HUBUNGAN KUANTITATIF STRUKTUR-AKTIVITAS (HKSA) ANTIKANKER SENYAWA TURUNAN 17-((1,6HEKSANADIAMINA)AROILAMIDO)-17DEMETHOKSIGELDAMINISIN SEBAGAI INHIBITOR HSP90 Skripsi Diajukan untuk Memenuhi Sebagian Syarat Memperoleh derajat Sarjana
Diajukan Oleh: LA ODE SUKMO MARUF F1C1 12 079
JURUSAN KIMIA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS HALU OLEO KENDARI 2017
ii
PERNYATAAN
Saya menyatakan bahwa skripsi ini belum pernah diajukan oleh pihak lain untuk memperoleh gelar kesarjanaan di Perguruan Tinggi manapun. Sepanjang pengetahuan saya belum terdapat karya atau pendapat yang pernah dibuat ditulis/diterbikan oleh pihak lain. Kecuali yang secara tertulis diacu dalam naskah ini dan disebutkan dalam daftar pustaka.
Kendari, Juni 2017
La Ode Sukmo Maruf
iii
KATA PENGANTAR
Assalamualaikum Warahmatullahi Wabarakatu, Alhamdulillah penulis panjatkan kehadirat Allah SWT. atas limpahan rahmat dan karunia-Nya. Sehingga penyusunan skripsi dengan judul “Hubungan Kuantitatif Struktur-Aktivitas (HKSA) Antikanker Senyawa Turunan 17aroylamido-17-demethoksigeldanamisin
sebagai
Inhibitor
Hsp90”
dapat
diselesaikan sebagai salah satu syarat menyelesaikan studi pada Program Studi Kimia Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Halu Oleo. Upaya-upaya telah dilakukan penulis semaksimal mungkin dalam mengemukakan pemikiran penyusunan skripsi ini. Namun dengan segala kerendahan hati, penulis sadar bahwa sebagai manusia tak luput dari kekhilafan. Olehnya itu, diharapkan kritik dan saran yang membangun guna perbaikan skripsi ini. Penulis mengucapkan rasa hormat dan terimakasih kepada Dr. Muhammad Arba, M.Si., dan Drs. H. Muhammad Zakir Muzakkar, M.Si., Ph.D., selaku pembimbing I dan II yang telah banyak berpartisipasi dengan meluangkan waktunya dalam memberikan saran, arahan dan bimbingan selama penulis menyusun skripsi ini. Teristimewa penulis mengucapkan terimakasih yang tak terhingga kepada Ayahanda tercinta La Ode Maruf dan Ibunda tersayang Wa Tima yang telah mengasuh, mendidik, memotivasi, dan mengorbankan segalanya baik materi maupun nonmateri demi keberhasilan Ananda menyelesaikan studi sejak awal memasuki dunia pendidikan hingga saat ini.
iv
Penghargaan dan ucapan terimakasih yang sebesar-besarnya penulis haturkan kepada: 1. Dr. Muhammad Zamrun F, S.Si., M.Si., M.Sc., selaku Rektor Universitas Halu Oleo. 2. Analudin, S.Si., M.Si., M.Sc., Ph.D selaku Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Halu Oleo. 3. Dr. La Ode Saidi, M.Kom., selaku Wakil Dekan Bidang Kemahasiswaan dan Alumni Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Halu Oleo. 4. Almarhum Amirrudin, S.Si., M.Si., selaku mantan Ketua Jurusan Kimia Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Halu Oleo. 5. Fahmiati, S.Si., M.Si., selaku mantan Sekretaris Kimia Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Halu Oleo. 6. Dr. La Ode Ahmad Nur Ramadhan, M.Si., selaku Ketua Jurusan Kimia Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Halu Oleo. 7. Dr. Desy Kurniawati, M.Si., Jurusan Kimia Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Halu Oleo. 8. Dr. Imran, M.Si., selaku Kepala Laboratorium Kimia Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Halu Oleo. 9. Sitti Hadijah Sabarwati., selaku mantan Penasehat Akademik yang telah memberikan nasehat dan motivasi kepada penulis. 10. Dr. Prima Endang Susilowati., selaku Penasehat Akademik baru penulis.
