengenalan cincin benzena sebagai substituen dari kelompok karboksilat (79-82, 120-123, 138 - 141) melahirkan struktur yang paling menarik. Selain itu, 7-terfluorinasi derivatif (133-150) yang diperkirakan, secara umum, sebagai yang paling selektif dan derivatif 7-diklorinasi (115-132) tidak tidak meningkatkan hasil tersebut untuk membuat sintesis mereka berharga karena masalah pemisahan isomer.

                Sebanyak 107 struktur yang berbeda (44-150) diperkirakan sebagai antimycobacterial kandidat menggunakan 5 model untuk masing-masing dievaluasi parameter, namun hanya 12 (45, 51, ​​69, 70, 79, 82, 87, 91, 103, 111, 115, 120) dari mereka menunjukkan hasil yang cukup baik untuk membenarkan mereka sintesis (Tabel 3). Fakta ini berarti bahwa, berdasarkan prediksi, 90% dari sintesis dan evaluasi biologis dapat dihindari. Tabel 4 mencakup nilai-nilai numerik untuk teoritis deskriptor yang muncul di semua QSPR dikembangkan.

DAFTAR PUSTAKA

[1] WHO Fact Sheet No. 104, 2007.

[2] WHO, Weekly Epidemiological Record No. 15, 2003, 78, 121.

[3] J.C. Palomino, S.C. Leao, V. Ritacco, Tuberculosis 2007: From Basic Science to

Patient Care, http://www.tuberculosistextbook.com, 2007.

[4] L.M. Lima, E.J. Barreiro, Curr. Med. Chem. 12 (2005) 23.

[5] M.E. Montoya, Y. Sainz, M.A. Ortega, A.L. De Cerain, A. Monge, FARMACO 53 (1998)

570.

[6] Y. Sainz, M.E. Montoya, F.J. Martinez-Crespo, M.A. Ortega, A.L. De Cerain, A. Monge,

Arzneimittel-Forsch. 49 (1999) 55.

[7] M.A. Ortega, Y. Sainz, M.E. Montoya, A.L. De Cerain, A. Monge, Pharmazie 54

(1999) 24.

[8] M.A. Ortega, M.E. Montoya, A. Jaso, B. Zarranz, I. Tirapu, I. Aldana, A. Monge,

Pharmazie 56 (2001) 205.

[9] M.A. Ortega, Y. Sainz, M.E. Montoya, A. Jaso, B. Zarranz, I. Aldana, A. Monge,

Arzneimittel-Forsch. 52 (2002) 113.

[10] B. Zarranz, A. Jaso, I. Aldana, A. Monge, Bioorg. Med. Chem. 11 (2003) 2149.

[11] A. Jaso, B. Zarranz, I. Aldana, A. Monge, Eur. J. Med. Chem. 38 (2003) 791.

[12] A. Jaso, B. Zarranz, I. Aldana, A. Monge, J. Med. Chem. 48 (2005) 2019.

[13] R. Villar, E. Vicente, B. Solano, S. Pe´ rez-Silanes, I. Aldana, J.A. Maddry, A.J. Lenaerts,

S.G. Franzblau, S.-H. Cho, A. Monge, R.C. Goldman, J. Antimicrob. Chemother. 62

(2008) 547.

[14] E. Vicente, R. Villar, A. Burguete, B. Solano, S. Pe´ rez-Silanes, I. Aldana, J.A. Maddry,

A.J. Lenaerts, S.G. Franzblau, S.-H. Cho, A. Monge, R.C. Goldman, Antimicrob.

Agents Chemother. 52 (2008) 3321.

[15] E. Vicente, S. Pe´ rez-Silanes, L.M. Lima, S. Ancizu, A. Burguete, B. Solano, R. Villar, I.

Aldana, A. Monge, Bioorg. Med. Chem. 17 (2009) 385.

[16] C. Hansch, A. Leo, Exploring QSAR. Fundamentals and Applications in Chemistry

and Biology, American Chemical Society, Washington, DC, 1995.

[17] R.P. Verma, C. Hansch, Chembiochem 5 (2004) 1188.

[18] A.R. Katritzky, V.S. Lobanov, M. Karelson, Chem. Soc. Rev. 24 (1995) 279.

[19] A. Carta, G. Paglietti, M.E.R. Nikookar, P. Sanna, L. Sechi, S. Zanetti, Eur. J. Med.

Chem. 37 (2002) 355.

[20] A. Carta, M. Loriga, G. Paglietti, A. Mattana, P.L. Fiori, P. Mollicotti, L. Sechi, S.

Zanetti, Eur. J. Med. Chem. 39 (2004) 195.

