hksa - UIN Repository

advertisement
UIN SYARIF HIDAYATULLAH JAKARTA
HUBUNGAN KUANTITATIF STRUKTUR
AKTIVITAS (HKSA) TURUNAN ASAM SINAMAT
TERHADAP SEL P388
SKRIPSI
AHMAD ARSYADUL MUSHLIHIN
1111102000020
FAKULTAS KEDOKTERAN DAN ILMU KESEHATAN
PROGRAM STUDI FARMASI
JAKARTA
JUNI 2015
UIN SYARIF HIDAYATULLAH JAKARTA
HUBUNGAN KUANTITATIF STRUKTUR
AKTIVITAS (HKSA) TURUNAN ASAM SINAMAT
TERHADAP SEL P388
SKRIPSI
Diajukan sebagai salah satu syarat memperoleh gelar Sarjana Farmasi
AHMAD ARSYADUL MUSHLIHIN
1111102000020
FAKULTAS KEDOKTERAN DAN ILMU KESEHATAN
PROGRAM STUDI FARMASI
JAKARTA
JUNI 2015
ii
UIN Syarif Hidayatullah Jakarta
iii
UIN Syarif Hidayatullah Jakarta
iv
UIN Syarif Hidayatullah Jakarta
v
UIN Syarif Hidayatullah Jakarta
ABSTRAK
Judul
:
HUBUNGAN
KUANTITATIF
STRUKTUR
AKTIFITAS
(HKSA) TURUNAN ASAM SINAMAT TERHADAP SEL P388
Telah dilakukan analisis hubungan kuantitatif struktur dan aktivitas (HKSA)
turunan asam sinamat terhadap sel p388 dengan menggunakan deskriptor
parameter hidrofobik berupa log P dan log D, parameter sterik berupa indeks
Harary, indeks Randic, dan indeks Wiener, dan parameter elektronik berupa
PPSA1 dan PNSA1. Tujuan dari penelitian ini adalah untukpmendapatkan model
persamaan HKSA yang baik dan dapat digunakan untuk memprediksi aktivitas
antikanker senyawa turunan asam sinamat lain.Data aktivitas biologis yang
digunakan ialah data aktivitas antikanker terhadap sel p388 yang didapat dari
berbagai literatur. Data set yang didapat kemudian dibagi menjadi training set
75% dan tes set 25%.Model persamaan HKSA dibentuk dengan menggunakan
Multilinear Regression (MLR) dengan metode enter sehingga didapatkan model
persamaan seagai berikut :
Log1/IC50= -4,793 + (-0,983 logP) + (-0,00898 PPSA) + (-0,00138 PNSA) +
0,378 harary + 0,191 randic + (-0,008705 WPATH) + (-0,3247 WPOL)
Dari 6 senyawa turunan asam sinamat lain yang diprediksi aktivitasnya senyawa
2-(3-Phenyl-acryloyloxy)-benzoic acidmemiliki aktivitas antikanker paling baik
dengan IC50 4,29 µM
Kata kunci : HKSA, Turunan asam sinamat, sel p388
vi
UIN Syarif Hidayatullah Jakarta
ABSTRACT
Title
: QUANTITATIVE STRUCTURE ACTIVITY RELATIONSHIP
(QSAR)CINNAMIC ACID DERIVATIVES OF THE P388CELLS
An analysis towards the quantitative structure activity relationship (QSAR)
cinnamic acid derivatives of the P388 cells using a hydrophobic parameter
descriptors such as of log P and log D, steric parameters such as index Harary,
Randic index, and the Wiener index, and electronic parameters such as PPSAI and
PNSAI has been done recently. The objectives of this research were to obtain
good QSAR equation model and to predict the anticancer activity of other
cinnamic acid derivatives. Biological activity data being used was the anticancer
activity data of the P388 cells that were obtained from various literatures. The
data set then was divided into training set 75% and test set 25%. QSAR equation
model was formed by used Multilinear Regression (MLR) with enter method and
it was obtained the equation model as below:
Log1/IC50= -4,793 + (-0,983 logP) + (-0,00898 PPSA) + (-0,00138 PNSA) +
0,378 harary + 0,191 randic + (-0,008705 WPATH) + (-0,3247 WPOL)
From the six other cinnamic acid derivative compounds wichactivityare being
predicted,2-(3-Phenyl-acryloyloxy)-benzoic acidshowed the best anticancer
activity with IC50 4.29 µM.
Keywords: QSAR, cinnamic acid derivatives, P388 cells
vii
UIN Syarif Hidayatullah Jakarta
KATA PENGANTAR
Puji dan syukur senantiasa kami panjatkan kehadirat Tuhan Yang Maha
Esa Allah SWT yang telah melimpahkan berbagai macam nikmat, karunia serta
kasih sayang-Nya sehingga penulis dapat menyelesaikan penelitian dan
penyusunan skripsi ini. Shalawat serta salam tak lupa pula kami haturkan kepada
pemimpin seluruh umat dan rahmat bagi semesta alam baginda Nabi Besar
Muhammad SAW, beserta keluarga, sahabat dan para pengikutnya hingga hari
akhir nanti, semoga kita senantiasa mendapatkan syafaat dari beliau.
Skripsi dengan judul “Hubungan Kuantitatif Struktur Aktivitas (HKSA)
Turunan Asam Sinamat Terhadap Sel P388” ini disusun untuk memenuhi salah
satu syarat menempuh ujian akhir guna mendapatkan gelar Sarjana Farmasi pada
Program Studi Farmasi Fakultas Kedokteran dan Ilmu Kesehatan Universitas
Islam Negeri Syarif Hidayatullah Jakarta.
Dalam proses penelitian dan penyusunan skripsi ini, penulis menyadari
adanya beberapa pihak yang memberikan kontribusi kepada penulis. Oleh karena
itu penulis mengucapkan rasa terima kasih yang sebesar-besarnya, khususnya
kepada :
1.
Supandi M. Si., Apt. sebagai Pembimbing I dan Andrianopsyah Mas Jaya
Putra, M. Sc. sebagai Pembimbing II yang telah meluangkan waktu,
pikiran dan tenaganya serta memberikan ilmu terbaik yang dimiliki
sehingga menutupi banyak keterbatasan penulis.
2.
Dr. H. Arif Sumantri, SKM., M. Kes. selaku Dekan Fakultas Kedokteran
dan Ilmu Kesehatan UIN Syarif Hidayatullah Jakarta.
3.
Yardi, M. Sc., P.hD., Apt. selaku Ketua Program Studi Farmasi Fakultas
Kedokteran dan Ilmu Kesehatan UIN Syarif Hidayatullah Jakarta.
4.
Ibu/Bapak Dosen dan Staff Akademika Program Studi Farmasi Fakultas
Kedokteran dan Ilmu Kesehatan Universitas Islam Negeri Syarif
Hidayatullah Jakarta yang telah memberikan ilmunya kepada penulis.
viii
UIN Syarif Hidayatullah Jakarta
5.
Sahabat-sahabat GR (Bisrie, Sam’ul, Fikri, Habibie) yang selalu
menghibur dan menyemangati penulis.
6.
Ayahanda Mohammad Yahya pemimpin dalam keluarga dunia yang selalu
menjadi panutan penulis dalam meraih cita-cita dan Ibunda Balkis tercinta,
bidadari dalam hidup ini yang selalu memberikan kasih sayang, semangat,
dukungan, do’a dan nasihat tak terhingga yang tak akan pernah mampu
penulis membalas semua itu. Saudara penulis Ade Musyrifah Zahroh,
Aliya Luthfiyyah Khumairo yang selalu memberikan semangat dan
dorongan untuk kesuksesan penulis. Beribu cinta untuk kalian semua.
7.
Kakak-kakak Farmasi, Arif, Agung, Dimas, Fikri dan semua kakak 2009
serta 2010 lain yang selalu ikhlas membantu dan memberikan bimbingan
selama penulis berada di lingkungan kampus hingga saat penulis selesai
mengerjakan penelitian ini.
8.
Sahabat-sahabat D8 (Akas, Deni, Rifki, Mufidah, Monic, Nanda, Puspita)
yang selalu mengingatkan penulis untuk terus bersemangat menyelesaikan
skripsi ini
9.
Teman-teman SODA (Agus, Shinta, Bona, Hari, Kak Rima, Nasar, Jamal),
PETANG, Keluarga Universitas Kehidupan, Keluarga Tantra yang
menemani pendakian penulis ketika penulis sedang membutuhkan
inspirasi dalam menulis skripsi.
10. Teman-teman Docking Team (Eko, Mazaya, Wahidin, Wahyu, Haidar)
yang selalu membantu penulis dalam melakukan penelitian ini.
11. Teman-teman farmasi angkatan 2011, Semut (sebelas imut) yang telah
berjuang bersama selama penelitian ini.
Penulis sadar bahwa dalam penulisan skripsi ini masih banyak kelemahan
dan kekurangan, kritik dan saran pembaca diharapkan penulis untuk memperbaiki
kemampuan penulis.
Jakarta, Juli 2015
Penulis
ix
UIN Syarif Hidayatullah Jakarta
x
UIN Syarif Hidayatullah Jakarta
DAFTAR ISI
Halaman
HALAMAN JUDUL .........................................................................................
LEMBAR ORIGINALITAS ............................................................................
LEMBAR PERSETUJUAN SKRIPSI ............................................................
LEMBAR PENGESAHAN SKRIPSI .............................................................
ABSTRAK .........................................................................................................
ABSTRACT .......................................................................................................
KATA PENGANTAR .......................................................................................
HALAMAN PERSETUJUAN PUBLIKASI KARYA ILMIAH ..................
DAFTAR ISI ......................................................................................................
DAFTAR GAMBAR .........................................................................................
DAFTAR TABEL .............................................................................................
DAFTAR LAMPIRAN .....................................................................................
ii
iii
iv
v
vi
vii
viii
x
xi
xiii
xiv
xv
BAB 1 PENDAHULUAN
1.1. Latar Belakang .................................................................................
1.2. Rumusan Masalah ............................................................................
1.3. Hipotesis ...........................................................................................
1.4. Tujuan Penelitian..............................................................................
1.5. Manfaat Penelitian............................................................................
1
3
3
3
4
BAB 2 TINJAUAN PUSTAKA
2.1. Kanker ..............................................................................................
2.1.1. Perbedaan Sel Kanker dan Sel Normal ................................
2.1.2. Leukemia (Kanker Darah) ....................................................
2.2. Asam Sinamat ..................................................................................
2.3. Hubungan Kuantitatif Struktur Aktivitas (HKSA) ..........................
2.4. Metode Hansch .................................................................................
2.4.1. Parameter Sifat Kimia Fisika dalam HKSA Model Hansch .
2.5. Deskriptor ........................................................................................
2.6. Marvin Sketch ..................................................................................
2.7. SPSS (Statistical Package and Service Solution) .............................
xi
5
7
9
10
12
14
15
19
20
20
UIN Syarif Hidayatullah Jakarta
2.8. LigandScout……………………………………………………….
2.9. Open Babel………………………………………………………
2.10.CDK descriptor …………………………………………………..
2.11PubChem ………………………………………………………….
21
21
22
22
BAB 3 METODE PENELITIAN
3.1. Waktu Penelitian dan Lokasi ...........................................................
3.2. Alat ...................................................................................................
3.2.1. Perangkat Keras......................................................................
3.2.2. Perangkat Lunak .....................................................................
3.3. Bahan ...............................................................................................
3.4. Prosedur Kerja ..................................................................................
23
23
23
23
23
23
BAB 4 HASIL DAN PEMBAHASAN
4.1. Pengumpulan Data Set .....................................................................
4.2. Pemilihan Deskriptor........................................................................
4.3. Penghilangan Outlier........................................................................
4.4. Pembagian Data Set .........................................................................
4.5. Model Persamaan HKSA .................................................................
4.6. Hasil Validasi Model Persamaan HKSA .........................................
4.7. PengujianAktivitas Sampel Set ........................................................
26
38
45
46
47
49
51
BAB 5 KESIMPULAN DAN SARAN
5.1. Kesimpulan....................................................................................... 54
5.2. Saran ................................................................................................. 54
DAFTAR PUSTAKA ........................................................................................ 55
LAMPIRAN ....................................................................................................... 59
xii
UIN Syarif Hidayatullah Jakarta
DAFTAR GAMBAR
Gambar 2.1.
Gambar 2.2.
Gambar 4.1.
Gambar 4.2.
Gambar 4.3.
Gambar 4.4.
Gambar 4.5.
Gambar 4.6.
Struktur Asam Sinamat .................................................................. 11
Naga dalam Mitologi Babylon Istar ................................................ 20
Pembuatan Struktur Asam Sinamat ................................................. 26
Struktur Senyawa dengan Kode S1 dan S7 ..................................... 40
Struktur Senyawa dengan Kode S14 dan S20 ................................. 42
Kurva Hubungan Indeks Harary Terhadap Kenaikan Aktivitas ..... 44
Pensejajaran Data Set Terhadap Asam Sinamat ........................... 45
Grafik Korelasi Aktivitas Prediksi Dan Eksperimen .................... 38
xiii
UIN Syarif Hidayatullah Jakarta
DAFTAR TABEL
Tabel 4.1. Struktur dan Aktivitas Data Set
27
Tabel 4.2. Data Aktivitas, log P, dan log D
38
Tabel 4.3. Data Deskriptor Sterik
42
Tabel 4.4. Korelasi Deskriptor terhadap Aktivitas
44
Tabel 4.5.Data Set Berdasarkan Aktivitas
46
Tabel 4.6.Parameter Statistik Dua Model Persamaan HKSA
50
Tabel 4.7.Hasil Prediksi Sampel Set
51
xiv
UIN Syarif Hidayatullah Jakarta
DAFTAR LAMPIRAN
Lampiran 1.
Lampiran 2.
Lampiran 3.
Lampiran 4.
Lampiran 5.
Lampiran 6.
Lampiran 7.
Alur Penelitian ............................................................................... 59
Tabel Korelasi Deskriptor Terhadap Aktivitas Menggunakan
log D .............................................................................................. 60
Tabel Korelasi Deskriptor Terhadap Aktivitas Menggunakan
Log P ............................................................................................. 60
Validasi Persamaan HKSA menggunakan log D .......................... 61
Validasi Persamaan HKSA menggunakan log P ........................... 62
Rekap Perhitungan Deskriptor ...................................................... 63
Prosedur Kerja ............................................................................... 65
xv
UIN Syarif Hidayatullah Jakarta
BAB I
PENDAHULUAN
1.1
Latar Belakang
Kanker adalah istilah penyakit yang dapat mempengaruhi bagian
dari tubuh manusia, istilah lain yang digunakan untuk kanker adalah tumor
dan neoplasma. Salah satu tanda umum yang terjadi pada kanker adalah
pertumbuhan sel-sel yang lebih cepat dari pertumbuhan sel normal,
kemudian sel kanker akan menyerang tubuh kemudian akan menyebar
kebagian lain. Kanker merupakan penyebab kematian terbesar didunia
yang dihitung dari 8,2 juta kematian pada tahun 2012. Kasus kanker yang
paling banyak menyebabkan kematian berturut-turut adalah: kanker paruparu (1,59 juta kematian), kanker hati (745.000 kematian), kanker perut
(723.000 kematian), kanker kolon (694.000 kematian), kanker payudara
(521.000 kematian), kanker esophagus (400.000 kematian) (WHO 2014).
