Hasil Pencarian  ::  Simpan CSV :: Kembali

"PCSK9 atau Proprotein Convertase Subtilisin Kexin 9 merupakan protein manusia yang memiliki peran dalam regulasi lipid dengan meningkatkan konsentrasi LDL dalam tubuh. Terjadinya kenaikan lipid dalam tubuh melebihi kadar normal dapat menyebabkan penyakit dalam tubuh. Saat ini telah terdapat beberapa obat untuk mengobati penyakit karena kelebihan kadar lipid tetapi masih sangat terbatas obat yang bekerja untuk menghambat aktivitas dari PCSK9 sebagai salah satu cara pengobatan. Pencarian obat untuk menghambat PCSK9 dapat dilakukan melalui penggunaan kembali obat dengan menggunakan pemodelan farmakofor. Pada penelitian ini digunakan senyawa training set dan test set PCSK9 dari beberapa dokumen paten dan senyawa decoy set dari DUDE. Senyawa test set dan decoy set digunakan untuk memvalidasi model yang terbentuk. Senyawa training set digunakan untuk membentuk model farmakofor dengan menggunakan perangkat lunak LigandScout. Hasil dari pembentukan, validasi dan optimasi diperoleh model farmakofor terbaik hasil modifikasi feature weight +0.1, memiliki 1 fitur gugus aromatis, 1 fitur hidrofobik, 1 fitur gugus akseptor ikatan hidrogen, dan 1 fitur gugus donor ikatan hidrogen, dengan nilai AUC100% sebesar 0,93; nilai EF1% dan EF5% sebesar 34,0 dan 6,00; nilai sensitivitas sebesar 1; dan nilai spesifisitas sebesar 0,857. Model farmakofor terpilih dijadikan sebagai kueri penapisan virtual database obat FDA-approved dari BindingDB dengan hasil penapisan didapatkan 12 senyawa hasil pemeringkatan terbaik berdasarkan nilai pharmacophore fit score tertinggi yaitu gefitinib, clozapine, carbamazepine, phenylephrine hydrochloride, phenelzine sulfate, bupropion hydrobromide, guanfacine hydrochloride, zaleplon, dapagliflozine, methamphetamine hydrochloride, amoxicillin, lorcaserine hydrochloride. 12 senyawa hasil pemeringkatan dari penelitian adalah senyawa kandidat obat inhibitor PCSK9.

---

PCSK9 or Proprotein Convertase Subtilisin Kexin 9 is a human protein that has a role in lipid regulation by increasing the concentration of LDL in the body. The occurrence of an increase in lipids in the body beyond normal levels can cause disease. Currently, there are several drugs to treat disease due to excess lipid levels, but there are still limited drugs that work to inhibit the activity of PCSK9 as a treatment method. The search for drugs to inhibit PCSK9 can be done through drug repurposing using pharmacophore modeling. In this research, the training and PCSK9 test set from several patent documents and the decoy set compound from DUDE used. A test and decoy set compound were used to validate the generated pharmacophore model. The training set compound was use to generated a pharmacophore model using the LigandScout. The results of generation, validation, and optimization of the pharmacophore model obtained the best pharmacophore model modified by feature weight +0.1, which has four feature (1AR, 1H, 1HBA, 1HBD). The value of AUC 100% 0,93; EF1% and EF5% value are 34,0 and 6,00; sensitivity and specificity values are 1 and 0,857. The selected pharmacophore model was used as a virtual screening query for the FDA-approved drug database from BindingDB. The result of the screening obtained 12 compounds with the best ranking based on the highest Pharmacophore fit score, that is gefitinib, clozapine, carbamazepine, phenylephrine hydrochloride, phenelzine sulfate, bupropion hydrobromide, guanfacine hydrochloride, zaleplon, dapagliflozin, methamphetamine hydrochloride, amoxicillin, lorcaserine hydrochloride."

"Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) merupakan agen penyebab Coronavirus Disease 2019 (COVID-19) yang telah menginfeksi hampir dua ratus juta orang dan menyebabkan hampir empat juta kematian di dunia. Saat ini, belum ada obat yang spesifik ditemukan untuk virus ini. Drug repurposing merupakan salah satu alternatif strategi pengembangan obat di masa pandemi. Pada penelitian ini, non-structural protein 3 (NSP3) dan non-structural protein 13 (NSP13) SARS-CoV-2, yang mengkode papain-like protease dan helikase, terpilih sebagai target potensial yang berperan penting dalam replikasi virus. Drug repurposing berbasis pemodelan farmakofor dilakukan menggunakan program LigandScout. Ligan kokristal NSP3 dan NSP13 SARS-CoV-2 dari Protein Data Bank dipilih sebagai training set. Sebelumnya, sekuens protein disejajarkan dengan Clustal Omega dan interaksi protein-ligan diidentifikasi dengan Protein-Ligand Interaction Profiler. Model farmakofor divalidasi menggunakan test set yang terdiri dari ligan terpilih sebagai senyawa aktif dan decoy dari A Database of Useful Decoys-Enhanced sebagai senyawa inaktif. Model farmakofor NSP3 pada akhirnya tidak terbentuk karena sedikitnya ligan yang tersedia. Model farmakofor NSP13 yang memiliki satu cincin aromatik (AR), satu daerah hidrofobik (H), satu akseptor ikatan hidrogen (HBA), dan satu donor ikatan hidrogen (HBD) dengan penambahan feature tolerance sebesar 0,15 Å dan feature weight sebesar 0,1 pada fitur AR, H, dan HBA menghasilkan nilai AUC100%, EF1%, EF5%, sensitivitas, dan spesifisitas sebesar 0,83; 21,2; 8,8; 0,792; dan 0,790. Model ini digunakan sebagai kueri penapisan terhadap obat yang telah disetujui FDA dari The Binding Database. Ticarcillin, sulfisoxazole, lacosamide, sulfathiazole, cefaclor, penicillin G, cephalexin, carbenicillin, atenolol, dan tolazoline diperoleh sebagai senyawa kandidat dengan pharmacophore-fit score tertinggi.

---

Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2), causal agent of Coronavirus Disease 2019 (COVID-19), has infected almost two hundred millions of people and caused nearly four millions of deaths worldwide. Currently, no treatment has been identified to be effective against the virus. In the outbreak, drug repurposing emerges as a promising strategy to develop efficient therapeutics. This study selected SARS-CoV-2 non-structural protein 3 (NSP3) and non-structural protein 13 (NSP13), that encodes papain-like protease and helicase, respectively, as potential targets based on their crucial role in virus replication. Drug repurposing was carried out by LigandScout pharmacophore modeling using SARS-CoV-2 NSP3 and NSP13 co-crystallized ligands from Protein Data Bank as training set. Prior to that, crystal structures were aligned by Clustal Omega and analyzed by Protein-Ligand Interaction Profiler for interaction profiling. Generated pharmacophore model was validated by a test set consisting of above-mentioned ligands as actives and A Database of Useful Decoys-Enhanced decoys as inactives. Unfortunately, NSP3 model cannot be generated due to insufficient ligands. NSP13 model that has one aromatic ring (AR), one hydrophobic area (H), one hydrogen bond acceptor (HBA), and one hydrogen bond donor (HBD) features with 0,15 Å feature tolerance and 0,1 feature weight additions on AR, H, and HBA resulted AUC100%, EF1%, EF5%, sensitivity, and specificity of 0,83; 21,2; 8,8; 0,792; and 0,790. This model was chosen for screening against FDA-approved drugs from The Binding Database. Ticarcillin, sulfisoxazole, lacosamide, sulfathiazole, cefaclor, penicillin G, cephalexin, carbenicillin, atenolol, and tolazoline were obtained as hits with the highest pharmacophore-fit score."

"Analog Kurkumin Indazol merupakan senyawa analog berpotensi dikembangkan sebagai antikanker. Penelitian ini bertujuan untuk memperoleh senyawa baru analog kurkumin tetrahidro-indazol yang mempunyai akivitas penghambatan antikanker yang selektif. Penelitian diawali skrining in silico 186 senyawa disain didasarkan pada penapisan model farmakofor dan terpilih 14 senyawa, dilanjutkan penambatan molekular menghasilkan 10 senyawa hit. Kemudian dilakukan sintesis dengan reaksi kondensasi Clasein-Schmidth, dihasilkan enam analog indazole baru dari kurkumin dan dievaluasi aktivitas sitotoksiknya menggunakan uji proliferasi metil tiazolil tetrazolium terhadap sel kanker MCF-7, HeLa, WiDr, dan Vero. Struktur senyawa dikarakterisasi dengan FTIR, NMR, dan spektral massa. Hasil penelitian menunjukkan bahwa senyawa yang disintesis lebih aktif terhadap sel WiDr dibandingkan dengan sel MCF-7 dan HeLa. Aktivitas sitotoksik senyawa 3b, 3c, 3d, 5a terhadap sel WiDr lebih aktif dibandingkan kurkumin dan tamoxifen. Evaluasi lebih lanjut terhadap sel Vero (sel normal) untuk menentukan selektivitasnya menunjukkan beberapa senyawa hasil sintesis lebih selektif (nilai IS > 2) dibandingkan tamoxifen dan doksorubisin (nilai SI < 2,00). Tiga senyawa (3a, 3b, dan 3c) menunjukkan IS tinggi terhadap sel WiDr yaitu 3,74, 5,27, dan 4,39. Di antara senyawa yang disintesis, 3b menunjukkan aktivitas sitotoksik tertinggi, terutama terhadap garis sel WiDr (IC50 = 27,20 M) dengan selektivitas yang sangat baik (SI = 5,27).