v
11. Dr. Imran, M.Si., Armid, S.Si., M.Si., M.Sc., D.Sc., dan La Ode Abdul Kadir., S.Si., M.Si., selaku dewan penguji yang telah banyak memberikan ide dan saran bagi penulis demi kesempurnaan tulisan ini. 12. Seluruh Bapak/Ibu Dosen dan Staf Program Studi Kimia Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Halu Oleo. Atas ilmu dan pengetahuan yang berharga kepada penulis. 13. Saudara-saudara saya tercinta, La Ode Tamrin, Wa Ode Jamalia, La Ode Amsala, S.Pd., Wa Ode Jaharia, La Ode Arukun, La Ode Aruni, Wa Ode Jahiati, Kakak Ipar La Ode Al-Araf, Bakira, Jumaun, La’I, Sinarti Nuka, Naira, Umi, Keponakan (me) Afis, Salsabilah, Yusril, Abil, Arif dan Paman/Bibiku serta keluarga besarku yang telah member perhatian dan dukungan semangat. 14. Kelurga Besar Mahasiswa FMIPA UHO, Kakanda Boyen, Kakanda Aslan Ndita, S.Si., serta tidak sempat sebutkan yang telah ilmu dan Kaderisasi lembaga. 15. Badan Eksekutif Mahasiswa FMIPA UHO, Salisman Laugi dan Herlan selaku Wakil dan Sekjend serta para pengurus periode 2015/2016 yang telah membantu dan mendukung penulis. 16. Alumni SMAN 5 Baubau, sahabat Kasim yang selalu memberikan dukungan politik dan saran serta nasehat. Sahabat Ulfa dan Acep, serta seluruh alumni yang belum sempat disebutkan namanya. 17. PMII Sultra dan Cabang Kota Kendari, Ketua PKC dan Cabang. 18. IKAHIMKI Indonesia
vi
19. Ikatan Alumni Kimia FMIPA UHO, Kakanda Syaril, Hajrul, Agung, Ozon yang telah mengkader adindanya ini. 20. Kakanda La Ansar S.Pd., M.Si., sosok seorang senior yang lalu memberikan nasehat dan pertimbangan dalam menjalankan hidup dan kelembagaan. 21. Keluarga Besar Mahasiswa Bioteknologi FMIPA UHO, Adinda Rian yang selalu menemani penulis dalam urusan kelembagaan dan membantu penulis meminjamkan sebuah labtop. Adinda Nasrul dan wahid yang selalu mendukung penulis dalam penulisan karya tulis ini. Terimakasih lain tak dapat disebutkan satu persatu namanya yang. telah memberikan dukungan politik kepada penulis. Akhir kata penulis mengucapkan penghargaan yang setinggi-tingginya kepada semua pihak. Apabila masih terdapat kekurangan dan kesalahan dalam penulisan skripsi ini, kiranya pembaca dapat memberikan masukan yang membangun demi kesempurnaan tulisan. Semoga tulisan ini dapat memberikan manfaat bagi kita semua.