Kanker atau malignant neoplasm merupakan penyakit dengan karakteristik
pertumbuhan sel yang tidak terkendali. Kanker umumnya disebabkan oleh
pemakaian tembakau (merokok), konsumsi makanan yang tidak sehat,
infeksi tertentu, paparan radiasi, kurangnya aktivitas fisik, obesitas, dan
polutan lingkungan. Faktor-faktor ini dapat secara langsung merusak gen
atau menyebabkan kesalahan kode genetik sehingga memicu mutasi sel
kanker (Anand dkk, 2008).
Dibandingkan dengan penyakit kanker lain seperti kanker paru dan
kanker payudara, leukemia (kanker darah) termasuk kanker yang jarang
terjadi. Meskipun demikian, leukemia merupakan jenis kanker yang paling
banyak ditemukan pada anak dibawah 15 tahun. Dari seluruh kejadian
kanker terdapat 32% yang terjadi pada usia dibawah 15 tahun. Sekitar 74%
dari kelompok umur yang sama adalah kanker darah atau leukemia
(Belson dkk., 2007). Murine Leukimia P388 merupakan salah satu sel jenis
sel kanker leukemia yang sering digunakan dalam uji sitotoksisitas untuk
mengetahui aktivitas suatu senyawa dalam menghambat pertumbuhan sel
1
UIN Syarif Hidayatullah Jakarta
kanker. Sel kanker ini dikembang biakkan dari sel tikus yang dikenai agen
leukemia (Marwati, 2012).
Terdapat 3 pengobatan yang dapat dilakukan pada pasien yang
terkena kanker yaitu: pembedahan, radioterapi, dan kemoterapi. Akan
tetapi kemoterapi biasanya digunakan bersamaan dengan radioterapi
maupun pembedahan. Pengobatan menggunakan kemoterapi mempunyai
beberapa mekanisme yang berbeda, salah satu dari mekanismenya yaitu
dengan menghambat pensinyalan pada sel kanker (Patric, 2009).
Pengobatan dengan menggunakan obat-obat antikanker klasik tidak
mampu membedakan antara sel normal dan sel kanker, memiliki efek
samping yang berbahaya, sehingga membatasi penggunaannya dalam
jangka panjang. Kekurangan-kekurangan inilah yang menyebabkan
peneliti mencari obat yang selektif, dan lebih tidak toksik (El-Deeb, dkk.,
2009)
Asam Sinamat dan turunannya merupakan senyawa aromatis yang
terdapat di alam. Isolasi asam sinamat dan turunannya dapat dilakukan
dari propolis lebah, kayu manis, dan banyak tumbuhan, terutama rempahrempah, seperti: jahe, kencur, lengkuas dan bahkan buah-buahan (Shirat,
dkk., 2011). Asam sinamat dan turunannya memiliki aktivitas yang
beragam diantaranya: anti inflamasi, anti hipertensi, anti mikroba, anti
diabetik serta antikanker (Ramesh, 2012). Turunan asam sinamat dari
propolis lebah dilaporkan memiliki aktivitas anti tumor yang dapat
membunuh sel tumor (Mishima, dkk., 2005). Asam sinamat secara kimia
memiliki tiga gugus fungsi yang berpotensi sebagai sisi aktif, yakni
subtitusi pada cincin fenil, α,β unsaturated (ikatan rangkap), dan reaksi
pada gugus karboksilat.
Kemajuan teknologi informasi pada saat ini dapat dijadikan
alternatif untuk pencarian obat baru. Kimia komputasi dan bioinformatika
berpotensi tinggi dalam ilmu kimia medisinal, tidak hanya mempercepat
proses penemuan obat tetapi juga mengubah cara penemuan dan
perancangan obat. Rational Drug Design (RDD) memfasilitasi dan
mempercepat proses rancangan obat, yang melibatkan berbagai metode
UIN Syarif Hidayatullah Jakarta
untuk mengidentifikasi senyawa baru (Koko, 2011). Salah satu aplikasi
kimia komputasi yang paling sering digunakan dalam desain senyawa obat
antaralain adalah kajian Hubungan Kuantitatif Struktur-Aktivitas (HKSA).
Kajian HKSA bertujuan untuk mencari hubungan yang konsisten secara
empiris antara sifat-sifat molekular dan aktivitas biologis suatu senyawa
(Saputra, 2014).
Berdasarkan pada parameter yang digunakan, analisa HKSA
digolongkan dalam 3 metode, yaitu metode Hansch, metode Free-Wilson
dan metode 3 dimensi (Comparative Molecular Field Analysis (CoMFA)).
Metode Hansch berkembang dari pemikiran bahwa interaksi senyawa
dengan reseptor terjadi karena adanya efek gaya-gaya intermolekular
seperti interaksi hidrofobik, interaksi polar, interaksi elektrostatik dan efek
sterik senyawa. Analisis HKSA-3D dikembangkan sebagai antisipasi
permasalahan yang terdapat pada metode Hansh, yaitu senyawa-senyawa
enantiomer yang memiliki kuantitas sifat fisikokimia yang sama, tetapi
memiliki aktivitas biologis berbeda (Ridhatul, 2013).
Pada
penelitian
ini
akan
dilakukan
pengujian
Hubungan
Kuantutatif Struktur Aktivitas (HKSA) senyawa turunan asam sinamat
dengan metode Hansch. Hal ini dilakukan karena kemajuan teknologi
dalam bidang kimia komputasi yang memungkinkan untuk mempercepat
dan menghemat biaya dalam melakukan pencarian kandidat obat baru.
1.2
Rumusan Masalah
Apakah senyawa-senyawa turunan asam sinamat memiliki hubungan
kuantitatif struktur dan aktivitas yang baik terhadap sel P388?
1.3
Hipotesis
Senyawa-senyawa turunan asam sinnamat memiliki hubungan kuantitatif
struktur dan aktivitas yang baik terhadap sel P388
1.4
Tujuan Penelitian
1) Membentuk model persamaan hubungan kuantitatif struktur aktivitas
(HKSA) turunan asam sinamat terhadap sel P388.
2) Mencari data nilai aktivitas senyawa-senyawa turunan asam sinamat lain.
UIN Syarif Hidayatullah Jakarta
1.5
Manfaat Penelitian
1) Membantu memberikan informasi untuk menemukan obat antikanker yang
baru
2) Informasi dasar untuk dilakukan uji in vitro.
UIN Syarif Hidayatullah Jakarta
BAB 2
TINJAUAN PUSTAKA
2.1.
Kanker
Kanker adalah istilah penyakit yang dapat mempengaruhi bagian
dari tubuh manusia, istilah lain yang digunakan untuk kanker adalah tumor
dan neoplasma. Salah satu tanda umum yang terjadi pada kanker adalah
pertumbuhan sel-sel yang lebih cepat dari pertumbuhan sel normal,
kemudian sel kanker akan menyerang tubuh kemudian akan menyebar
kebagian lain. Kanker merupakan penyebab kematian terbesar didunia
yang dihitung dari 8,2 juta kematian pada tahun 2012. Kasus kanker yang
paling banyak menyebabkan kematian berturut-turut adalah: kanker paruparu (1,59 juta kematian), kanker hati (745.000 kematian), kanker perut
(723.000 kematian), kanker kolon (694.000 kematian), kanker payudara
(521.000 kematian), kanker esophagus (400.000 kematian). (WHO 2014).
Kanker atau malignant neoplasm merupakan penyakit dengan
karakteristik pertumbuhan sel yang tidak terkendali. Kanker umumnya
disebabkan oleh pemakaian tembakau, konsumsi makanan yang tidak
sehat, infeksi tertentu, paparan radiasi, kurangnya aktivitas fisik, obesitas,
dan polutan lingkungan. Faktor-faktor ini dapat secara langsung merusak
gen atau menyebabkan kesalahan kode genetik sehingga memicu mutasi
sel kanker (Anand dkk, 2008). Penyebab lain yang juga dapat
menyebabkan kanker adalah virus, contohnya yaitu Human Papilloma
Virus (HPV) yang dapat menyebabkan kanker Rahim (Katzung ed 9).
Umumnya kanker berbentuk tumor, walaupun tidak semua tumor
adalah kanker. Tumor adalah pertumbuhan spontan jaringan baru yang
tidak mempunyai fungsi fisiologis, justru dapat menimbulkan gangguan
bahkan bersifat patologis. Tumor dapat bersifat benign (beninga), artinya
tidak berkembang menjadi kanker, misalnya kutil yang tidak menyebar.
Akan tetapi tumor juga dapat bersifat malignant (maligna), yang artinya
dapat menyebar seperti kanker paru yang dapat menyebar ke jaringan atau
organ-organ sekitarnya (Silalahi, 2006 )
5
UIN Syarif Hidayatullah Jakarta
Kanker berawal dari kerusakan materi genetic DNA (Deoxyribo
Nucleic Acid) sel. Satu sel saja yang mengalami kerusakan genetic sudah
mampu menghasilkan sel kanker atau neoplasma, sehigga kanker disebut
juga penyakit seluler. Kerusakan atau mutasi genetika yang dapat
menyebabkan kanker dapat terjadi karena factor dalam (endogen), yaitu
melalui kesalahan replikasi pada saat sel-sel digantikan oleh sel baru, atau
kesalahan genetic yang disebabkan oleh keturunan (orang tua) kanker
yang disebabkan factor endogen terjadi sebanyak 10-15%. Kanker juga
dapat disebabkan oleh factor luar atau eksogen (85-90%) melalui
perubahan struktur DNA akibat virus, infeksi berkelanjutan, polusi udara,
radiasi, dan bahan-bahan kimia (Silalahi, 2006 ).
Sel kanker mengganggu sel induk karena menyebabkan desakan
akibat pertumbuhan tumor, penghancuran jaringan tempat tumor
berkembang atau bermetastasis, dan gangguan sistemik lain sebagai akibat
sekunder dari pertumbuhan sel kanker (Nafrialdi dan Gan, 2007). Agen
penyebab kanker disebut karsinogen. Penyebab tunggal untuk terjadinya
kanker hingga saat ini belum diketahui. Namun demikian, berdasarkan
laporan berbagai penelitian dapat diketahui bahwa karsinogen digolongkan
ke dalam 4 golongan yaitu :
a. Bahan kimia, karsinogen bahan kimia melalui metabolisme
membentuk gugus elektrofilik yang kurang muatan elektron,
sebagai hasil antara, yang kemudian dapat berikatan dengan pusatpusat nukleofilik pada protein, RNA dan DNA.
b. Virus, contohnya adalah pada golongan virus DNA seperti virus
hepatitis B yang menyebabkan kanker hati.
c. Radiasi, terutama radiasi ultraviolet dengan panjang gelombang
290-370 nm berkaitan dengan terjadinya kanker kulit.
d. Agen biologis, antara lain hormon estrogen yang membantu
pembentukan kanker payudara dan kanker rahim. Serangkaian
proses berkembangnya kanker disebut karsinogenesis.
Karsinogenesis adalah suatu proses terjadinya kanker melalui
mekanisme multitahap yang menunjukkan perubahan genetik dan
UIN Syarif Hidayatullah Jakarta
menyebabkan transformasi progresif sel normal menjadi sel malignan
(ganas) (Hanahan dan Weinberg, 2000). Perubahan basa DNA (mutasi)
merupakan perubahan selular mendasar yang menyebabkan terjadinya
kanker. Kanker tidak berasal dari mutasi tunggal, namun dibutuhkan
akumulasi
dari beberapa mutasi
(3
sampai
20 mutasi) dalam
karsinogenesis (Lodish dkk., 2004).
Karsinogenesis melibatkan inisiasi, promosi, progresi, dan
metastasis. Inisiasi merupakan perubahan spesifik pada DNA sel target
yang menuntun pada proliferasi abnormal sebuah sel. Sel yang mengalami
inisiasi atau prakanker dapat kembali ke tingkat normal secara spontan,
tetapi pada tingkat lebih lanjut menjadi ganas. Promosi merupakan tingkat
lanjutan dari tahap inisiasi. Sel-sel akan memperoleh beberapa keuntungan
selektif untuk tumbuh sehingga pertumbuhannya menjadi cepat dan
berubah menjadi bentuk tumor jinak. Tahap promosi berlangsung lama,
bisa lebih dari sepuluh tahun. Pada tahap perkembangan (progression),
terjadi instabilitas genetik yang menyebabkan perubahan-perubahan
mutagenik dan epigenetik. Proses ini akan menghasilkan klon baru sel-sel
tumor yang memiliki aktivitas proliferasi, bersifat invasif (menyerang) dan
potensi metastatiknya meningkat. Metastasis melibatkan beberapa tahap
yang berbeda, termasuk memisahnya sel kanker dari tumor primer, masuk
ke dalam sirkulasi dan limfatik, serta perlekatan pada permukaan jaring
baru (Silalahi, 2006).
Untuk menghambat metastase sel kanker, kita harus mengetahui
cara kanker tersebut menyebar. Ada dua cara sel kanker ber-metastase,
yaitu melalui angiogenesis (pembentukan pembuluh darah yang baru) dan
penghancuran kolagen yang merupakan kerangka sel normal. Dengan
demikian, metastase akan dapat dihambat bila angiogenesis dapat dicegah,
sementara kolagen yang rusak bisa diperbaiki oleh tubuh sendiri dengan
memanfaatkan makanan tertentu
2.1.1. Perbedaan Sel Kanker dan Sel Normal
Sel kanker memiliki perbedaan yang sangat signifikan dengan sel
normal dalam tubuh. Sifat umum dari kanker ialah sebagai berikut :
UIN Syarif Hidayatullah Jakarta
1. Sel kanker tidak mengenal program kematian sel yang dikenal
dengan nama apoptosis. Protein p53 mampu mencegah replikasi
dari DNA yang rusak pada sel normal dan mendorong
penghancuran sendiri dari sel yang mengandung DNA yang tidak
normal. Peristiwa ini disebut apoptosis. Apoptosis sangat
dibutuhkan untuk mengatur berapa jumlah sel yang dibutuhkan
dalam tubuh, yang mana semuanya fungsional dan menempati
tempat yang tepat dengan umur tertentu. Bila telah melewati masa
hidupnya, sel-sel normal (nonkanker) akan mati dengan sendirinya
tanpa ada efek peradangan (inflamasi), namun sel kanker berbeda
dengan karakteristik tersebut. Dia akan terus hidup meski
seharusnya mati (immortal). Mutasi dari gen p53 menyebabkan
proliferasi dan transformasi sel menjadi kehilangan kendali
(Sofyan, 2000).