---

Indazole Analogs of Curcumin is an analog compound that has the potential to be developed as an anticancer. This study aims to obtain a new compound analogue of curcumin tetrahydro-indole which has selective anticancer inhibitory activity. The research began with the design of the curcumin analog compound tetrahydro-indazole in silico based on a pharmacophore model and 14 compounds were selected, then continued molecular docking to produce 10 hit compounds. Then the synthesis was carried out using the Clasein-Schmidth condensation reaction and produced a series of six novel indazole analogs of curcumin and evaluated their cytotoxic activity against MCF-7, HeLa, WiDr, and Vero cells. The structure of the compound was characterized by FTIR, NMR, and mass spectral. The results showed that the synthesized compound was more active against WiDr cells than MCF-7 and HeLa cells. The cytotoxic activity of compounds 3b, 3c, 3d, 5a against WiDr cells was more active than curcumin and tamoxifen. Further evaluation of Vero cells to determine their selectivity showed that some of the compounds synthesized were more selective (SI value>2) than tamoxifen and doxorubicin. Three compounds (3a, 3b, and 3c) showed high SI against WiDr cells, namely 3.74, 5.27, and 4.39. Among the synthesized compounds, 3b showed the highest cytotoxic activity, especially against the WiDr cell line (IC50 = 27.20 M) with excellent selectivity (SI = 5.27)."

"Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) merupakan agen penyebab Coronavirus Disease 2019 (COVID-19) yang telah menginfeksi hampir dua ratus juta orang dan menyebabkan hampir empat juta kematian di dunia. Saat ini, belum ada obat yang spesifik ditemukan untuk virus ini. Drug repurposing merupakan salah satu alternatif strategi pengembangan obat di masa pandemi. Pada penelitian ini, non-structural protein 3 (NSP3) dan non-structural protein 13 (NSP13) SARS-CoV-2, yang mengkode papain-like protease dan helikase, terpilih sebagai target potensial yang berperan penting dalam replikasi virus. Drug repurposing berbasis pemodelan farmakofor dilakukan menggunakan program LigandScout. Ligan kokristal NSP3 dan NSP13 SARS-CoV-2 dari Protein Data Bank dipilih sebagai training set. Sebelumnya, sekuens protein disejajarkan dengan Clustal Omega dan interaksi protein-ligan diidentifikasi dengan Protein-Ligand Interaction Profiler. Model farmakofor divalidasi menggunakan test set yang terdiri dari ligan terpilih sebagai senyawa aktif dan decoy dari A Database of Useful Decoys-Enhanced sebagai senyawa inaktif. Model farmakofor NSP3 pada akhirnya tidak terbentuk karena sedikitnya ligan yang tersedia. Model farmakofor NSP13 yang memiliki satu cincin aromatik (AR), satu daerah hidrofobik (H), satu akseptor ikatan hidrogen (HBA), dan satu donor ikatan hidrogen (HBD) dengan penambahan feature tolerance sebesar 0,15 Å dan feature weight sebesar 0,1 pada fitur AR, H, dan HBA menghasilkan nilai AUC100%, EF1%, EF5%, sensitivitas, dan spesifisitas sebesar 0,83; 21,2; 8,8; 0,792; dan 0,790. Model ini digunakan sebagai kueri penapisan terhadap obat yang telah disetujui FDA dari The Binding Database. Ticarcillin, sulfisoxazole, lacosamide, sulfathiazole, cefaclor, penicillin G, cephalexin, carbenicillin, atenolol, dan tolazoline diperoleh sebagai senyawa kandidat dengan pharmacophore-fit score tertinggi.