Kendari, Juni 2017
La Ode Sukmo Maruf
vii
Hubungan Kuantitatif Struktur-Aktivitas (HKSA) Antikanker Senyawa Turunan 17-((1,6-Heksanadiamina)Aroilamido)-17-Demethoksigeldanamisin sebagai Inhibitor Hsp90 La Ode Sukmo Maruf F1C1 12 079 INTISARI Penelitian ini merupakan studi hubungan kuantitatif struktur-aktivitas (HKSA) senyawa turunan 17-((1,6-heksanadiamina)aroilamido)-17demethoksigeldanamisin sebagai inhibitor Hsp90 pada kanker. Dalam penelitian ini, dilakukan penentuan deskriptor berpengaruh terhadap aktivitas antikanker dan persamaan HKSA yang dapat digunakan sebagai model terbaik serta senyawa yang memiliki aktivitas prediksi terbaik. Optimasi struktur dilakukan dengan metode semiempirik AM1. Data yang digunakan sebnyak 25 senyawa yang dibagi menjadi dua kelompok yaitu training sets dan test sets. Sebanyak 13 deskriptor dihitung nilainya ynag mewakili parameter hidrofobik, elektronik, dan sterik. Nilai deskriptor dan aktivitas Log 1/IC50 eksperimen dari senyawa training sets diregresikan dengan metode backward. Deskriptor yang berpengaruh yakni AM1_dipole, log P(o/w), AM1_E, log S, dan mr. maka persamaan HKSA yang diperoleh adalah Log 1/IC50 = -8,435 + AM1_dipole (-0,138) + AM1_E (-1,82 x 10-6) + Log P(o/w) (-0,795) + Log S (-0,610) + Mr (0,310) dengan kriteria statistik R = 0,936; R2 = 0,876; SEE = 0,153; Fh/t = 6,047; q2 = 0,49. Dengan prediksi yang paling mendekati aktivitas eksperimen adalah senyawa analog 5s9 dan 5s20 karena memiliki nilai aktvitas terendah. Kata
Kunci: Hubungan kuantitatif struktur-aktivitas (HKSA), 17-((1,6heksanadiamina)aroilamido)-17-demethoksigeldanamisin, Hsp90, Log 1/IC50.
viii
Quantitative Structure-Activity Relationship (QSAR) Anticancer Compound Deriveds 17 - ((1,6-Heksanediamine) Aroylamido) -17Demethoksigeldanamycin as Hsp90 Inhibitor La Ode Sukmo Maruf F1C1 12 079 ABSTRACT This research is a study of quantitative structure-activity relationship (QSAR) derivatives 17-((1,6-heksanadiamina)aroilamido)-17-demethoksigeldanamycin as Hsp90 inhibitors in cancer. In this study, conducted to determine the effect on the anticancer activity descriptors and the QSAR equation that can be used as the best model as well as compounds that have the best prediction activities. Optimization of the structure by AM1 semiempirical method. The data used as many as 25 compounds, which are divided into two groups: the training sets and test sets. A total of 13 descriptors calculated value representing the parameters hydrophobic, electronic, and steric. Value descriptors and event log 1 / IC50 experiment of training compound sets regressed with backward method. Descriptors influential AM1_dipole ie, log P (o / w), AM1_E, log S, and mr. QSAR equation obtained is Log 1 / IC50 = -8.435 + AM1_dipole (-0.138) + AM1_E (-1.82 x 10-6) + log P (o/w) (-0.795) + log S (-0.610) + Mr (0.310) with criteria statistical R = 0.936; R2 = 0.876; SEE = 0.153; Fh /t = 6.047; q2 = 0.49. With predictions that comes closest to the experimental activity is a compound 5s9 and 5s20 because it has the lowest activity. Keywords: Quantitative Structure-Activity Relationship (QSAR), 17-((1,6heksanadiamina)aroilamido)-17-demethoksigeldanamycin, Hsp90, Log 1/IC50.