2. Sel kanker tidak mengenal komunikasi ekstraseluler atau asosial.
Komunikasi ekstraseluler diperlukan untuk menjalin koordinasi
antar sel sehingga mereka dapat saling menunjang fungsi masingmasing. Dengan sifatnya yang asosial, sel kanker bertindak
semaunya sendiri tanpa peduli apa yang dibutuhkan oleh
lingkungannya. Sel kanker dapat memproduksi growth factor
sendiri sehingga tidak bergantung pada rangsangan sinyal
pertumbuhan dari luar untuk melakukan proliferasi. Dengan
demikian sel kanker dapat tumbuh menjadi tak terkendali
(Hanahan and Weinberg, 2000).
3. Sel kanker mampu menyerang jaringan lain (invasif), merusak
jaringan tersebut dan tumbuh subur di atas jaringan lain
membentuk anak sebar (metastasis). Semakin besar jangkauan
metastasis tumor, kanker semakin sulit disembuhkan. Kanker pada
stadium metastasis inilah yang merupakan penyebab 90% kematian
penderita kanker (Hanahan dan Weinberg, 2000).
4. Untuk mencukupi kebutuhan pangan dirinya sendiri, sel kanker
mampu membentuk pembuluh darah baru (neoangiogenesis) yang
UIN Syarif Hidayatullah Jakarta
dapat mengganggu kestabilan jaringan tempat ia tumbuh (Hanahan
dan Weinberg, 2000).
5. Sel kanker memiliki kemampuan yang tak terbatas dalam
memperbanyak dirinya sendiri (proliferasi), meski seharusnya ia
sudah tak dibutuhkan dan jumlahnya sudah melebihi kebutuhan
yang seharusnya. Dengan kemampuan untuk memenuhi kebutuhan
sinyal pertumbuhan dan kemampuan menghindar dari mekanisme
apoptosis, sel kanker memiliki kemampuan tak terbatas untuk
bereplikasi (Hanahan dan Weinberg, 2000).
2.1.3. Leukemia (Kanker Darah)
Leukemia adalah keganasan yang ditandai dengan proliferasi sel
imatur (sel leukemik) di sumsum tulang, darah tepi dengan infiltrasi organ
hati, limpa, dan kelenjar limfe. Proliferasi sel imatur mengakibatkan
penumpukan sel leukemik di dalam sumsum tulang dengan akibat fungsi
hematopoesis dan trombopoesis tertekan. Proliferasi sel imatur biasanya
disertai dengan penurunan apoptosis (Riawan, 2012).
Klasifikasi leukemia berdasarkan lama waktu terjadinya penyakit,
terdiri atas leukemia akut, yaitu leukemia yang terjadi dengan waktu yang
singkat (dalam hitungan hari sampai bulan), dan leukemia kronik dengan
waktu yang lama (dalam hitungan bulan sampai tahun). Klasifikasi
leukemia berdasarkan jenis sel darah putih matang terbanyak yaitu:
leukemia granulositik (mielositik) dan leukemia limfositik (Anies. 2009).
Menurut Jan Tambayong 2000 faktor penyebab leukemia dapat
dibagi menjadi tiga kelompok yaitu:
1.
Faktor genetik  terlihat pada kembar identik yang akan beresiko
tinggi bila kembaran yang lain mengalami leukemia. Saudara
sekandung dari individu yang leukemia dan individu dengan
sindrom Down juga beresiko terhadap terjadinya leukemia.
2.
Penyakit yang didapat dengan resiko terkena leukemia mencakup
mielofibrosis, polisitemia vera, dan anemia refraktori sideroblastik,
myeloma multiple dan penyakit Hodgkin.
UIN Syarif Hidayatullah Jakarta
3.
Agen kimia dan fisik yang merupakan risiko signifikan terhadap
leukemia mencakup radiasi dan pemajanan jangka lama terhadap
benzene. Agen kemoterapi kloramfenikol dan agen pengkelat juga
berisiko.
Manifestasi klinis paling fatal adalah infeksi adalah infeksi, yang
ditandai dengan demam, menggigil, radang, dan lemah. Sering timbul
perdarahan (kulit, gingiva atau visera) karena trombositopenia. Nafsu
makan berkurang, berat badan menurun, keletihan, dan pucat (anemia).
Karena meninges terkena, maka timbul sakit kepala, gangguan
penglihatan, mual, dan muntah. Terdapat hepatosplenomegali, nyeri tekan
pada abdomen, anoreksia. Limfadenopati (Tambayong, 2000).
Dibandingkan dengan penyakit kanker lain seperti kanker paru dan
kanker payudara, leukemia (kanker darah) termasuk kanker yang jarang
terjadi. Meskipun demikian, leukemia merupakan jenis kanker yang paling
banyak ditemukan pada anak dibawah 15 tahun. Dari seluruh kejadian
kanker terdapat 32% yang terjadi pada usia dibawah 15 tahun. Sekitar 74%
dari kelompok umur yang sama adalah kanker darah atau leukemia
(Belson dkk., 2007).
Murine Leukimia P388 merupakan salah satu sel jenis sel kanker
leukemia yang sering digunakan dalam uji sitotoksisitas untuk mengetahui
aktivitas suatu senyawa dalam menghambat pertumbuhan sel kanker. Sel
kanker ini dikembang biakkan dari sel tikus yang dikenai agen leukemia
(Marwati, 2012).
2.2.
Asam Sinamat
Senyawa fenolik memiliki aktivitas biologis penting pada
tumbuhan dan hewan seperti perannya pembawa electron pada fotosintesis
dan dalam aktivitas enzim tertentu, menghambat dan mempercepat
pertumbuhan, bersifat racun terhadap herbivore, sehingga dimanfaatkan
sebagai herbisida dan lainnya. Selain dimanfaatkan sebagai antioksidan,
senyawa fenolik bermanfaat sebagai antimikroba, antikanker dan lain-lain.
Sinnamat dan turunannya merupakan salah satu senyawa fenolik yang
UIN Syarif Hidayatullah Jakarta
banyak dimanfaatkan pada industry kosmetik dan makanan serta
bermanfaat dalam pengobatan kanker.
Asam sinnamat merupakan asam organic dengan bentuk Kristal
yang berwarna putih dan sedikit larut dalam air, merupakan senyawa alam
karena ditemukan dalam berbagai jenis tanaman, termasuk buah-buahan
(Marwati, 2012).
Gambar 2.1 Struktur Asam Sinnamat dibuat menggunakan Marvin Sketch
Asam Sinamat sinamat dan turunannya merupakan senyawa
aromatis yang terdapat di alam. Isolasi asam sinamat dan turunannya telah
dilakukan dari propolis lebah, kayu manis, dan banyak tumbuhan,
terutama rempah-rempah, seperti: jahe, kencur, lengkuas dan bahkan buahbuahan (Shirat dkk, 2011). Penelitian tentang asam sinamat dan
turunannya sudah banyak dilakukan terutama untuk meningkatkan
penggunaannya sebagai bahan baku obat dengan meningkatkan aktivitas
biologisnya.
Asam sinamat dan turunannya memiliki aktivitas yang beragam
diantaranya: anti inflamasi, anti hipertensi, anti mikroba, anti diabetik
(Ramesh, 2012) serta antikanker. Turunan asam sinamat dari propolis
lebah dilaporkan memiliki aktivitas anti tumor yang dapat membunuh sel
tumor (Mishima dkk, 2005). Asam sinamat secara kimia memiliki tiga
gugus fungsi yang berpotensi sebagai sisi aktif, yakni subtitusi pada cincin
fenil, α,β unsaturated (ikatan rangkap), dan reaksi pada gugus karboksilat.
Salah satu turunan asam sinamat adalah etil para metoksisinamat
(EPMS), EPMS merupakan minyak esensial terbesar yang dihasilkan dari
rimpang kencur (Kaempferia galanga L) dan dilaporkan memiliki aktifitas
UIN Syarif Hidayatullah Jakarta
sitotoksik pada Artemia salina dengan uji brine shrimp lethality test
(Tewtrakul, 2005; Ekowati 2010). Liu dkk., 2010. Juga mengatakan bahwa
EPMS menghambat proliferasi kanker human hepatocellular liver (HEP
G2) dengan dosis yang belum diketahui. EPMS juga dapat menghambat
kanker gastric dengan menghambat angiogenesis sehingga pembelahan sel
kanker gastric terhambat (Liu dan Wei, 2005: Subchan, Bilal , 2011)
2.3.
Hubungan Kuantitatif Struktur Aktivitas (HKSA)
Hubungan kuantititif struktur aktivitas (HKSA) merupakan hasil
akhir dari suatu proses yang dimuai dengan mendeskripsikan suatu
struktur molekul dan diakhiri dengan kesimpulan, hipotesis, dan prediksi
dari sifat fisiko kimia dan biologis molekul tersebut. Hubungan kuantitatif
struktur aktivitas (HKSA) didasarkan pada asumsi bahwa struktur suatu
molekul (secara geometri, elektronik, sterik) bertanggung jawab terhadap
terhadap sifat fisika, kimia, dan respon biologisnya yang digambarkan
dalam beberapa deskriptor. Dengan menggunakan model HKSA aktivitas
suatu bahan kimia yang memiliki kemiripan dan merupakan senyawa baru
yang akan dirancang dan belum diuji dapat diketahui aktivitasnya
(Todeschini, 2009).
Menurut Jean Piere dan Annick Panaye hipotesis yang mendasari
dilakukannya pengujian HKSA yaitu karena setiap molekul memiliki fiturfitur (geometric dan elektronik) yang berpengaruh terhadap sifat fisiko
kimia dan efek biologis molekul tersebut. Dengan demikian diasumsikan
dari suatu rangkaian molekul yang memiliki efek biologis yang sama serta
cara kerja yang sama maka kerja dari molekul tersebut dapat diwakili oleh
deskriptor dari molekul tersebut.
Tujuan akhir dari HKSA adalah membuat persamaan model HKSA
yang menggambarkan sifat dari serangkaian senyawa. Untuk mendapatan
model tersebut diperlukan pemilihan data set dari beberapa molekul. Pada
zaman dahulu HKSA hanya dikembangkan pada senyawa konginerik akan
tetapi seiring perkembangan zaman HKSA mulai digunakan untuk
berbagai jenis senyawa untuk mempercepat pengetahuan tentang suatu
molekul baru. Hasil dari peramalan suatu model sangat bergantung pada
UIN Syarif Hidayatullah Jakarta
tersedianya data penelitian yang telah dilakukan. Data eksperimen suatu
senyawa bisa didapatkan dengan cara melakukan eksperimen dan dengan
mencari dari literature (Todeschini, 2009).
Dalam pengumpulan data ini perlu berhati-hati karena model dari
HKSA memiliki keterbatasan akurasi pada eksperimen dengan kualitas
yang sangat tinggi. Untuk menghindari ketidak akuratan model HKSA
jika data set diperoleh dari literature maka sebaiknya data diambil hanya
dari satu literature saja atau dari beberapa sumber yang hamper sama
proses dan perlakuannya saat eksperimen (Todeschini, 2009).
Tahapan lain dalam penentuan model HKSA adalah penentuan
deskriptor yang tepat, akan tetapi pada kebanyakan kasus tidak ada yang
menyatakan deskriptor manakah yang terbaik untuk digunakan. Sehingga
pada beberapa peneliti cenderung untuk menggunakan deskriptor dengan
jumlah yang banyak. Model HKSA dinyatakan dalam persamaan regresi
yang dinyatakan sebagai berikut:
P= f (x1, x2, x3, ……, xp)
P
= aktivitas suatu molekul
f
= fungsi yang mewakili hubungan antara respond an
deskriptor
x1, x2, ……, xp = molecular deskriptor
Ordinary Least Square regression (OLS), atau biasa disebut
Multiple Linear Regression (MLR) merupakan tekhnik regresi yang paling
banyak digunakan dalam memperkirakan hubungan kuantitatif struktur
aktivitas (HKSA) antara molecular deskriptor dan aktivitas suatu molekul.
Regresi Partial Least Squares (PLS) merupakan persamaan yang biasa
digunakan terutama ketika molecular deskriptor untuk pengujian suatu
senyawa digunakan dalam jumlah yang banyak (Todeschini 2009).
Tahapan paling penting dalam pengembangan HKSA adalah
validasi model. Terdapat beberapa teknik validasi untuk mengevaluasi
kemampuan memprediksi suatu model. Validasi merupakan persyaratan
paling penting untuk diterimanya suatu model HKSA. Kemampuan
memprediksi suatu model dihitung berdasarkan dua data, yaitu: training
UIN Syarif Hidayatullah Jakarta
set (data yang menghasilkan suatu model), dan test set (data yang
digunakan
untuk
mengevaluasi
kemampuan
suatu
model
untuk
mempresiksi) (Todeschini, 2009).
Ketika suatu model telah divalidasi dan memberikan hasil yang
baik, maka model tersebut dapat digunakan untuk memperkirakan sifat
dari molekul baru, mekanisme kerja suatu turunan senyawa, dan struktur
mana dari suatu molekul yang memberikan aktivitas biologis dari suatu
molekul. Pada mulanya perhatian hanya untuk mendapatkan model dengan
kemampuan memprediksi yang baik tanpa memperhatikan kemampuan
model tersebut untuk diinterpretasikan. Tentu saja model seperti ini
digunakan ketika tujuan penelitian untuk mendapatkan data kimia suatu
molekul, hal yang paling penting adalah model yang didapatkan harus
dapat dipercaya, dan tidak memperhatikan mengapa suatu deskriptor
dipilih dalam untuk membuat suatu model (Todeschini,2009).
Akan tetapi walaupun kemampuan mempresiksi model yang tinggi
untuk memprediksi suatu molekul harus berhati-hati karena jika molekul
memiliki chemical space yang jauh dari model maka hasil ekstrapolasi
yang didapatkan merupakan prediksi yang tidak dapat dipercaya. Untuk
mengatasi masalah ini maka dilakukan pengeluaran molekul yang tidak
relevan (Todeschini, 2009).
Sehingga dapat disimpulkan bahwa dalam pengembangan model
HKSA memerlukan 3 hal penting yaitu:
1. Penyiapan sekumpulan data set yang telah diketahui aktifitas
biologisnya dengan struktur kimia dan aktivitas yang mirip.
2. Pemilihan molecular deskriptor yang paling tepat yang mampu
menggambarkan informasi tentang struktur yang akan diteliti.
3. Metode matematika untuk menentukan hubungan antara aktivitas
suatu molekul dengan strukturnya.
2.4.