---

Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2), causal agent of Coronavirus Disease 2019 (COVID-19), has infected almost two hundred millions of people and caused nearly four millions of deaths worldwide. Currently, no treatment has been identified to be effective against the virus. In the outbreak, drug repurposing emerges as a promising strategy to develop efficient therapeutics. This study selected SARS-CoV-2 non-structural protein 3 (NSP3) and non-structural protein 13 (NSP13), that encodes papain-like protease and helicase, respectively, as potential targets based on their crucial role in virus replication. Drug repurposing was carried out by LigandScout pharmacophore modeling using SARS-CoV-2 NSP3 and NSP13 co-crystallized ligands from Protein Data Bank as training set. Prior to that, crystal structures were aligned by Clustal Omega and analyzed by Protein-Ligand Interaction Profiler for interaction profiling. Generated pharmacophore model was validated by a test set consisting of above-mentioned ligands as actives and A Database of Useful Decoys-Enhanced decoys as inactives. Unfortunately, NSP3 model cannot be generated due to insufficient ligands. NSP13 model that has one aromatic ring (AR), one hydrophobic area (H), one hydrogen bond acceptor (HBA), and one hydrogen bond donor (HBD) features with 0,15 Å feature tolerance and 0,1 feature weight additions on AR, H, and HBA resulted AUC100%, EF1%, EF5%, sensitivity, and specificity of 0,83; 21,2; 8,8; 0,792; and 0,790. This model was chosen for screening against FDA-approved drugs from The Binding Database. Ticarcillin, sulfisoxazole, lacosamide, sulfathiazole, cefaclor, penicillin G, cephalexin, carbenicillin, atenolol, and tolazoline were obtained as hits with the highest pharmacophore-fit score."

"Pemodelan farmakofor adalah metode CADD (Computer-Aided Drug Design) berbasis ligan yang diketahui berperan penting dalam menjelaskan interaksi antara ligan dengan target makromolekul. Pemodelan farmakofor memiliki beberapa keterbatasan, seperti sering dihasilkannya positif dan negatif palsu. Oleh karena itu, pengembangan diperlukan untuk memperoleh model yang lebih prediktif. Pada penelitian ini, pengembangan model farmakofor dilakukan menggunakan program LigandScout dan diaplikasikan pada antagonis reseptor adenosin A2B. Senyawa antagonis reseptor adenosin A2B yang diperoleh dari ChEMBL dengan nilai Ki ≤ 10 nM sebanyak 88 ligan digunakan sebagai kontrol positif dan nilai Ki > 10 nM sebanyak 1.530 ligan digunakan sebagai kontrol negatif. Model farmakofor dibentuk dari kontrol positif yang dijadikan sebagai training set divalidasi menggunakan test set yang merupakan gabungan dari kontrol positif dan negatif. Kemudian dilakukan analisis statistik dengan mengelompokkan hasil berdasarkan klasifikasi biner untuk dihitung beberapa parameter analisis. Dari penelitian ini, diperoleh model farmakofor antagonis reseptor adenosin A2B yang memiliki fitur satu AR (cincin aromatik), satu H (interaksi hidrofobik), dan dua HBA (akseptor ikatan hidrogen). Nilai AUC100% sebesar 0,65; EF1% sebesar 6,9; EF5% sebesar 2,3 diperoleh sebagai parameter validasi model. Berdasarkan analisis statistik, diperoleh akurasi sebesar 0,4067; error rate sebesar 0,5993; sensitivitas sebesar 0,8295; spesifisitas sebesar 0,3824; presisi sebesar 0,0717; tingkat penemuan palsu sebesar 0,9283; dan nilai prediksi negatif sebesar 0,9500. Dari hasil ini, model farmakofor dengan penurunan weight sebesar 0,1 pada fitur farmakofor AR didapatkan sebagai model yang memiliki hasil optimasi terbaik.