ix
DAFTAR ISI
HALAMAN JUDUL HALAMAN PENGESAHAN ………………………………………………… ii PERNYATAAN ....................................................................................................iii KATA PENGANTAR...........................................................................................iv INTISARI ............................................................................................................viii ABSTRACT...........................................................................................................ix DAFTAR ISI...........................................................................................................x DAFTAR TABEL ...............................................................................................xiii DAFTAR GAMBAR...........................................................................................xiv DAFTAR LAMPIRAN ........................................................................................xv ARTI LAMBANG...............................................................................................xvi I. PENDAHULUAN..............................................................................................1 A. Latar Belakang ..............................................................................................1 B. Rumusan Masalah .........................................................................................3 C. Tujuan Penelitian ..........................................................................................4 D. Manfaat Penelitian ........................................................................................4 II. TINJAUAN PUSTAKA....................................................................................6 A. Kanker...........................................................................................................6 A.1 Pengertian Kanker .....................................................................................6 A.2 Penyebab Sel Kanker .................................................................................8 A.3 Pengobatan Kanker ..................................................................................10 B. HSP .............................................................................................................10 B.1 Struktur Hsp90 .........................................................................................11 B.2 Peran Hsp90 .............................................................................................12 C. Senyawa 17-((1,6-heksandiamina)aroilamido)-17-demothoksigeldanamisin 13 D. Kimia Komputasi ..........................................................................................15 E. Hubungan Kuantitatif Struktur-Aktivitas (HKSA)........................................16 E.1 Model Pendekatan HKSA Free-Wilson ...................................................17
x
E.2 Model Pendekatan HKSA Hansch ..........................................................17 E.2.1 Sifat Hidrofobik.................................................................................18 E.2.2 Sifat Elektronik..................................................................................19 E.2.3 Sifat Sterik .........................................................................................20 F. Analisis Statistik ............................................................................................20 F.1 Analisis Multiple linear regression (MLR) ..............................................20 F.2 Validasi Internal dan Eksternal Persamaan HKSA ..................................22 F.2.1 Validasi Internal.................................................................................22 F.2.2 Validasi Eksternal ..............................................................................23 G. Deskriptor......................................................................................................24 H. Kerangka Konsep ..........................................................................................25 III. METODE PENELITIAN .............................................................................26 A. Waktu dan Tempat Penelitian .....................................................................26 B. Alat dan Bahan............................................................................................26 B.1 Alat...........................................................................................................26 B.2 Bahan .......................................................................................................26 C. Prosedur Penelitian .....................................................................................28 C.1 Pemodelan Struktur Molekul ...................................................................28 C.2 Optimasi Struktur.....................................................................................28 C.3 Perhitungan Deskriptor ............................................................................28 C.4 Pembagian Data .......................................................................................29 C.4 Analisis Statistik ......................................................................................29 C.5 Validasi Persamaan HKSA ......................................................................30 IV. HASIL DAN PEMBAHASAN......................................................................31 A. Pengumpulan Data ......................................................................................31 B. Perhitungan Deskriptor ...............................................................................32 C. Studi Hubungan Kuantitatif Struktur dan Aktivitas (HKSA) .....................33 C.1 Analisis MLR...........................................................................................33 C.2 Validasi Model Persamaan HKSA Terpilih dengan Validasi Internal dan Eksternal ................................................................................................35 C.2.1 Validasi Internal ................................................................................35
xi
C.2.2 Validasi Eksternal .............................................................................39 V. PENUTUP........................................................................................................42 A. Kesimpulan....................................................................................................42 B. Saran ..............................................................................................................42 DAFTAR PUSTAKA...........................................................................................43 DAFTAR PUSTAKA LAMPIRAN
xii
DAFTAR TABEL
No.
Teks
Halaman
1.
Deskriptor yang mewakili parameter hidrofobik, elektronik dan sterik sesuai dengan pendekatan Hansch (MOE 2009.10)
24
2.
Senyawa turunan 17-((1,6-heksandiamina)aroilamido)-17demothoksigeldanamisin
27
3.
Data Senyawa Training Sets dan Test Sets
30
4.
Model Summary (SPSS 19)
34
5.
Probabilitas Model (Uji F)
35
6.
Konstanta Koefisisien Model 9
36
7.
Nilai Setiap Deskriptor Persamaan HKSA Terpilih
37
8.