Metode Hansch
Hansch (1963), mengemukakan suatu konsep bahwa hubungan
struktur kimia dengan aktifitas biologis (log 1/C )suatu turunan senyawa
dapat dinyatakan secara kuantitatif melalui parameter-parameter sifat
UIN Syarif Hidayatullah Jakarta
fisika kimia dari subsituen yaitu parameter hidrofobik (π), elektronik (σ),
dan sterik (Es) yang terdapat pada molekul, yang dapat dinyatakan secara
matematis sebagai persamaan berikut:
Log A = aΣπ + bΣ σ + cΣ Es + d
Model pendekatan ini disebut juga model energy bebas linier
(linier
free
energy
relationship
=
LFER)
atau
pendekatan
ekstratermodinamik. (Siswandono, 2008)
2.4.1
Parameter Sifat Kimia Fisika dalam HKSA Model Hansch
Parameter sifat kimia fisika yang sering digunakan dalam HKSA
model Hansch adalah parameter hidrofobik, elektronik dan sterik. Pada
proses distribusi atau pengangkutan obat, penembusan membrane biologis
sangat dipengaruhi oleh kelarutan obat dalam lemak/air, suasana pH dan
derajat ionisasi (pKa) sehingga dalam hubungan kuantitatif struktur dan
aktifitas, parameter kimia fisika yang sering dilibatkan adalah parameter
hidrofobik dan elektronik. Pada proses distribusi obat pengaruh sifat
hidrofobik pada umumnya lebih besar dibanding sifat elektronik.
1. Parameter hidofobik
Parameter hidrofobik (lipofilik) yang sering digunakan dalam
HKSA antara lain adalah logaritma koefisien partisi (log P), logaritma
koefisien distribusi (log D), tetapan π Hansch, tetapan fragmentasi f
Rekker-Manhold dan tetapan kromatogram Rm.
a. Log P (koefisien partisi)
Koefisien partisi oktanol/air yang dinyatakan dalam log P
merupakan standar kuantitas untuk menentukan sifat hidrofobik/hidrofilik
suatu molekul. Parameter hidrofobik/hidrofilik adalah sifat yang sangat
penting dalam aplikasi biomedis. Sebagai contoh aplikasinya adalah untuk
memperkirakan distribusi obat dalam tubuh. Obat-obat yang bersifat
hidrofobik dengan koefisien partisi tinggi akan terdistribusi pada
kompartemen yang bersifat hidrofobik pula, misalnya lapisan lemak,
sedangkan obat-obat yang bersifat hidrofilik dengan koefisien partisi
rendah akan terdistribusi pada kompartemen hidrofilik, misalnya serum
darah (Fitri, 2008)
UIN Syarif Hidayatullah Jakarta
Nilai log P dalam oktanol/air merupakan rasio logaritma
konsentrasi zat terlarut dalam oktanol dengan konsentrasi zat terlarut
dalam air. Secara matematis dituliskan dalam persamaan dibawah
b. Log D (koefisien distribusi)
Dalam ilmu fisika koefisien partisi (P) dan koefisien distribusi (D)
adalah perbandingan konsentrasi suatu senyawa dalam dua fase yang tidak
dapat saling bersatu dalam kesetimbangan. Koefisien disini tidak sama
dengan kelarutan suatu senyawa dalam dua fase tersebut (Leo, dkk. 1971).
Biasanya salah satu fasenya merupakan air dan fase yang lainnya bersifat
hidrofobik yaitu oktanol (Sangster, 1997).
Koefisien distribusi adalah rasio seluruh bentuk konsentrasi suatu
senyawa (terion dan tak terion) pada dua fase (oktanol dan air). Untuk
menghitung koefisien distribusi suatu senyawa fase air dari pelarut
diberikan buffer agar dapat ditentukan nilai koefisien distribusi suatu
senyawa pada pH tertentu. Logaritma dari koefisien distribusi disebut juga
dengan Log D
2. Parameter elektronik
Ada tiga jenis sifat elektronik yang digunakan dalam HKSA model
Hansch, yaitu:
1. Pengaruh berbagai substituent terhadap reaktifitas bagian molekul
yang tidak mengalami perubahan.
2. Sifat elektronik yang berkaitan dengan tetapan ionisasi (pKa) dan
berhubungan dengan bentuk terionkan dan tak terionkan dari suatu
senyawa pada pH tertentu.
3. Sifat oksidasi-reduksi atau reaktifitas senyawa.
Parameter elektronik
yang digunakan pada penelitian ini
adalahCPSA (Charged Partial Surface Area). CPSA telah dikembangkan
UIN Syarif Hidayatullah Jakarta
sejak tahun 1990 sebagai percobaan untuk menggambarkan informasi
struktur dari suatu molekul yang membantu menjelaskan interaksi polar
intermolekul. Perhitungan CPSA mempertimbangkan muatan dari setiap
atom dan juga interaksi tiap atom pada pelarut. Konsep dari perhitungan
ini adalah bahwa interaksi polar terjadi karena adanya perbedaan muatan
antar molekul, dan interaksi ini akan dipengaruhi oleh atom-atom lain
yang berikatan dengan molekul tersebut. Apabila suatu set deskriptor
mampu menjelaskan jenis interaksi dari suatu molekul maka akurasi dari
prediksi suatu model HKSA dapat meningkat. 25 deskriptor telah di
perkenalkan dan menjelaskan muatan dan permukaan pada suatu molekul
dengan berbagai cara (Staton, dkk. 2002).
Semenjak diperkenalkan CPSA telah banyak dipergunakan dalam
berbagai pemodelan HKSA dalam berbagai aktivitas biologi. Kemampuan
dari deskriptor inilah yang membuatnya menjadi sangat menarik. Ketika
deskriptor lain hanya mampu mengambarkan interaksi polar CPSA juga
mampu menggambarkan interaksi hidrofobik yang penting dengan baik
pada suatu molekul (Staton, dkk. 2002).
a. PPSA
Merupakan total dari seluruh muatan positif pada permukaan atom
yang berinteraksi dengan pelarut
b. PNSA
Merupakan total dari seluruh muatan negative pada permukaan
atom yang berinteraksi dengan pelarut
3. Parameter sterik
Tetapan sterik substituent dapat diukur berdasarkan sifat meruah
gugus-gugus dan efek gugus pada kontak obat dengan sisi reseptor yang
berdekatan. (Siswandono, 2008). Parameter strerik yang digunakan pada
penelitian ini adalah indeks topologi
UIN Syarif Hidayatullah Jakarta
Pada hampir setiap kasus, para kimiawan lebih memilih untuk
menggunakan indeks topologi sebagai deskriptor molekular untuk
melakukan evaluasi terhadap toksisitas dan untuk memprediksi aktivitas
biologi. Hal ini karena indeks topologi menawarkan cara yang mudah
dalam pengukuran cabang molekul, bentuk, ukuran, siklisitas, simetri,
sentrisitas, dan kompleksitas (Devillers, 1997)
Indeks topologi menjelaskan bahwa suatu struktur kimia, disebut
sebagai grafik kimia, yaitu suatu model kimia yang digunakan untuk
menjelaskan sifat interaksi antara obyek-obyek kimia (atom, ikatan,
gugusan atom, molekul, pasangan molekul, dan sebagainya) (Fitri, 2008).
Suatu grafik G = G(V,E), oleh Ivanciuc dan Balaban (1998)
dijelaskan sebagai pasangan terurut yang terdiri dari dua buah himpunan V
= V(G) dan E = E(G). Unsur-unsur pada himpunan V(G) disebut vertices
(puncak) dan unsur-unsur pada himpunan E(G), termasuk hubungan biner
antara
puncak-puncak
disebut
edges
(tepi).
Jumlah
puncak
N
menggambarkan jumlah unsur-unsur pada V(G), N = |V(G)| dan jumlah
tepi M menggambarkan jumlah unsur-unsur pada E(G), M = |E(G)|.
Puncak-puncak suatu grafik diberi nama dari 1 sampai N, E(G) = (ν1, ν2,
..., νN), dan tepi yang menghubungkan puncak-puncak νi dan νj disebut
eij. Dua buah puncak νi dan νj pada grafik G disebut berdekatan atau
berbatasan bila terdapat tepi eij yang menyertainya.
a. Indeks Harary
Indeks Harary yang dinyatakan dengan H diturunkan dari
hubungan timbal balik (resiprokal) matriks jarak dan memiliki sejumlah
sifat-sifat yang menarik. Indeks ini berdasarkan pada dugaan para
kimiawan bahwa situs-situs yang terletak berjauhan dalam suatu struktur
seharusnya memiliki pengaruh yang lebih kecil antara satu dengan lainnya
daripada situs-situs yang letaknya berdekatan.
Indeks Harary H = H(G) pada grafik molekular G dengan puncak
N didefinisikan sebagai setengah dari jumlah diagonal unsur-unsur pada
matriks jarak resiprokal Dr = Dr(G) yang dituliskan pada persamaan
dibawah
UIN Syarif Hidayatullah Jakarta
r
Matriks jarak resiprokal D diperoleh dengan mengganti semua
diagonal unsur-unsur [D ] menjadi bentuk kebalikannya ditunjukkan pada
ij
persamaan dibawah
r
sehingga untuk diagonal (D ) bernilai nol (Lucic dkk., 2002)
ii
b. Indeks Randic
Indeks Randic atau indeks konektivitas molekular Randic sangat
mirip dengan indeks Zagreb, namun lebih dapat diterima dan digunakan
secara luas. Secara matematis dituliskan pada persamaan dibawah
Sesuai dengan definisi yang diberikan, maka semakin rapat grafik,
maka akan semakin rendah harga χ (Ivanciuc dan Balaban, 1998)
c. Indeks Wiener
Indeks Wiener atau Wiener number adalah indeks topologi suatu
molekul yang dihitung berdasarkan total jarak terpendek dari suatu
molekul yang mewakili atom selain hydrogen (Rouvray, 2002). Indeks
Wiener merupakan indeks topologi tertua yang digunakan dalam
memperhitungan
percabangan
suatu
molekul
(Todeschini,
2009).
Berdasarkan kesuksesan dari indeks Wiener ini dalam grafik kimia maka
dikembangkanlah indek- indeks topologi baru (Rouvray, 2002).
2.5.Deskriptor
Molekuler deskriptor adalah hasil dari logika dan matematika yang
mengubah informasi yang dikodekan dalam suatu molekul kemudian
direpresentasikan kedalam angka-angka yang berguna bagi penelitian
berikutnya, baik sebagai pengetahuan tentang molekul tersebut maupun
UIN Syarif Hidayatullah Jakarta
sebagai model untuk mempresiksi molekul lain. Molekuler deskriptor
diumpamakan sebagai naga dalam mitologi Babylon Istar yang sebenarnya
merupakan pencampuran beberapa hewan, masing-masing memiliki peran
sebagai bagian dari tubuh naga. Demikian halnya dengan molekuler
deskriptor memiliki beberapa arti yang berbeda tergantung pada titik
pandangnya (Todeschini, 2009).
Gambar 2.2 Naga dalam mitologi Babylon Istar diambil dari Molecular
Deskriptors for Chemoinformatics
2.6.Marvin Sketch
Marvin Sketch adalah sebuah aplikasi kimia untuk menggambar
struktur kimia, dan reaksi kimia serta menyimpannya dalam berbagai
format (MRV, CDX, SKC, SDF, RDF (V2000/V3000), RXN, MOL,
MOL2, SMILES, SMARTS, InChi, CML, FASTA, dll.). Marvin Sketch
mampu mengoreksi struktur kimia yang digambar baik secara 3D maupun
2D. Marvin Sketch merupakan aplikasi buatan ChemAxon dan
dikembangkan dengan java sehingga memerlukan Java Runtime
Environment (JRE) untuk berjalan. (ChemAxon 2015)
2.7.
SPSS (Statistikal Package and Service Solution)
SPSS merupakan software statistik yang pertama kali dibuat pada
tahun 1968 oleh tiga mahasiswa Stanford University, yakni Norman H.
Nie, C. Hadlai Hull, dan Dale H. Bent. Saat itu software dioperasikan pada
computer mainframe. Setelah penerbit terkenal menerbitkan user manual
SPSS, program tersebut menjadi popular. Pada tahun 1984 SPSS pertama
kali muncul dengan versi PC (bisa dipakai untuk komputer desktop)
UIN Syarif Hidayatullah Jakarta
dengan nama SPSS/PC+, dan sejalan dengan mulai populernya sistem
operasi Windows, pada tahun 1992 SPSS mengeluarkan versi Windows.
Pada mulanya SPSS ditujukan untuk penggunaan pengolahan data statistik
untuk ilmu social (SPSS adalah singkatan dari Statistikal Package for the
Social Science) namun seiring berkembangnya kerjasama dengan berbagai
software house maka kini SPSS memperluas pelayanannya untuk berbagai
jenis pengguna, seperti untuk proses produksi di pabrik, riset ilmu-ilmu
sains dan lainnya. Kini kepanjangan dari SPSS adalah Statistikal Product
and Service Solutions (Santoso, 2008)
2.8.
Ligand Scout
Ligand Scout adalah perangkat lunak yang memungkinkan
penggunanya untuk melakukan pemodelan farmakofor secara 3D dari
kompleks ligand dan protein, atau dari training set dan test set dari
senyawa organic. Ligand Scout mampu menjelaskan fitur-fitur pada
struktur kimia 3D (seperti pendonor dan aseptor ikatan hidrogen, daerah
yang bersifat lipofil, serta grup yang memiliki sifat positif dan negative)
yang menggambarkan interaksi ligand dan situs tambat disekelilingnya
(makromolekul) (Wolber 2005). Ligand Scout juga mampu mensejajarkan
farmakofor dari ligan tersebut pada senyawa yang memiliki gugus
kromofor yang mirip (Wolber 2005). Pada tiap senyawa yang disejajarkan
dapat disisipkan gugus kromofor tambahan yang mampu memberi andil
pada interaksi antara ligand dan protein (makromolekul). Software ini
telah sukses digunakan dalam memprediksi senyawa penuntun dalam
desain obat contohnya ialah prediksi aktivitas biologi senyawa baru
terhadap inhibitor HIV reverse transcriptase. (Barecca 2007).
2.9.Open Babel
Open Babel adalah perangkat lunak untuk mengubah beberapa
format berkas kimia. Selain itu, perangkat ini menyediakan berbagai
fungsi berguna yaitu pencarian konformer dan penggambaran 2D,
penapisan, konversi batch, dan pencarian substruktur dan kemiripan. Open
Babel mendukung 111 format berkas kimia, yang dapat membaca 82
UIN Syarif Hidayatullah Jakarta
format dan menulis 85 format. Perangkat ini tersedia secara gratis dari
http://openbabel.org (O’Boyle, dkk., 2011).