[21] A. Carta, P. Corona, M. Loriga, Curr. Med. Chem. 12 (2005) 2259.

[22] R.C. Goldman, B.E. Laughon, R.C. Reynolds, J.A. Secrist III, J.A.Maddry, M.A. Guie, A.C.

Poffenberger, C.A. Kwong, S. Ananthan, Infect. Disord. Drug Targets 7 (2007) 92.

[23] TAACF, http://www.taacf.org (December 2008).

[24] Hyperchem 6.03 (Hypercube), http://www.hyper.com.

[25] Milano Chemometrics and QSAR Research Group, http://michem.disat.unimib.it/

chm.

[26] P.R. Duchowicz, E.A. Castro, F.M. Fernandez, M.P. Gonza´ lez, Chem. Phys. Lett. 412

(2005) 376.

[27] P.R. Duchowicz, E.A. Castro, F.M. Fernandez, MATCH-Commun. Math. Comput.

Chem. 55 (2006) 179.

[28] P.R. Duchowicz, M. Fernandez, J. Caballero, E.A. Castro, F.M. Fernandez, Bioorg.

Med. Chem. 14 (2006) 5876.

[29] A.M. Helguera, P.R. Duchowicz, M.A.C. Pe´ rez, E.A. Castro, M.N.D.S. Cordeiro, M.P.

Gonza´ lez, Chemometr. Intell. Lab. 81 (2006) 180.

[30] S.S. So, M. Karplus, J. Med. Chem. 39 (1996) 1521.

[31] Matlab 7.0, The MathWorks Inc.

[32] H. Kubinyi, Quant. Struct.-Act. Relat. 13 (1994) 285.

[33] H. Kubinyi, Quant. Struct.-Act. Relat. 13 (1994) 393.

[34] M. Randic, J. Chem. Inform. Comput. Sci. 31 (1991) 311.

[35] S. Wold, L. Eriksson, Statistical validation of QSAR results, in: H. van de Waterbeemd

(Ed.), Cheometrics Methods in Molecular Design, VCH, Weinheim, 1995, p.

309.

[36] D.M. Hawkins, S.C. Basak, D. Mills, J. Chem. Inform. Comput. Sci. 43 (2003) 579.

[37] A. Golbraikh, A. Tropsha, J. Mol. Graph. Model. 20 (2002) 269.

[38] F. Harary, Graph Theory, Addison-Wesley, Reading, MA, 1969.

[39] G. Moreau, P. Broto, Nouv. J. Chim. (New J. Chem.) 4 (1980) 359.

[40] F.R. Burden, J. Chem. Inform. Comput. Sci. 29 (1989) 225.

[41] B.D. Silverman, J. Chem. Inform. Comput. Sci. 40 (2000) 1470.

[42] V. Consonni, R. Todeschini, Rational Approaches to Drug Design, Prous Science,

Barcelona, 2001, pp. 235.

[43] J.H. Schuur, P. Selzer, J. Gasteiger, J. Chem. Inform. Comput. Sci. 36 (1996) 334.

[44] V. Consonni, R. Todeschini, M. Pavan, P. Gramatica, J. Chem. Inform. Comput. Sci.

42 (2002) 693.

[45] N.R. Draper, H. Smith, Applied Regression Analysis, John Wiley & Sons, New

York, 1981 .

  

Nama         : I Dewa M. Kresna

NIM            : 09 313 161

Indicator	Eksperimen	AM1	PM3	MNDO	CNDO
Panjang Ikatan C – H C = O C = C C – C C – O O – H	1.10 Ȧ 1.20 Ȧ 1.34 Ȧ 1.48 Ȧ 1.34 Ȧ 0.96 Ȧ	1.1 Ȧ 1.24 Ȧ 1.40 Ȧ 1.39 Ȧ 1.37 Ȧ 0.97 Ȧ	1.09 Ȧ 1.22 Ȧ 1.39 Ȧ 1.39 Ȧ 1.36 Ȧ 0.95 Ȧ	1.09 Ȧ 1.23 Ȧ 1.41 Ȧ 1.41 Ȧ 1.36 Ȧ 0.95 Ȧ	1.12 Ȧ 1.27 Ȧ 1.38 Ȧ 1.38 Ȧ 1.36 Ȧ 1.03 Ȧ
Momen Dipol (D)	1.72 D	2.416 D	2.250 D	2.287 D	1.961 D
Energy	1641.25 kkal/mol	1696.08 kkal/mol	1694.33 kkal/mol	1693.82 kkal/mol	4951.59 kkal/mol

Metode semiempiris yang paling mendekati dengan data eksperimen adalah metode CNDO.