---

Pharmacophore modeling is a ligand-based CADD (Computer-aided Drug Design) method that is known to represent the important role of ligands interactions with macromolecular targets. Pharmacophore modeling has several limitations, such as often false positives and negatives values are generated. Thus, model development is needed to obtain a more predictive model. In this study, the development of a pharmacophore model was carried out using LigandScout and applied to adenosine A2B receptor antagonists. The adenosine A2B receptor antagonist compounds obtained from ChEMBL with Ki value ≤ 10 nM (88 ligands) were used as positive controls and Ki value > 10 nM (1.530 ligands) were used as negative controls. The pharmacophore model was formed from positive controls that were used as a training set, validated using a test set which is a combination of positive and negative controls, and statistical analysis was carried out by grouping the results based on binary classification and calculating several analytical parameters. From this study, a pharmacophore model of adenosine A2B receptor antagonist was obtained and had one AR (aromatic ring), one H (hydrophobic interaction), and two HBA (hydrogen bond acceptor) features. The values of AUC100% (0.65); EF1% (6.9); EF5% (2.3) were obtained from model validation parameters. In addition, the values of accuracy (0.4067); error rate (0.5993); sensitivity (0.8295); specificity (0.3824); precision (0.0717); false discovery rate (0.9283); and negative predictive value (0.9500) were obtained from statistical analysis. From these results, the optimized pharmacophore model with 0.1 feature Weight deduction on AR feature gave the best results."

"Methicillin-resistant Staphylococcus aureus (MRSA) telah menyebar luas dan menjadi penyebab utama infeksi, baik di masyarakat maupun rumah sakit. MRSA tidak hanya berdampak bagi kesehatan, tetapi juga menimbulkan implikasi ekonomi serius dengan perkiraan kontribusi yang signifikan terhadap kematian dalam dekade mendatang. Penicillin-binding Protein 2a (PBP2a) merupakan protein tambahan pada membran bakteri Staphylococcus aureus yang bertanggung jawab atas resistensinya terhadap antibiotik β-laktam, termasuk metisilin. Dalam penelitian ini, senyawa yang diketahui memiliki aktivitas sebagai inhibitor PBP2a digunakan sebagai training set dan active set. Training set digunakan untuk membuat model farmakofor menggunakan metode shared dan merged pada perangkat lunak LigandScout. Model dari metode shared menghasilkan skor tertinggi sebesar 0,8525 dengan fitur dua daerah hidrofobik (H) dan satu akseptor ikatan hidrogen (HBA). Sementara itu, Model dari metode merged menghasilkan skor tertinggi sebesar 0,8053 dengan fitur empat akseptor ikatan hidrogen (HBA). Setelah dilakukan optimasi dan validasi menggunakan active set dan decoy set, model farmakofor terbaik berasal dari model yang dibangun menggunakan metode shared dengan penurunan weight sebesar 0,1 pada fitur farmakofor H1. Parameter analisis yang diperoleh adalah AUC100%; EF1%; EF5%; sensitivitas; dan spesifisitas yang berturut-turut senilai 0,67; 3,9; 3,1; 0,65; dan 0,60. Model farmakofor terbaik digunakan untuk melakukan penapisan virtual pada pangkalan data HerbalDB. Pemeringkatan senyawa kandidat dilakukan berdasarkan pharmacophore-fit score tertinggi. Senyawa kandidat yang termasuk dalam peringkat sepuluh tertinggi adalah Trigonelloside C, (S)-6-Gingerol, Epicatechin-(4β→6)-epicatechin-(4β→8)-catechin, Mesuol, Scutellarein 7-glucosyl-(1→4)-rhamnoside, trans-p-Ferulyl alcohol 4-O-[6-(2-methyl-3-hydroxypropionyl)] glucopyranoside, 3’-Deoxymaysin, 15-HETE, Proanthocyanidin A1, dan Anhydrosafflor yellow B.

---

Methicillin-resistant Staphylococcus aureus (MRSA) has spread widely and become a major cause of infections in both the community and hospitals. MRSA not only impacts health but also has serious economic implications, with a significant contribution to mortality expected in the coming decade. Penicillin-binding Protein 2a (PBP2a) is an additional protein on the membrane of the Staphylococcus aureus responsible for its resistance to β-lactam antibiotics, including methicillin. In this study, compounds known to have activity as PBP2a inhibitors were used as the training set and active set. The training set was used to create pharmacophore models using the shared and merged methods in the LigandScout software. The model from the shared method achieved the highest score of 0.8525 with features of two hydrophobic regions (H) and one hydrogen bond acceptor (HBA). Meanwhile, the model from the merged method achieved the highest score of 0.8053 with features of four hydrogen bond acceptors (HBA). After validation and optimization using the active set and decoy set, the best pharmacophore model was obtained from the shared method with a weight reduction of 0.1 on the H1 pharmacophore feature. The analysis parameters obtained were AUC100%; EF1%; EF5%; sensitivity; and specificity which score were 0,67; 3,9; 3,1; 0,65; dan 0,60 respectively. The best pharmacophore model was used for virtual screening on the HerbalDB database. Candidate compounds were ranked based on the highest pharmacophore-fit score, with the top ten candidate compounds being Trigonelloside C, (S)-6-Gingerol, Epicatechin-(4β→6)-epicatechin-(4β→8)-catechin, Mesuol, Scutellarein 7-glucosyl-(1→4)-rhamnoside, trans-p-Ferulyl alcohol 4-O-[6-(2-methyl-3-hydroxypropionyl)] glucopyranoside, 3’-Deoxymaysin, 15-HETE, Proanthocyanidin A1, dan Anhydrosafflor yellow B."