2.10. CDK Deskriptor
CDK adalah perpustakaan Java yang mendukung berbagai
informasi kimia mulai dari membaca berbagai macam format file molekul
hingga pembacaan molecular deskriptor. CDK mampu menghitung
molecular deskriptor secara topologi, geometri, Charge, dan secara
konstitusional. Keunggulan dari CDK adalah mampu secara otomatis
mengklasifikasikan deskriptor, pengguna dapat memilih deskriptor mana
yang akan digunakan, output dari aplikasi ini dapat berupa .xls sehingga
memudahkan dalam pengolahan data (Guha, 2014)
2.11. PubChem
PubChem
(http://PubChem.ncbi.nlm.nih.gov)
adalah
gudang
informasi molekuler untuk umum, sebuah karya ilmiah dari Institut
Kesehatan Nasional Amerika (US National Institutes of Health / NIH).
Basis data PubChem memiliki lebih dari 27 juta catatan struktur kimia
khusus dari senyawa yang berasal dari hampir 70 juta senyawa endapan,
dan berisi lebih dari 449.000 catatan bioassay dengan lebih dari ribuan
biokimia in vitro dan skrining berbasis sel, dengan menargetkan lebih dari
7000 protein dan gen yang terhubung dengan lebih dari 1,8 juta senyawa
(Xie, 2010). Pada situs PubChem ini dapat diunduh struktur kimia dari
suatu senyawa yang telah dilakukan pengujian bioassay secara gratis.
UIN Syarif Hidayatullah Jakarta
BAB III
METODOLOGI PENELITIAN
3.1
Tempat dan Waktu Penelitian
Penelitian dilaksanakan di Fakultas Kedokteran dan Ilmu
Kesehatan Universitas Islam Negeri Syarif Hidayatullah dan di Lembaga
Ilmu Pengetahuan Indonesia (LIPI) Serpong selama bulan Mei hingga Juli
2015
3.2
Alat
3.2.1
Perangkat Keras
Notebook Samsung (300E4C) dengan spesifikasi Intel ® Celeron ®
CPU B820 @1,7 GHz, RAM (Random Access Memory) 4 gigabyte, dan
Graphic Card (NVIDIA Optimus Ge Force 610M).
3.2.2
Perangkat Lunak
Windows 7 Ultimate 32 bit, Marvin sketch, CDK Deskriptor
Calculator 1.3.4, Marvin Sketch, SPSS 16, Open Babel GUI 2.3.2, Sigma
Plot 12.0, Microsoft Office Excel 2010, Java ™, Protein Data Bank
(www.pdb.org), PubChem (http://PubChem.ncbi.nlm.nih.gov), Ligand
Scout
3.1.2
trial.
www.libgen.org.
PubMed
(http://www.ncbi.nlm.nih.gov/pubmed)
3.3
Bahan
Senyawa-senyawa turunan asam sinamat dalam format 3D (.mol)
(Terlampir)
3.4
Prosedur Kerja
3.4.1
Pengumpulan Data
Dilakukan dengan mencari senyawa-senyawa turunan asam
sinamat yang telah diujikan secara invitro terhadap sel p388 dan sudah
23
UIN Syarif Hidayatullah Jakarta
diketahui IC50 dari senyawa tersebut. Pencarian dilakukan melalui
PubChem Bioassay (http://PubChem.ncbi.nlm.nih.gov)
3.4.2
Pemilihan Deskriptor dan Perhitungan Deskriptor
Deskriptor yang dipilih adalah CPSA (PPSA1 dan PNSA1) untuk
parameter elektronik, dan log D dan log P untuk mewakili parameter
hidrofobik, serta indeks topologi (indeks Randic, indeks harari dan indeks
Wiener) untuk parameter sterik.
Perhitungan deskriptor berupa CPSA, indeks Wiener dan log P
dilakukan menggunakan aplikasi CDK deskriptor dan input yang
digunakan adalah .mol serta outputnya berupa .xls. sedengkan untuk
indeks Harary dan indeks Randic akan di hitung menggunakan marvin
sketch kemudian nilai deskriptor yang telah didapat disatukan dalam
Microsoft office excel.
3.4.4
Pembagian Data dan Penghilangan Outlier
Data yang telah didapatkan kemudian dibagi menjadi dua
kelompok data yaitu training set, dan test set. Training set yang digunakan
sebanyak 23 Senyawa dan test set yang digunakan sebanyak 8 Senyawa.
Penghilangan outlier dilakukan dengan menggunakan Ligand
Scout trial dengan membandingkan gugus kromofor yang terdapat pada
senyawa-senyawa yang didapatkan. Dari data yang didapat hanya 31 yang
digunakan sebagai model persamaan HKSA karena terdapat beberapa
senyawa outlier
3.4.6
Pembuatan Model Persamaan Hubungan Kuantitatif Struktur Aktivitas
Model persamaan dibuat menggunakan SPSS 16 dengan varieabel
dependent adalah Log 1/IC50 (aktivitas) dan variable independent berupa
log D, log P, PPSA1, PNSA1, indeks Harary, indeks randiks, dan indeks
Wiener.
UIN Syarif Hidayatullah Jakarta
3.4.7
Validasi Model HKSA
Validasi dilakukan dengan beberapa parameter statistik yaitu
koefisien korelasi (r), koefisien determinasi (r2), Adjusted r2, standard of
error (SE), Fhitung/Ftabel, prediction residual error sum of square (PRESS),
dan root mean square deviation (RMSD). Untuk menentukan nilai PRESS
(Prediction Error Sum Of Square) dilakukan dengan mengurangi hasil
Log 1/IC50 dari persamaan dengan Log 1/IC50 dari penelitian yang telah
dikakukan kemudian menjumlah seluruh simpangannya, dan RMSD (Root
Mean Square Deviation) dengan mengurangi hasil Log 1/IC50 dari
persamaan dengan Log 1/IC50 dari penelitian yang telah dikakukan,
kemudian merata-ratakan (menjumlah seluruhnya dan membagi pada
jumlah test set yang digunakan) kemudian dilakukan pengakar kuadratan
terhadap rata-rata yang telah didapatkan.
3.4.6
Pengujian Aktivitas senyawa turunan asam sinamat lain
Senyawa turunan asam sinamat digambar menggunakan Marvin
Sketch kemudian disimpan dalam format .mol dan dihitung deskriptornya.
Untuk deskriptor indeks Harary dan indeks Randic serta log D dihitung
menggunakan Marvin Sketch sedangkan CPSA, indeks Wiener, dan log P
dihitung menggunakan CDK deskriptor. Kemudian deskriptor yang
didapatkan dimasukkan ke dalam model persamaan yang telah didapatkan.
UIN Syarif Hidayatullah Jakarta
BAB 4
HASIL DAN PEMBAHASAN
4.1.
Pengumpulan Data Set
Data set senyawa turunan asam sinamat dikumpulkan dari 2
sumber yang berbeda yaitu: dari pubchem bioassay sebanyak 22 senyawa
dan dari kumpulan beberapa jurnal serta hasil penelitian Lembaga Ilmu
Pengetahuan Indonesia (LIPI) sebanyak 12 senyawa. Seluruh senyawa
kemudian disimpan dalam bentuk tiga dimensi yaitu (.mol). Data set yang
didapat dari jurnal dan dari penelitian LIPI terdahulu di gambar dengan
menggunakan MarvinSketch kemudian disimpan. Sedangkan data set
yang didapat dari pubchem bioassay didownload dalam format .sdf
kemudian di ubah menjadi format .mol menggunakan Open Babel GUI.
Gambar 4.1 pembuatan struktur asam sinamat menggunakan Marvin Sketch dan
download data set dari pubchem bioassay
26
UIN Syarif Hidayatullah Jakarta
Dasar dari pemilihan data set ialah senyawa-senyawa turunan asam
sinamat yang digunakan harus memiliki kesamaan baik metode pada
pengujian in vitronya yaitu terhadap sel p388, begitu juga dengan kontrol
positifnya. Selain itu data set yang digunakan harus memiliki nilai
aktivitas berupa IC50 baik dalam satuan µM maupun dalam satuan µg/mL.
untuk data set yang memiliki aktivitas berupa µg/mL harus dirubah
menjadi µM agar seluruh satuan dari data set sama.
Tabel 4.1 struktur dan aktivitas data set
Struktur
Kode
S1
IC 50
Referen
(µM)
Log
1/IC50
0.0231
1.637
Firdaus,
si
dkk
2012
Piperidil para kumaramida
S2
0.0432
1.364
Teni,
dkk
2014
metil 2- cinnamido-3- hidroksi propanoat
S3
0.107
0.9699
Firdaus,
dkk
2012
N,N dietil para kumaramida
UIN Syarif Hidayatullah Jakarta
S4
0.2609
0.5834
Firdaus,
dkk
2012
N propil para kumaramida
S5
0.8639
0.0634
Dimmo
ck, dkk
1998
(E)-3-(2,5-difluorophenyl)-1-(4
hydroxyphenyl)prop-2-en-1-one
S6
2.2296
-0.3482
LIPI
phenyl (2E)‐3‐phenylprop‐2‐enoate
UIN Syarif Hidayatullah Jakarta
S7
2.490
-0.3962
Dimmo
ck, dkk
1998
(2E)‐1‐(4‐hydroxyphenyl)‐3‐[4‐
(trifluoromethyl)phenyl]prop‐2‐en‐1‐one
S8
2.82
-0.4502
Dimmo
ck, dkk
1998
E)-3-(3-chlorophenyl)-1-(4hydroxyphenyl)prop-2-en-1-one
S9
3.107
-0.4923
Dimmo
ck, dkk
1998
(E)-1-(4-hydroxyphenyl)-3-phenylprop 2
en-1-one
UIN Syarif Hidayatullah Jakarta
S10
3.170
-0.5010
Dimmo
ck, dkk
1998
(E)-3-(2,6-dichlorophenyl)-1-(4
hydroxyphenyl)prop-2-en-1-one
S11
3.6701
-0.5646
Dimmo
ck, dkk
1998
(E)-3-(4-chlorophenyl)-1-(4-hydroxyphenyl)prop2-en-1-one
S12
5.514
-0.7414
Dimmo
ck, dkk
1998
(E)-3-(4-bromophenyl)-1-(4-hydroxyphenyl)prop2-en-1-one
UIN Syarif Hidayatullah Jakarta
S13
6.8502
-0.8357
Dimmo
ck, dkk
1998
(E)-3-(2-chlorophenyl)-1-(4-hydroxyphenyl)prop2-en-1-one
S14
7.8901
-0.8970
Dimmo
ck, dkk
1998
(E)-3-(2,4-dichlorophenyl)-1-(4hydroxyphenyl)prop-2-en-1-one
S15
8.5301
-0.9309
Dimmo
ck, dkk
1998
(E)-1-(3,4-dichlorophenyl)-3-(4hydroxyphenyl)prop-2-en-1-one
UIN Syarif Hidayatullah Jakarta
S16
8.55
-0.9319
Dimmo
ck, dkk
1998
(E)-3-(4-fluorophenyl)-1-(4-hydroxyphenyl)prop2-en-1-one
S17
8.7
-0.9395
Dimmo
ck, dkk
1998
(E)-1-(4-hydroxyphenyl)-3-(4methoxyphenyl)prop-2-en-1-one
S18
8.830
-0.9459
Dimmo
ck, dkk
1998
(2E,4E)-1-(4-hydroxyphenyl)-5-phenylpenta-2,4dien-1-one
UIN Syarif Hidayatullah Jakarta
S19
9.6302
-0.9836
Dimmo
ck, dkk
1998
(E)-1,3-diphenylprop-2-en-1-one
S20
11.700
-1.0681
Dimmo
ck, dkk
1998
(E)-3-(3,4-dichlorophenyl)-1-(4hydroxyphenyl)prop-2-en-1-one
S21
12.9
-1.110
Dimmo
ck, dkk
1998
(E)-1-(4-bromophenyl)-3-(4-hydroxyphenyl)prop2-en-1-one
UIN Syarif Hidayatullah Jakarta
S22
13.140
1
-1.1185
Dimmo
ck, dkk
1998
(E)-1-(4-hydroxyphenyl)-3-(4-nitrophenyl)prop-2en-1-one
S23
14.300
2
-1.1553
Dimmo
ck, dkk
1998
(E)-3-(4-hydroxyphenyl)-1-phenylprop-2-en-1-one
S24
16.649
-1.2214
Dimmo
ck, dkk
1998
(E)-3-(4-bromophenyl)-1-(4-hydroxyphenyl)prop2-en-1-one
UIN Syarif Hidayatullah Jakarta
S25
38.517
-1.5856
LIPI
S26
44.779
-1.6510
LIPI
S27
72.995
-1.8632
LIPI
methyl
(2E)‐3‐(4‐nitrophenyl)prop‐2‐enoate
Cinnamaldehid
2‐methylpropyl
(2E)‐3‐phenylprop‐2‐enoate
UIN Syarif Hidayatullah Jakarta
S28
96.494
-1.9845
LIPI
S29
125.47
7
-2.0985
LIPI
S30
134.08
6
-2.1273
LIPI
S31
329.73
3
-2.5181
LIPI
Butil sinamat
Metil sinamat
methyl
(2E)‐3‐(2‐nitrophenyl)prop‐2‐enoate
Asam sinamat
UIN Syarif Hidayatullah Jakarta
S32
10.207
-1.0088
Dimmo
ck, dkk
1998
4‐[(2E)‐3‐(4‐methoxyphenyl)prop‐2‐enoy
l]phenyl (2E)‐3‐phenylprop‐2‐enoate
S33
3.827
-0.5828
Dimmo
ck, dkk
1998
4‐[(2E)‐3‐(4‐chlorophenyl)prop‐2‐enoyl]
phenyl (2E)‐3‐ phenylprop‐2‐enoate
UIN Syarif Hidayatullah Jakarta
S34
4.624
-0.6649
Dimmo
ck, dkk
1998
4‐[(2E)‐3‐phenylprop‐2‐enoyl]phenyl
(2E)‐3‐ phenylprop‐2‐enoate
Catatan: Untuk mempermudah input data, nama senyawa selanjutnya akan
digantikan oleh kode senyawa
4.2.
Pemilihan Deskriptor
Penelitian ini menggunakan tiga buah deskriptor yang terdiri dari
deskriptor hidrofobik, sterik, dan elektronik. Deskriptor hidrofobik berupa
log P, dan log D, deskriptor sterik terdiri dari indeks Harary, indeks
Randic, dan Indeks Wiener, serta deskriptor elektronik yaitu PPSA1 dan
PNSA1 sehingga total deskriptor yang digunakan adalah 8 buah.