TUGAS

KIMIA KOMPUTASI

ANALISIS SIKLOHEKSANA

STABILITAS KARBOKATION DAN HIPERKONJUGASI

KONFORMASI 1,3-BUTADIENA

I DEWA MADE KRESNA

09 313 161

PENDIDIKAN KIMIA

SEMESTER V

KELAS B

LAPORAN PRAKTIKUM PERCOBAAN I

ANALISIS SIKLOHEKSANA

      Hasil :

Konformasi	Jarak CC (Å)	Sudut CCC (o)	Sudut Torsi CCCC (o)	Energi (kkal/mol)
Kursi	1-6 = 1,54 1-2 = 1,54 2-3 = 1,54 3-4 = 1,54 4-5 = 1,53998 5-6 = 1,54	<612 = 110,827 <123 = 110,827 <234 = 110,834 <345 = 110,829 <456 = 110,829 <561 = 110,833	<6123 = -60 <1234 = 60 <2345 = -60,0006 <3456 = 60,0007 <4561 = -60,0006 <5612 = 60	E = -1689,3471
Kursi (teroptimasi)	1-6 = 1,51508 1-2 = 1,51512 2-3 = 1,51508 3-4 = 1,51511 4-5 = 1,51517 5-6 = 1,51511	<612 = 111,301 <123 = 111,301 <234 = 111,297 <345 = 111,301 <456 = 111,3 <561 = 111,297	<6123 = -55,2207 <1234 = 55,2175 <2345 = -55,216 <3456 = 55,2174 <4561 = -55,2162 <5612 = 55,2179	E = -1689,3471
Perahu	1-6 = 1,51508 1-2 = 1,51512 2-3 = 1,51508 3-4 = 1,51511 4-5 = 1,51517 5-6 = 1,51511	<612 = 111,301 <123 = 111,301 <234 = 111,297 <345 = 111,301 <456 = 111,3 <561 = 111,297	<6123 = 0,000788659 <1234 = 55,2167 <2345 = -55,2168 <3456 = 0,000688399 <4561 = 55,2162 <5612 = -55,218	E = -1689,3434
Perahu (teroptimasi)	1-6 = 1,51519 1-2 = 1,51541 2-3 = 1,51514 3-4 = 1,51514 4-5 = 1,51541 5-6 = 1,51519	<612 = 111,233 <123 = 111,219 <234 = 111,096 <345 = 111,219 <456 = 111,233 <561 = 111,259	<6123 = -55,4866 <1234 = 55,6435 <2345 = -55,6435 <3456 = 55,4866 <4561 = -55,2751 <5612 = 55,2751	E = -1689,3434
Perahu terpilin	1-6 = 1,53777 1-2 = 1,54129 2-3 = 1,54116 3-4 = 1,53731 4-5 = 1,54089 5-6 = 1,54136	<612 = 108,976 <123 = 109,629 <234 = 108,826 <345 = 108,8 <456 = 109,629 <561 = 109,049	<6123 = 30,0224 <1234 = 37,1165 <2345 = -71,5441 <3456 = 30,6909 <4561 = 36,4625 <5612 = -70,8452	E = -1686,1597
Perahu terpilin (teroptimasi)	1-6 = 1,51389 1-2 = 1,51734 2-3 = 1,51693 3-4 = 1,51393 4-5 = 1,51733 5-6 = 1,51695	<612 = 111,793 <123 = 112,286 <234 = 111,621 <345 = 111,757 <456 = 112,284 <561 = 111,665	<6123 = 27,7783 <1234 = 32,0949 <2345 = -62,4918 <3456 = 27,9245 <4561 = 31,9513 <5612 = -62,3451	E = -1686,1597

H_aksial-H_aksial = 2,62713 Å (sebelum optimasi)

H_aksial-H_aksial = 2,61862 Å (setelah optimasi)

  

Analisis:

1.      Jarak H_aksial-H_aksial pada struktur awal dan struktur teroptimasi dari sikloheksana bentuk perahu mengalami pemendekan/pendekatan. Hal ini tidak diharapkan karena sesuai dengan penuntun optimasi akan mengubah jarak antar dua atom hidrogen tersebut menjadi sedikit berjauhan sampai didapatkan energi yang lebih rendah.