"Pemodelan farmakofor merupakan suatu metode perancangan obat dengan pendekatan komputasi (in silico) yang berperan penting untuk mengetahui aksi spesifik antara ligan dengan target makromolekul. Pemodelan farmakofor memiliki beberapa keterbatasan, seperti sering dihasilkannya senyawa positif palsu dan negatif palsu dalam rasio yang tinggi. Oleh sebab itu, pengembangan perlu dilakukan untuk memperoleh model farmakofor yang lebih prediktif. Pada penelitian ini, dilakukan pengembangan model farmakofor yang diaplikasikan pada senyawa antagonis reseptor adenosin A2A menggunakan perangkat lunak LigandScout. Senyawa antagonis reseptor adenosin A2A diperoleh dari ChEMBL dengan nilai Ki ≤ 10 nM sebanyak 94 ligan digunakan sebagai training set dan nilai Ki > 10 nM sebanyak 3.556 ligan digunakan sebagai decoy set. Pembentukan model farmakofor dan optimasi dilakukan menggunakan training set dan divalidasi menggunakan test set yang merupakan gabungan dari training set dan decoy set. Kemudian, dilakukan analisis statistik melalui perhitungan beberapa parameter analisis berdasarkan kelompok klasifikasi biner. Dari penelitian ini, diperoleh empat fitur farmakofor dari model antagonis reseptor adenosin A2A yang mencakup 1 H (Hydrophobic Interaction), 2 HBA (Hydrogen Bond Acceptor), dan 1 HBD (Hydrogen Bond Donor). Selain itu, diperoleh nilai parameter validasi model yaitu AUC100% sebesar 0,65; EF1% sebesar 4,3; dan EF5% sebesar 3,6 serta nilai ketujuh parameter analisis statistik yaitu akurasi sebesar 0,3789; error rate sebesar 0,6211; sensitivitas sebesar 0,9894; spesifisitas sebesar 0,3684; presisi sebesar 0,0326; nilai prediksi negatif sebesar 0,9974; dan false discovery rate sebesar 0,9674. Nilai dari parameter-parameter tersebut diperoleh dari hasil optimasi model farmakofor yang berbeda-beda sehingga belum ditemukan satu model yang memiliki nilai terbaik untuk semua parameter.

---

Pharmacophore modeling is a drug design method with a computational approach (in silico) that represents the important role of ligand's specific actions with macromolecular targets. Pharmacophore modeling has several limitations, such as frequent false positives and false negatives in high ratios. Therefore, model development is needed to obtain a more predictive pharmacophore model. In this study, the development of a pharmacophore model was applied to the adenosine A2A receptor antagonist compound using LigandScout. The adenosine A2A receptor antagonist compound obtained from ChEMBL with Ki value ≤ 10 nM (94 ligands) was used as a training set and a Ki value > 10 nM (3,556 ligands) was used as a decoy set. The pharmacophore model and its optimization were formed from a training set, validated using a test set which is a combination of a training set and a decoy set. Then, statistical analysis is carried out by calculating several parameters based on the analysis of binary classification groups. From this study, four pharmacophore features of the adenosine A2A receptor antagonist model were obtained, consisting of 1 H (Hydrophobic Interaction), 2 HBA (Hydrogen Bond Acceptor), and 1 HBD (Hydrogen Bond Donor). In addition, the values of AUC100% (0.65); EF1% (4.3); and EF5% (3.6) were obtained from model validation parameters and the values of accuracy (0.3789); error rate (0.6211); sensitivity (0.9894); specificity (0.3684); precision (0.0326); negative predictive value (0.9974); and a false discovery rate (0.9674) were obtained from the seven statistical analysis parameters. The value of these parameters were obtained from the optimization results of different pharmacophore models. Accordingly, the model that has the best values for all parameters has not been determined."