4.2.1. Deskriptor Hidrofobik
1. Log P
Tabel 4.2 Data aktivitas, log p dan log D dari 23 senyawa turunan asam
sinamat
Kode
Log 1/IC 50
Log D
Log P
S1
1.636
2.32
-0.4698
S2
1.364
0.7
0.3395
S4
0.5834
2.12
0.1459
S5
0.0634
3.75
1.7694
S7
-0.3962
4.34
2.8523
S8
-0.4502
4.07
2.3185
UIN Syarif Hidayatullah Jakarta
S9
-0.4923
3.46
1.9498
S10
-0.5010
4.67
2.6872
S13
-0.8357
4.07
2.3185
S14
-0.8970
4.67
2.6872
S15
-0.9309
4.79
2.6872
S17
-0.9395
3.3
1.4512
S18
-0.9459
3.99
2.4176
S19
-0.9836
3.89
2.5129
S20
-1.0681
4.67
2.6872
S22
-1.1185
3.4
2.1631
S23
-1.1553
3.58
1.9498
S24
-1.2214
4.23
2.4025
S25
-1.5856
2.46
1.7934
S27
-1.8633
3.76
2.0623
S28
-1.9845
3.84
0.9647
S29
-2.0985
2.52
1.5801
S31
-2.5181
-0.67
1.3291
Nilai log P dari 23 senyawa turunan asam sinamat berkisar antara 0,469 sampai dengan 2,825. Nilai log P berkaitan dengan distribusi obat
dalam tubuh. Semakin positif nilai log P senyawa akan cenderung berada
pada fase non polar daripada fase polar, sedangkan semakin negatif nilai
log P senyawa akan cenderung berada pada fase polar daripada fase non
polar, yang berarti senyawa tersebut hanya larut dalam cairan tubuh saja
dan sulit untuk menembus membran biologis sehingga tidak dapat
berikatan dengan reseptor.
Senyawa dengan nilai log P paling besar adalah senyawa dengan
kode S7 (2,825), hal ini terjadi karena pada senyawa ini terdapat 3 buah
UIN Syarif Hidayatullah Jakarta
halogen yaitu fluor (F) yang bersifat nonpolar, selain itu pada senyawa ini
terdapat gugus benzene yang juga bersifat nonpolar sehingga nilai dari log
P senyawa ini lebih tinggi dibandingkan dengan senyawa lainnya.
Senyawa dengan nilai log P paling kecil adalah senyawa dengan kode S1
(-0,469) kemungkinan hal ini terjadi karena adanya gugus amida. Dari
nilai ini dapat dilihat bahwa senyawa dengan kode S7 merupakan senyawa
yang lebih cenderung berada pada fase nonpolar sedangkan senyawa
dengan kode S1 memiliki kecenderungan untuk berada pada fase polar.
Gambar 4.2 senyawa dengan kode S1 dan S7
2. Log D
Deskriptor hidrofobik yang digunakan dalam penelitian ini adalah
log D (koefisien distribusi) hal ini dilakukan karena pada data set terdapat
senyawa- senyawa yang bersifat terion. Pada dasarnya perhitungan
koefisien partisi dibagi menjadi beberapa cara diantaranya adalah:
1. Berdasarkan atomik
Perhitungan berdasarkan atomic cukup baik dan banyak digunakan
karena perhitungannya didasarkan pada elemen-elemen umum
yang digunakan dalam pembuatan obat (oksigen, nitrogen,
hydrogen, carbon, sulfur, dan halogen) (Cheng dkk. 2007)
2. Berdasarkan fragmen
Perhitungan berdasarkan fragmen mampu memberikan hasil
prediksi yang lebih baik dibandingkan dengan berdasarkan atomic
UIN Syarif Hidayatullah Jakarta
akan tetapi tidak dapat digunakan untuk molekul dengan gugus
fungsi yang tidak umum (Leo, 1995)
Dalam HKSA log P mampu memberikan hasil prediksi yang baik
tetapi pada lingkungan yang terion dan senyawa-senyawa yang terion
penggunaan logD (koefisien distribusi) akan lebih akurat.
4.2.2. Deskriptor Elektronik
Dalam penelitian ini deskriptor yang digunakan pada parameter
elektronik adalah CPSA (Charge Partial Surface Area) dari 29 deskriptor
CPSA yang mampu dihitung menggunakan CDK deskriptor kalkulator
hanya PPSA1 dan PNSA1 saja yang digunakan dalam penelitian ini.
Pemilihan deskriptor ini dilakukan karena kedua deskriptor tersebut telah
terbukti memiliki korelasi yang baik berdasarkan penelitian yang telah
dilakukan oleh Staton, dkk. 2002. CPSA juga mampu membedakan antara
agonis dan antagonis pada senyawa yang berikatan dengan reseptor
estrogen. Dalam hal interaksi nonkovalen CPSA juga mampu untuk
menggantikan energy LUMO (Lowest Occupied Molecular Orbitals)
untuk menggambarkan sifat elektrofilitas local dan global suatu senyawa.
(Staton dkk. 2002)
Secara statistik PPSA1 dan PNSA1 memiliki korelasi yang kurang
baik terhadap aktivitas antikanker sehingga, akan tetapi deskriptor ini
memiliki kepekaan yang lebih baik dibandingkan dengan deskriptor indeks
topologi hal ini terlihat pada senyawa dengan kode S20 dan S14 dengan
struktur yang tersusun oleh atom-atom yang sama PPSA1 dan PNSA1
mampu memberikan hasil yang berbeda tidak seperti hasil yang didapat
pada indeks topologi khususnya indeks Randic.
UIN Syarif Hidayatullah Jakarta
Gambar 4.3 Struktur senyawa dengan kode S14 dan S20
4.2.3. Deskriptor Sterik
Deskriptor dari parameter sterik yang digunakan adalah indeks
topologi (indeks Wiener, indeks Harary, dan indeks Randic). Pemelihan
indeks Harary dan indeks Wiener adalah karena kesederhanaan dalam
perhitungannya sehingga lebih dapat diterima selain itu ketiga deskriptor
ini telah banyak digunakan dalam penelitian HKSA.
Tabel 4.3 data deskriptor sterik
Kode
S1
Indeks Indeks WPATH
Harary Radix
49.24
15.07
594
WPOL
21
S2
51.93
14.76
709
22
S4
39.15
13.36
446
16
S5
58.74
13.38
784
26
S7
67.25
14.59
1092
29
S8
53.76
13.38
691
23
S9
49.28
13.38
592
21
S10
59.09
13.38
772
27
S13
54.06
13.38
680
24
S14
58.58
13.38
794
26
S15
58.34
13.38
802
26
UIN Syarif Hidayatullah Jakarta
S17
57.62
15.06
830
25
S18
56.34
15.2
874
23
S19
45.05
12.84
496
19
S20
58.37
13.38
804
26
S22
62.18
14.29
960
27
S23
49.24
13.38
594
21
S24
53.55
13.38
702
23
S25
40
10.79
428
18
S27
39.04
13.63
446
15
S28
38.57
13.63
458
15
S29
28.46
9.88
226
12
S31
25.1
8.73
174
10
Dari tabel 4.2 dapat terlihat bahwa senyawa yang memiliki struktur
yang besar akan memberikan nilai indeks Harary, indeks Randic dan
indeks Wiener yang besar pula hal ini terjadi karena molekul dengan
keruahan yang besar akan memberikan nilai indeks topologi yang juga
besar, selain itu perhitungan indeks topologi didasarkan pada perhitungan
bahwa atom dipandang sebagai puncak (atom) dan sebagai tepian (ikatan).
Berdasarkan hal tersebut maka dapat diasumsikan bahwa semakin banyak
atom penyusun dari suatu molekul maka nilai dari indeks topologi molekul
tersebut akan semakin besar juga.
Terdapat beberapa senyawa yang memiliki nilai indeks topologi
yang sama, hal ini menunjukan bahwa deskriptor indeks topologi kurang
peka terhadap adanya perubahan posisi ikatan dari suatu atom. Semakin
banyak yang sama nilai dari deskriptor tersebut menunjukan bahwa
deskriptor tersebut semakin kurang peka. Dilihat dari banyaknya
kesamaan nilai deskriptor yang dihasilkan maka indeks randiks merupakan
UIN Syarif Hidayatullah Jakarta
indeks yang paling kurang peka dibandingkan dengan indeks topologi
yang lain.
Tabel 4.4 korelasi setiap deskriptor terhadap aktivitas
Secara statistik indeks topologi memiliki korelasi yang baik
terhadap aktivitas antikanker terhadap sel p388. Korelasi antara aktivitas
antikanker dengan indeks Harary (0,417), Randic (0,604) dan Wiener
(WPATH 0,370, dan WPOL 0,405). Dari gambar 4.3 terlihat bahwa
semakin besar nilai deskriptor sterik akan meningkatkan aktivitas turunan
asam sinamat
Indeks
Harary
Aktivitas (log1/IC50)
Gambar 4.4 kurva hubungan indeks Harary terhadap kenaikan aktivitas turunan
asam sinamat
UIN Syarif Hidayatullah Jakarta
4.3.
Penghilangan Outlier
Gambar 4.5 Pensejajaran (alignment) beberapa data set terhadap asam
Sinamat, dan Pensejajaran (alignment) senyawa dengan kode S32, S33, dan S34
(outlier) terhadap asam sinamat
Gambar 4.6 Senyawa dengan kode S33, S32, dan S34 berturut-turut dari kiri
kekanan
Dari gambar 4.4 Dapat dilihat bahwa senyawa dengan kode S32,
S33, dan S34 memiliki konformasi yang berbeda jauh dari asam sinamat
sebagai senyawa penuntun. Selain itu juga terlihat bahwa senyawa dengan
kode S32, S33, dan S34 memiliki gugus kromofor yang berbeda dengan
asam sinamat hal ini menunjukan bahwa ketiga senyawa tersebut dapat
dikatakan bukan merupakan turunan dari asam sinamat atau outlier.
UIN Syarif Hidayatullah Jakarta
Karena ketiga senyawa tersebut merupakan outlier maka dalam
pembentukan model persamaan HKSA ketiga senyawa tersebut tidak
digunakan.
4.4.
Pembagian Data Set
Dari seluruh data set yang didapatkan sebanyak 31 senyawa
dengan aktivitas berupa IC50 data set dibagi menjadi 2 bagian yaitu:
training set, dan test set. training set yang digunakan sebanyak 75% (23
senyawa) dan test set yang digunakan sebanyak 25% (8 senyawa).
Tabel 4.5 data set berdasarkan aktivitas yang tinggi hingga rendah
Log 1/IC50
Kode
IC 50 µM
S1
0.0231
1.637
S2
0.0432
1.364
S3
0.1071
0.9699
S4
0.2609
0.5834
S5
0.8639
0.0634
S6
2.2296
-0.3482
S7
2.4900
-0.3962
S8
2.82
-0.4502
S9
3.1068
-0.4923
S10
3.1700
-0.5010
S11
3.6701
-0.5646
S12
5.5142
-0.7414
S13
6.8502
-0.8357
S14
7.8901
-0.8970
S15
8.5301
-0.9309
S16
8.5501
-0.9319
S17
8.7
-0.9395
S18
8.8300
-0.9459
UIN Syarif Hidayatullah Jakarta
S19
9.6302
-0.9836
S20
11.7001
-1.0681
S21
12.9
-1.110
S22
13.1401
-1.1185
S23
14.300
-1.1553
S24
16.649
-1.2214
S25
38.517
-1.5856
S26
44.779
-1.6510
S27
72.995
-1.8632
S28
96.494
-1.9845
S29
125.477
-2.0985
S30
134.086
-2.1273
S31
329.733
-2.5181
Catatan: warna merah=aktivitas tinggi, warna kuning=aktivitas sedang, dan
hijau=aktivitas rendah
Pembagian data set dilakukan dengan cara mengurutkan seluruh
senyawa berdasarkan aktivitasnya dari yang terbesar hingga yang terkecil.
Setelah diurutkan berdasarkan aktivitasnya data set kemudian dibagi
menjadi tiga yaitu: senyawa dengan aktvitas tinggi, sedang, dan rendah.
Senyawa yang digunakan sebagai test set diambil 2 senyawa dari yang
memiliki aktivitas tinggi, dan masing-masing 3 senyawa dari yang
memiliki aktivitas sedang dan rendah.
Pembagian data set dilakukan secara random karena menurut
Martin dkk 2012 model persamaan HKSA dengan pembagian data set
secara random memiliki kemampuan memrediksi yang sama dengan
pembagian data set yang dilakukan secara sistematis.
4.5.
Model Persamaan (Hubungan Kuantitatif Struktur Aktifitas) HKSA
Model persamaan HKSA dibentuk menggunakan SPSS dengan
metode MLR (Multiple Linear Regresion) dengan metode enter kemudian
dibuat dua buah model persaman. Satu persamaan dibuat dengan
UIN Syarif Hidayatullah Jakarta
menggunakan log D sebagai deskriptor hidrofobik. Persamaan yang lain
dibuat dengan menggunakan log P. Kemudian kedua persamaan tersebut
dibandingkan dengan menggunakan parameter statistik dan ditentukan
model persamaan manakah yang lebih baik secara statistik.
SPSS dipilih dalam penelitian ini karena fakta menunjukan bahwa
SPSS adalah software statistik terpopuler didunia, termasuk di Indonesia.
SPSS mampu memecahkan permasalahan statistik dari yang sederhana
hingga yang cukup kompleks seperti multivariate (MLR). Keunggulan dari
SPSS adalah tampilannya yang sudah menyerupai Microsoft Excel dan
tampilan grafis yang lebih baik, selain itu SPSS sangat memudahkan
pengguna dan lebih simple dibandingkan dengan Minitab yang
mengharuskan pengguna membuka banyak window (Santoso, 2010).
Analisis MLR melibatkan dua buah variabel, yaitu variabel bebas
dan variabel tergantung. Variabel bebas berupa deskriptor-deskriptor yang
telah dihitung (Log D, Log P, PPSA1, PNSA1, indeks Harary, indeks
Randic, dan indeks Wiener). Variabel tergantung berupa aktivitas
antikanker terhadap sel p388 (log 1/IC50) pada masing-masing senyawa
turunan asam sinamat (31 senyawa). Analisis multilinear dilakukan
dengan menggunakan metode enter.
Persamaan 1 menggunakan log P
Log1/IC50= -4,793 + (-0,983 logP) + (-0,00898 PPSA) + (-0,00138 PNSA)
+ 0,378 Harary + 0,191 Randic + (-0,008705 WPATH) + (-0,3247 WPOL)
Persamaan 2 menggunakan log D
Log1/IC50= -9,555 + (-0,459 logD) + (-0,0063 PPSA) + (-0,00114 PNSA)
+ 0.000491 Harary + 0.838 Randic + (-0,00808 WPATH) + (0,306
WPOL)
Berdasakan konstanta yang terdapat pada kedua persamaan diatas
terlihat bahwa deskriptor indeks topologi, dan deskriptor hidrofobik
merupakan deskriptor yang paling berpengaruh. Pada persamaan
menggunakan log P deskriptor yang paling berpengaruh ialah log P, dan
indeks Harary hal ini terjadi karena kedua deskriptor inilah yang memiliki
nilai konstanta paling besar (-0,983, 0,378). Jika konstanta yang dihasilkan
UIN Syarif Hidayatullah Jakarta
bernilai negatif maka pengaruh dari deskriptor tersebut bertolak belakang
terhadap aktivitas (semakin besar nilai dari deskriptornya maka
aktivitasnya akan semakin rendah). Dari persamaan yang dihasilkan
disimpulkan bahwa semakin polar (semakin kecil nilai deskriptor) dari log
P maka aktivitas dari senyawa tersebut akan semakin besar. Pada model
persamaan yang menggunakan log D deskriptor yang paling berpengaruh
adalah log D, indeks Randic, indeks Harary dan indeks Wiener (WPOL).