2.      Tentukan energi relatif dari setiap konformasi.

	Kursi	Perahu	Perahu Terpilin
Energi AMBER mutlak (kkal/mol)	-1689,3471	-1689,3434	-1686,1597
Energi AMBER relative (kkal/mol)	0,0 (0.0552823 (kcal/mol/Ang))	0.0857142 (kcal/mol/Ang)	0.0830337 (kcal/mol/Ang)

LAPORAN PRAKTIKUM PERCOBAAN II

STABILITAS KARBOKATION DAN HIPERKONJUGASI

Hasil :

Panjang Ikatan Dan Sudut Karbokation

Karbokation	Panjang Ikatan C-C (Å)	Panjang Ikatan Csp3-H (Å)	Sudut Terhadap Csp2
t-butil	C2-C1 = 1,4553	C1-H = 1,12368	CCC = 119,995
	C2-C3 = 1,45528	C1-H = 1,13393
	C2-C4 = 1,4553	C1-H = 1,12367
Sek-butil	C1-C2 = 1,50848	C1-H = 1,11781	CCC = 114,817
	C2-C3 = 1,44341	C1-H = 1,11759	CCH9 = 109,654
	C3-C4 = 1,43831	C1-H = 1,11959	CCH8 = 110,768
n-butil	C1-C2 = 1,42302	C2-H = 1,13011	CCH7 = 113,048
	C2-C3 = 1,57086	C2-H = 1,13011	CCH8 = 113,048
	C3-C4 = 1,5029		HCH = 109,312

Muatan Dalam Karbokation

t-butil	Sek-butil	n-butil
C1-H = 0,169	C1-H = 0,216	C2-H = 0,191
C1-H = 0,201	C1-H = 0,204	C2-H = 0,191
C1-H = 0,169	C1-H = 0,16
	C3-H = 0,198
	C3-H = 0,218

Panas Pembentukan Karbokation

Karbokation	Panas pembentukan
t-butil	174.6197245 (kcal/mol)
Sek-butil	183.8212300 (kcal/mol)
n-butil	202.9651383 (kcal/mol)

Analisis :

1.      Ya, pada masing-masing karbokation menunjukkan adanya perbedaan  panjang ikatan C-H. Panjang ikatan yang paling besar ada pada karbokation t-butil = 1,13393 Å. Hal terjadi karena adanya pengaruh hiperkonjugasi yang membuat melemahnya dan memanjangnya ikatan C-H. Berarti semakin besar pengaruh hiperkonjugasi semakin lemah dan panjang ikatan C-H.

2.      Ikatan C-C yang paling kecil ada pada karbokation n-butil 1,42302 Å.pada ikatan C-C peristiwa hiperkonjugasi akan meningkatkan order ikatan (lebih bersifat rangkap) dan akan berakibat memendekkan ikatan C-C. Jadi semakin besar hiperkonjugasi maka semakin pnedek atau semakin besar peluang membentuk ikatan rangkap.

3.      Sudut yang diharapkan untuk hibridisasi sp2 sebesar 120^o. Ya, ada deviasi. Hal ini disebabkan hiperkonjugasi yang menghasilkan beberapa bentuk resonansi dari karbokation dengan beberapa variansi sudut.

4.      Ya. Semakin besar muatan atom H menunjukkan semakin besar pula muatan positif yang dipindahkan dari atom C yang terlibat dalam hiperkonjugasi.

5.      Berdasarkan data dan literatur,

http://mulyono-website.blogspot.com/2011/10/karbokation-atau-ion-karbonium.html .

t-butil adalah bentuk karbokation yang paling stabil karena membutuhkan energi yang lebih kecil untuk pembentukannya.

Kestabilan karbokation : primer < sekunder < tersier.

  

LAPORAN PRAKTIKUM PERCOBAAN III

KONFORMASI 1,3-BUTADIENA

      Ab Intio Large 6-31G

Sudut dihedral awal (o)	Sudut dihedral teroptimasi (O)	Panas Pembentukan (kkal/mol)
180	180	-97220,1179
150	158,28	-97218,984
120	133,489	-97215,6036
90	83,0683	-97214,5654
60	55,1639	-97216,5859
45	44,1122	-97217,0674
30	32,0986	-97217,0072
15	18,2087	-97216,5723
0	7,04506	-97216,2349

      Semiempiris AM1

Sudut Dihedral Awal (o)	Sudut Dihedral Teroptimasi (o)	Panas Pembentukan (kkal/mol)
180	180	-966,3844
150	175,441	-965,9336
120	122,654	-964,9244
90	90,0359	-964,4275
60	57,6944	-964,9025
45	43,1425	-965,2926
30	29,3111	-965,5495
15	15,415	-965,6168
0	0	-965,6109

ANALISIS

1.      Konformer cis lebih stabil daripada trans karena memiliki nilai nilai yang tidak berbeda dengan nilai optimasi.

2.      -97217,0674 kkal/mol.

3.      Pada keadaan transisi di sudut 60^O. Hal ini dikarenakan berada pada keadaan transisis antara cis dan trans.