4.6.
Hasil Validasi Model Persamaan HKSA
Validasi persamaan HKSA dengan menggunakan beberapa
parameter statistik yang sudah umum digunakan yaitu: koefisien korelasi
(r), koefisien determinasi (r2), Adjusted r2, standard of error (SE),
Fhitung/Ftabel, prediction residual error sum of square (PRESS), dan root
mean square deviation (RMSD). Untuk nilai SE, dan PRESS, dan RMSD
harus sekecil mungkin (mendekati nol). Dan untuk nilai dari Fhitung/Ftabel
harus lebih dari 1 agar persamaan HKSA dapat diterima seluruh parameter
tersebut harus terpenuhi.
Nilai r menunjukan tingkat hubungan antara data aktivitas biologis
pengamatan percobaan dengan data hasil perhitungan berdasarkan
persamaan yang diperoleh dari analisis regresi. Koefisien korelasi
dinyatakan dalam angka 0 sampai 1. Semakin besar nilai koefisien korelasi
(mendekati 1) maka hubungan aktivitas prediksi dan percobaan akan
semakin baik. Dalam koefisien korelasi semakin banyak jumlah data yang
digunakan maka syarat nilai r yang dapat diterima akan semakin rendah.
Dalam HKSA nilai r yang baik adalah yang lebih besar dari 0,9.
(Siswandono, 2008)
Nilai r square menunjukan berapa % aktivitas biologis dapat
dijelaskan hubungannya dengan parameter sifat fisika kimia yang
digunakan (Siswandono, 2008). Dalam HKSA nilai r square yang baik
adalah yang lebih dari 0,8 atau mendekati 1.
Nilai F menunjukan kemaknaan hubungan bila dibandingkan
dengan tabel F. makin besar nilai F makin besar juga derajat
kemaknaannya. Nilai F adalah indicator yang menunjukan bahwa
UIN Syarif Hidayatullah Jakarta
hubungan yang dinyatakan oleh persamaan adalah benar dan bukan
kebetulan. Semakin tinggi nilai F maka akan semakin kecil kemungkinan
hubungan tersebut adalah karena kebetulan. Nilai SE, RMSD, dan PRESS
belum ada standar bakunya akan tetapi semakin kecil nilai dari ketiga
parameter ini maka akan semakin baik pula kualitas dari persamaan HKSA
yang dibentuk.
Tabel 4.6 1. parameter statistik model menggunakan log P, 2. Parameter statistik
model HKSA menggunakan Log D
Model
R
R Square
1
0.922
Model
R
2
0.881
0.851
R Square
0.776
Adjusted R
Square
Std. Error of the
Estimate
0.781
Adjusted R
Square
0.468
Std. Error of the
Estimate
0.672
0.574
Fhitung/
Ftabel
4.520
Fhitung/
Ftabel
PRESS
3.2919
PRESS
2.741
4.951
Dari tabel 4.5 dapat dilihat bahwa model yang dibangun dengan
menggunakan log D masih belum cukup untuk dapat diterima sebagai
model persamaan HKSA hal ini terlihat dari nilai r yang kurang dari 0,9
dan r square yang kurang dari 0,8 serta nilai RMSD dan nilai SE yang
lebih besar dari model persamaan HKSA yang dibangun dengan
menggunakan log P.
Log (1/IC50)
prediksi
Log (1/IC50) eksperimen
Gambar 4.6 Grafik korelasi aktivitas (log1/IC50) prediksi dan eksperimen pada 23
senyawa turunan asam sinamat
UIN Syarif Hidayatullah Jakarta
RMSD
1.15972
RMSD
1.329
Dari gambar 4.5 dapat dilihat korelasi antara aktivitas prediksi dan
eksperimen yang memiliki slope mendekati 1 ini menunjukan bahwa
model persamaan yang dibuat mampu memberikan nilai prediksi yang
cukup tinggi
4.7.
Pengujian Aktifitas Sampel Set
Tabel 4.7 Hasil prediksi sampel set menggunakan model persamaan
HKSA dengan log P
NO
SENYAWA
Kode
IC 50
µM
Log 1/IC 50
Log P
Harary
1
O
U1
4.29
-0.63267
2.3034
62.59
U2
18.38
-1.26439
2.5544
67.18
U3
70.59
-1.84878
2.3034
61.35
U4
574.18
-2.75905
2.5544
65.65
O
COOH
2-(3-Phenyl-acryloyloxy)-benzoic acid
2
O
O
COOCH3
4-(3-Phenyl-acryloyloxy)-benzoic acid
3
O
O
COOH
3-Phenyl-acrylic acid 3-methoxy-phenyl ester
4
O
O
COOCH3
2-(3-Phenyl-acryloyloxy)-benzoic acid methyl
ester
UIN Syarif Hidayatullah Jakarta
5
O
U5
30.05
-1.47791
2.2402
57.15
U6
19.63
-1.29301
2.2402
57.66
O
OCH3
4-(3-Phenyl-acryloyloxy)-benzoic acid methyl
ester
6
O
O
OCH3
3-Phenyl-acrylic acid 2-methoxy-phenyl ester
Berdasarkan tabel 4.3 senyawa yang memiliki aktivitas tinggi
berada pada kisaran 0,02308- 3,17 µM dan senyawa dengan aktivitas
sedang berada pada kisaran 3,18-11,70 µM dan untuk senyawa dengan
aktivitas yang rendah memiliki aktivitas lebih dari 11,71 µM. Dari hasil
prediksi pada tabel 4.6 Dapat terlihat bahwa senyawa dengan kode U1
memiliki aktivitas antikanker paling baik dengan IC50 4,29 µM.. Senyawa
dengan kode U1 memiliki aktivitas lebih baik dibandingkan dengan
senyawa dengan kode U3 dengan struktur yang hamper sama dan nilai dari
log P yang sama karena pada nilai indeks Randic yang merupakan
deskriptor berpengaruh kedua setelah log P senyawa dengan kode U3
memiliki nilai indeks Randic yang lebih rendah sehingga menghasilkan
aktivitas yang lebih rendah.
Pada senyawa dengan kode U2 dan U4 memiliki nilai log P yang
sama tetapi aktivitas dari senyawa dengan kode U2 lebih besar dibanding
dengan senyawa U4 hal ini terjadi karena senyawa dengan kode U4
memiliki nilai indeks randic yang lebih kecil dibanding dengan U2, sama
halnya dengan senyawa dengan kode U6 dan U5.
Senyawa dengan kode U5 dan U6 memiliki nilai log P yang lebih
rendah dibanding dengan senyawa dengan kode U1 akan tetapi memiliki
aktivitas yang juga lebih rendah dibanding dengan senyawa dengan kode
UIN Syarif Hidayatullah Jakarta
U1 hal ini terjadi karena kedua senyawa tersebut memiliki nilai indeks
randic yang lebih kecil dibanding dengan senyawa dengan kode U1.
Pada tabel 4. Terlihat terdapat beberapa senyawa yang memiliki
nilai log P yang sama dan juga memiliki jumlah atom yang sana hanya
berbeda posisi pada subtituennya hal ini dapat terjadi karena perhitungan
log P yang dilakukan oleh software CDK berdasarkan atomic sehingga
tidak mampu membedakan perbedaan posisi pada subtituen dan
menghasilkan nilai perhitungan log P yang sama.
UIN Syarif Hidayatullah Jakarta
BAB 5
KESIMPULAN DAN SARAN
5.1 KESIMPULAN
1. Model persamaan hubungan kuantitatif struktur aktivitas (HKSA) yang di
bentuk dengan menggunakan log P sebagai deskriptor hidrofobik memiliki
parameter statistik yang lebih baik dibandingkan dengan model persamaan
HKSA dengan menggunakan log D.
2. Deskriptor yang paling berpengaruh berturut-turut adalah log P, indeks
Harary, WPOL, indeks Randic, PPSA1, WPATH, dan PNSA1.
3. Dari 6 sampel set yang diprediksi aktivitasnya hanya sampel set dengan
kode U1 (2-(3-Phenyl-acryloyloxy)-benzoic acid) yang memiliki aktivitas
antikanker paling baik dengan IC50 4,29 µM
5.2 SARAN
Aktivitas antikanker yang didapat merupakan prediksi yang
didasarkan pada sifat fisika kimia suatu senyawa sehingga dibutuhkan
penelitian lebih lanjut berupa pengujian secara in vitro terhadapa turunan
asam sinamat yang memiliki prediksi aktivitas yang baik.
54
UIN Syarif Hidayatullah Jakarta
DAFTAR PUSTAKA
Anand, P., Kunnumakara, A. B., Sundaram, C., Harikumar, K. B., Tharakan, S.
T., Lai, O. S., Sung, B., dan Aggarwai, B. B., 2008, Cancer is a
Preventable Disease that Requires Major Lifestyle Changes, Pharm.
Res.,Vol. 25, No. 9, 2097-2116
Anies. 2009. Cepat Tua Akibat Radiasi? Pengaruh Radiasi Ponsel dan Berbagai
Peralatan Elektronik. Jakarta: Elex Media Komputindo
Barreca ML, De Luca L, Iraci N, Rao A, Ferro S, Maga G, Chimirri A. 2007.
Structure-based pharmacophore identification of new chemical scaffolds
as non-nucleoside reverse transcriptase inhibitors. J Chem Inf Model 47
(2): 557–562
Belson M, Kingsley B, Holmes A. Risk factors for acute leukemia in children: a
review. Environ Health Perspect. 2007;115:138–145.
Cheng T, Zhao Y, Li X, Lin F, Xu Y, Zhang X, Li Y, Wang R, Lai L. 2007.
"Computation of Octanol−Water Partition Coefficients by Guiding an
Additive Model with Knowledge". Journal of Chemical Information and
Modeling 47: 2140–2148.
Devillers, J., Domine, D., Guillon, C., Bintein, S. dan Karcher, W., 1997,
Prediction of Partition Coefficients (logPoct) Using Autocorrelation
Descriptors. SAR QSAR Environ. Res., 7, 151-172.
Dimmock Jonathan R., N. Murthi Kandepu, Mark Heterington, dkk. 1998.
Cytotoxic Activities of Mannich Bases of Chalcones and Related
Compounds. Journal of Medicinal Chemistry. Vol. 41, No. 7
Ekowati, Juni. Rudyanto, Marcellino. dkk. 2010. Structure Modification of Ethyl
p-methoxycinnamate Isolated from Kaempferia galanga Linn. And
Citotoxicity Assay of The Products on WiDr Cells. Indonesian Journal of
Cancer Chemoprevention. I. ISSN : 2088-0197. Hlm. 12-18
Firdaus, Nunuk Hariani, Nur Umriani, Seniwati. 2012. Sintesis Senyawa Turunan
P Kumaramida Dan Uji Aktivitasnya Terhadap Sel Tumor Leukimia p388.
Universitas Hasanudin Repository
Hanahan, D. and Weinberg, R.A. 2000. The Hallmark of Cancer Cell. 100: 57-70
https://docs.chemaxon.com/display/marvinsketch/Introduction+to+MarvinSketch
55
UIN Syarif Hidayatullah Jakarta
diakses 19 Febuari 2015 11.36
http://www.sigmaplot.com/products/sigmaplot/sigmaplot-details.php diakses 19
Febuari 2015 12.09
http://www.who.int/mediacentre/factsheets/fs297/en/ diakses 14 November 2014
20.58
Huang, Qian-Sheng. Zhu, Yu-Jing. dkk. 2009. Inhibitory Effect of Methyl trans
Cinnamate on Mushroom Tyrosinase and Its Antimicrobial Activities. J.
Agric. Food Chem. Vol 57. Hlm 2565-2569
Husna, Ridhatul. Emdeniz. Imelda. 2013. Studi Toksisitas Floroanilin
Berdasarkan Hubungan Kuantitatif Struktur Aktifitas (Hksa) Beberapa
Amina Aromatis. Jurnal Kimia Unand. Vol 2. Nomor 4
Ivanciuc, O., dan Balaban, A.T., 1998. Graph Theory in Chemistry. John Wiley &
Sons.
Koko, Dwi Pratoko. 2011. Molecular Docking Turunan Kalkon Terhadap
Reseptor Estrogen Β (Er- Β) Sebagai Antikanker Payudara. Universitas
Jember
Leo A, Hoekman DH, Hansch C (1995). Exploring QSAR, Hydrophobic,
Electronic, and Steric Constants. Washington DC: American Chemical
Society. ISBN 978-0-8412-3060-6.
Lodish, H., Berk, A., Matsudaira, p., Kaiser, C.A., Krieger, M., Scott, M.P.,
Zipursky, S.L., Darnell, J. 2004. Molecular Cell Biology 5th ed. New
York: WH Freeman.
Lucic, B., Milicevic, A., Nikolic, S., dan Trinajstic, N., 2002, Harary Index
Twelve Years Later, Croatica. Chem. Act., 75, 4, 847-868.
Marwati, Dwi J.S. 2012. Sintesis Senyawa Potensial Antikanker Turunan Metil
Sinnamat. Tesis. Depok: Universitas Indonesia.
Martin, M. Todd., Paul, Harten., Douglas, M.Young., Eugene, N. Muratov.,
Alexander, Golbraikh., Hao, Zhu., Alexander, Tropsha., 2012. Does
Rational Selection of Training and Test Sets Improve the Outcome of
QSAR Modeling?. Journal of Chemical Information and Modeling
Nafrialdi, S. Gan. 2007. Farmakologi dan Terapi edisi ke-5. Jakarta: Gaya Baru.
UIN Syarif Hidayatullah Jakarta
O’Boyle, N. M., Banck, M., James, C. A., Morley, C., Vandermeersch, T., &
Hutchison, G. R. (2011). Open Babel: An open chemical toolbox. Journal
of Cheminformatics
Patrick, G. (2001). Instant Notes in Medicinal Chemistry. Oxford: BIOS Scientific
Publisher.
Patric, L. Graham. 2009. An Introduction to Medicinal Chemistry 4th Edition. New
York: Oxford University Press
Piere, Jean., Panaye, Annick. 2010. Three dimensional QSAR: Applications in
Pharmacology and Toxicology. Boca Raton: CRC press
Ramesh, Babu Kaseti, Shaik Abdul Nabi. dkk. 2012. Cinnamic Acid as One of
The Antidiabetic Active Principles From The Seeds of Syzygium
Altenifolium. Food and Chemical Toxicology Vol. 50. Hlm 1425-1431
Riawan R. Klasifikasi dan diagnosis leukemia mieloblastik akut. In: Pendidikan
berkesinambungan patologi klinik 2012. Editor: Oesman F, Timan I.
Departemen patologi klinik fakultas kedokteran univeritas Indonesia.
Jakarta. 2012. 242-255
Rouvray, Dennis H. (2002), The rich legacy of half a century of the Wiener
index", dalam Rouvray, Dennis H.; King, Robert Bruce, Topology in
Chemistry: Discrete Mathematics of Molecules, Horwood Publishing, pp.
16–37.
Santoso, Singgih. 2010. Statistik Multivariat Konsep dan Aplikasi dengan SPSS.
Jakarta: Elex Media Komputindo
Santoso, Singgih. 2008. Panduan Lengkap Menguasai SPSS 16. Jakarta: Elex
Media Komputindo
Saputra, Adrian. dkk. 2014. Aplikasi Regresi Komponen Utama Untuk Analisis
Hubungan Kuantitatif Struktur-Aktivitas Antikanker Senyawa Turunan
Naftoquinon. Yogyakarta: Universitas Gajah Mada
Satoshi, Mishima. Yosuke Ono, Yoko Araki. dkk. 2005. Two Related Cinnamic
Acid Derivatives from Brazilian Honey Bee Propolis, Baccharin and
Drupanin, Induce Growth Inhibition in Allografted Sarcoma S-180 in
Mice. Biol. Pharm. Bull. Vol 28. Hlm. 1025-1030
UIN Syarif Hidayatullah Jakarta
Silalahi, Jansen. 2006. Antioksidan dalam Diet dan Karsinogenesis. Cermin
Dunia Kedokteran 153:39-42
Silalahi, Jansen. 2006. Makanan Fungsional. Yogyakarta: Kanisuis
Sirat, H.M. Basar, N. Jani, N.A. 2011. Chemical Compositions of the Rhizome
Oils of Two Alpina Species of Malaysia. Nat. Prod. Res. Vol 25. Hlm 982
986
Sofyan, R. 2000. Terapi Kanker pada Tingkat Molekuler. Cermin Dunia
Kedokteran 127:5-10.
Staton, D.T., S. Dimitrov, V. Grancharov, O.G. Mekeyan, 2002. Charged Partial
Surface Area (Cpsa) Descriptors Qsar Applications. Taylor and Francis
Group. Vol. 13 (2), pp. 341–351
Tahir, I., Wijaya, K., dan Widianingsih, D., 2003, Hubungan Kuantitatif Struktur
Aktivitas Antiradikal Senyawa Turunan Flavon/Flavonol Berdasarkan
Pendekatan Free-Wilson, Makalah Seminar Fisik III, Semarang.
Tambayong, Jan. 2000. Patofisiologi untuk Keperawatan. Jakarta: EGC
Teni Ernawati, Yulia Anita, Puspa Dewi Lotulung, Muhammad Hanafi. 2014.
Synthesis of Methyl 2-Cinnamamido-3-Hydroxy Propanoate Having
Activity against P388 Leukemia Cells. Journal of Applied Pharmaceutical
Science Vol. 4 (03), pp. 092-095
Todeschini, Roberto. Consonni, Viviana. 2009. Molecular Descriptors for
Chemoinformatics, Volume I & II. Wiley-VCH.
Wolber G, Langer T. 2005. LigandScout: 3-D pharmacophores derived from
protein-bound ligands and their use as virtual screening filters. J Chem
Inf Model 45 (1): 160–169.
Wolber G, Dornhofer AA, Langer T. 2007. Efficient overlay of small organic
molecules using 3D pharmacophores. J Comput Aided Mol Des 20 (12):
773–788
Xie, X.-Q. (2010). Exploiting PubChem for Virtual Screening. NIH Public
Access.
UIN Syarif Hidayatullah Jakarta
LAMPIRAN
1. ALUR PENELITIAN
Data set
Molecular deskriptor
Training set
Test set
Model
Validasi Model
Senyawa baru
Molekular deskriptor
Prediksi Aktivitas Senyawa
Baru
59
UIN Syarif Hidayatullah Jakarta
60
1. Tabel korelasi tiap descriptor terhadap aktivitas menggunakan log P
2. Tabel korelasi tiap descriptor terhadap aktivitas menggunakan log D
UIN Syarif Hidayatullah Jakarta
61
3. Validasi persamaan HKSA menggunakan log D
Model Summary
Model
1
R
Adjusted R
Std. Error of the
Square
Estimate
R Square
.881
a
.776
.672
.574515
a. Predictors: (Constant), WPOL, PPSA, Log_D, PNSA, Randiks,
WPATH, Harary
b
ANOVA
Model
1
Sum of Squares
Regression
Residual
Total
Df
Mean Square
17.167
7
2.452
4.951
15
.330
22.118
22
F
Sig.
7.430
.001
a
a. Predictors: (Constant), WPOL, PPSA, Log_D, PNSA, Randiks, WPATH, Harary
b. Dependent Variable: Log_IC
Coefficients
a
Standardized
Unstandardized Coefficients
Model
1
B
(Constant)
Std. Error
-9.555
2.626
Log_D
-.460
.149
PPSA
-.006
PNSA
Coefficients
Beta
t
Sig.
-3.639
.002
-.608
-3.081
.008
.006
-.315
-1.129
.277
-.001
.005
-.070
-.239
.815
Harary
.000
.256
.005
.002
.998
Randiks
.839
.273
1.311
3.070
.008
WPATH
-.008
.004
-1.796
-1.908
.076
.306
.366
1.568
.838
.415
WPOL
a. Dependent Variable: Log_IC
UIN Syarif Hidayatullah Jakarta
62
4. Validasi persamaan HKSA menggunakan log P
Model Summary
Model
1
R
Adjusted R
Std. Error of the
Square
Estimate
R Square
.923
a
.851
.782
.468467
a. Predictors: (Constant), WPOL, PPSA, Log_P, PNSA, Randic,
WPATH, Harary
b
ANOVA
Model
1
Sum of Squares
Regression
Residual
Total
df
Mean Square
18.826
7
2.689
3.292
15
.219
22.118
22
F
Sig.
12.255
.000
a
a. Predictors: (Constant), WPOL, PPSA, Log_P, PNSA, Randic, WPATH, Harary
b. Dependent Variable: Log_IC
Coefficients
a
Standardized
Unstandardized Coefficients
Model
1
B
(Constant)
Std. Error
-4.794
1.878
Log_P
-.983
.210
PPSA
-.009
PNSA
Coefficients
Beta
t
Sig.
-2.553
.022
-.870
-4.673
.000
.004
-.450
-2.095
.054
-.001
.004
-.085
-.368
.718
Harary
.379
.242
4.061
1.566
.138
Randic
.191
.284
.299
.673
.511
WPATH
-.009
.003
-1.934
-2.558
.022
WPOL
-.325
.351
-1.662
-.925
.370
a. Dependent Variable: Log_IC
UIN Syarif Hidayatullah Jakarta
63
5. Rekap perhitungan descriptor
SENYAWA
piperidinil para kumaramida
metil 2- cinnamido-3- hidroksi propanoat
N,N dietil para kumaramida
N propil para kumaramida
21 {(E)-3-(2,5-difluorophenyl)-1-(4hydroxyphenyl)prop-2-en-1-one}
Penil sinamat
29 { (E)-1-(4-hydroxyphenyl)-3-[4(trifluoromethyl)phenyl]prop-2-en-1-one}
19 {(E)-3-(3-chlorophenyl)-1-(4hydroxyphenyl)prop-2-en-1-one}
27 { (E)-1-(4-hydroxyphenyl)-3-phenylprop2-en-1-one}
28 { (E)-3-(2,6-dichlorophenyl)-1-(4hydroxyphenyl)prop-2-en-1-one}
30 { (E)-3-(4-chlorophenyl)-1-(4hydroxyphenyl)prop-2-en-1-one}
34 { (E)-1-(4-hydroxyphenyl)-3-(4methylphenyl)prop-2-en-1-one}
24 { (E)-3-(2-chlorophenyl)-1-(4hydroxyphenyl)prop-2-en-1-one}
25 { (E)-3-(2,4-dichlorophenyl)-1-(4hydroxyphenyl)prop-2-en-1-one}
KODE
S1
S2
S3
S4
S5
S6
S7
S8
S9
S10
S11
S12
S13
S14
Log
1/IC 50
1.636
1.364
0.969
0.583
IC 50
µM
0.0230
0.0432
0.107
0.261
0.0634
0.864
-0.348
2.229
-0.396
2.490
-0.450
2.82
-0.492
3.107
-0.501
3.170
-0.564
3.670
-0.741
5.514
-0.835
6.850
-0.897
7.890
Log D
2.32
0.7
2.18
2.12
3.75
4.17
4.34
4.07
3.46
4.67
4.07
3.98
4.07
4.67
Log P
-0.4698
0.3395
1.0764
0.1459
PPSA-1
361.4955
305.4951
357.2752
372.7684
Indeks
PNSA-1 Radic
179.230
15.07
207.885
14.76
179.627
14.57
39.15
13.36
Indeks WPAT
Harary H
49.24
594
51.93
709
44.03
505
446
16
1.7694
280.7667
301.163
13.38
58.74
784
26
2.4344
290.1323
48.45
13.32
612
19
80
2.8523
230.6099
354.856
14.59
67.25
1092
29
2.3185
269.9069
298.601
13.38
53.76
691
23
1.9498
295.097
257.932
13.38
49.28
592
21
2.6872
280.646
331.602
13.38
59.09
772
27
2.3185
278.7785
304.143
13.38
53.55
702
23
2.3962
296.8172
260.277
14.59
53.55
702
23
2.3185
288.0498
280.346
13.38
54.06
680
24
2.6872
255.5021
322.774
13.38
58.58
794
26
UIN Syarif Hidayatullah Jakarta
WPO
L
21
22
20
66
64
40 {(E)-1-(3,4-dichlorophenyl)-3-(4S15
-0.931
8.530
2.6872
hydroxyphenyl)prop-2-en-1-one}
4.79
35 { (E)-3-(4-fluorophenyl)-1-(4S16
-0.932
8.550
1.8596
hydroxyphenyl)prop-2-en-1-one}
3.6
33 { (E)-1-(4-hydroxyphenyl)-3-(4S17
-0.939
8.7
1.4512
methoxyphenyl)prop-2-en-1-one}
3.3
32 { (2E,4E)-1-(4-hydroxyphenyl)-5S18
-0.946
8.830
2.4176
phenylpenta-2,4-dien-1-one}
3.99
S19
-0.983
9.6302
22 { (E)-1,3-diphenylprop-2-en-1-one}
3.89 2.5129
20 { (E)-3-(3,4-dichlorophenyl)-1-(4S20
-1.068
11.700
2.6872
hydroxyphenyl)prop-2-en-1-one}
4.67
39 { (E)-1-(4-bromophenyl)-3-(4S21
-1.110
12.9
2.4025
hydroxyphenyl)prop-2-en-1-one}
4.35
36 { (E)-1-(4-hydroxyphenyl)-3-(4S22
-1.118
13.140
2.1631
nitrophenyl)prop-2-en-1-one}
3.4
26 { (E)-3-(4-hydroxyphenyl)-1-phenylpropS23
-1.155
14.300
1.9498
2-en-1-one}
3.58
31 { (E)-3-(4-bromophenyl)-1-(4S24
-1.221
16.649
2.4025
hydroxyphenyl)prop-2-en-1-one}
4.23
S25
-1.585
38.517
1.7934
nitro para
2.46
S26
-1.651
44.779
1.3765
Cinnamaldehid
1.98
S27
-1.863
72.995
2.0623
isobutil sinamat
3.76
S28
-1.984
96.494
0.9647
butil sinamat
3.84
S29
-2.098
125.477
1.5801
metil sinamat
2.52
S30
-2.127
134.086
1.7934
nitro orto
2.46
S31
-2.518
329.733
1.3291
asam sinamat
-0.67
Keterangan : merah= aktivitas tinggi, kuning= aktivitas sedang, hijau = aktivitas rendah
245.4144
366.394
13.38
58.34
802
26
263.7044
347.869
13.38
53.55
702
23
339.4164
260.431
15.06
57.62
830
25
319.0894
278.020
15.2
56.34
874
23
315.4029
242.562
12.84
45.05
496
19
262.4676
362.814
13.38
58.37
804
26
286.8548
319.349
13.38
53.55
702
23
258.7706
352.436
14.29
62.18
960
27
286.0094
249.501
13.38
49.24
594
21
362.4457
190.949
13.38
53.55
702
23
258.8072
246.4826
385.3613
415.4564
254.4987
273.1119
268.8205
40
21.64
39.04
38.57
28.46
40.93
25.1
10.79
8.2
13.63
13.63
9.88
10.79
8.73
428
133
446
458
226
392
174
18
9
15
15
12
19
10
68
42
66
64
52
68
48
UIN Syarif Hidayatullah Jakarta
6. Prosedur Kerja
a. Pembuatan struktur 3D menggunakan MarvinSketch
Setelah struktur dibuat, kemudian dilakukan clean 3D dengan cara: pilih
structureclaening methodfine with HydrogenizeClean in 3Dkemudian
disimpan dalam format .mol
UIN Syarif Hidayatullah Jakarta
66
b. Download struktur dari PubChem Bioassay
Download struktur pada PubChem bioassay dalam format SDF seperti pada
gambar diatas
c. Merubah format struktur menggunakan Open Babel
Rubah format input menjadi SDF pilih file yang akan dirubah formatnya
rubah format output menjadi MOL pilih tempat penyimpanan yang diinginkan
dan berinama kemudian klik save
UIN Syarif Hidayatullah Jakarta
67
d. Perhitungan log D
Proses perhitungan dengan pilih calculationpartitioningLogDklik
Akan didapat hasil seperti gambar diatas, kemudia pilih nilai Log D pada pH 7,4
sesuai dengan pH pada inti sel
UIN Syarif Hidayatullah Jakarta
68
e. Perhitungan indeks Harary dan indeks Randic
pilih calculations geometry topology analysis  klik kiri
pada menu path based dan distance based ceklis Randic index dan Harary index
 klik oke dan akan muncul nilai indeks Randic dan indeks Harary Seperti
gambar diatas
UIN Syarif Hidayatullah Jakarta
69
f. Perhitungan CPSA dan log P dan indek Wiener
Klik optionsoutput methodtab delimitedkemudian pilih input yang akan
dihitung deskriptornya dengan klik browseubah nama output dan disimpan
dalam format .xls
g. Pembuatan model persamaan menggunakan SPSS
Setelah semua data training set telah di input ke dalam program SPSS, kemudian
pilih analyzeRegressionLinierakan muncul tampilan pada gambar dibawah
UIN Syarif Hidayatullah Jakarta
70
Masukan data dependent variabel: Log(1/IC) dan Independent variabel: Log
D/log P, PPSA1, PNSA1, indeks Harary, indeks Randic, indeks Wiener (WPATH
dan WPOL)Ok
UIN Syarif Hidayatullah Jakarta
Download