Data Aktivitas Eksperimen dan Prediksi Test Set
39
xiii
DAFTAR GAMBAR
No.
Teks
Halaman
1
Model pita padat dari ragi Hsp90-dimer
12
2
a. Geldanamasin (GA) b. Tanespisin (17-AAG)
14
c. Alvespimisin (17-DMAG) 3
17-((1,6-heksandiamina)aroilamido)-17demothoksigeldanamisin
14
4
Model Struktur 3D Senyawa 5s1 Hasil Optimasi dalam GaussView 3.08
32
5
Grafik Training Sets Log 1/IC50 Prediksi Vs Eksperimen
38
6
Grafik Test Sets Log 1/IC50 Prediksi Vs Eksperimen
39
7
Grafik Log 1/IC50 Prediksi Vs Eksperimen (Gabungan)
40
xiv
DAFTAR LAMPIRAN
No.
Teks
1.
Model Hasil Optimasi Struktur
2.
Hasil Perhitungan Deskriptor
3.
Perhitungan Aktivitas Prediksi (Log 1/IC50 Prediksi) Data Training Sets
4.
Perhitungan Validasi Silang Persamaan Model 9 secara Leave One Out (LOO)
5.
Perhitungan Aktivitas Prediksi (Log 1/IC50 Prediksi) dan (R2pred) Data Test Sets
xv
ARTI LAMBANG
%
Persen
3D
Tiga Dimensi
5s1, 5s2,…..5sn
Nama pemisalan senyawa turunan
ΣS
Sigma S atau Jumlah total sumbangan subtituen terhadap aktivitas biologi
Μ
Mikro/mu atau Aktivitas biologis senyawa induk
Σ π, Σ σ, Σ ES
Sumbangan sifat hidrofobik, elektronik dan sterik dari gugusgugus terhadap sifat-sifat senyawa induk yang berhubungan dengan aktivitas biologis
a, b, c, d
Bilangan (tetapan)
Å
Angstrom (setara 10-10 meter)
AM1
Austin Model 1
AM1_dipole
Momen dipol
AM1_E
Energi total
AM1_Eele
Energi elektronik
AM1_HF
Panas pembentukan
AM1_HOMO
Energi Tertinggi orbital molekul yang ditempati electron
AM1_LUMO
Energi Terendah orbital molekul yang tidak ditempati electron
Apol
Polaribilitas Atom
ATP
Adenin Trifosfat
DNA
Deoxyribonucleic Acid
Fhitung/tabel
Probabilitas Model
GA
Geldanamisin
Glob
Globularitas
xvi
HKSA
Hubungan Kuantitatif Struktur-Aktivitas
Hsp90
Heat Shock Protein 90
kD
Kilo Dalton
KKal/mol
Kilo Kalori Per Mol
IC50
Inhibition Concentration 50%
Log 1/IC50
Logaritma 1 per Inhibition Concentration 50%
Log P (o/w)
Ligaritma koefisien Partisi lemak/air
Log S
Kelarutan dalam air
LOO
Leave One Out
Mr
Refraksivitas Molar
QSAR
Quantitative Structure -Activity Relationship
q2
Koefisien Validasi Silang
R
Koefisien Korelasi
R2
Determinan Korelasi
R2prediksi
Koefisien Validasi Silang data test sets
SEE
Standar Estimate of Eror
Vol
Volume Van der Waals
xvii
1
I. PENDAHULUAN
A. Latar Belakang Penyakit kanker merupakan salah satu penyebab kematian utama di dunia. Berdasarkan Li dkk. (2014), kematian akibat penyakit kanker sebanyak 8,2 juta korban dari jumlah 14,1 juta kasus. Kasus penyakit kanker yang terjadi umumnya di dunia ialah kanker paru-paru, payudara wanita, usus, dan prostat. Para peneliti mencari cara penanganan penyakir kanker yang telah menjadi ancaman bagi umat manusia. Umumnya penanganan penyakit kanker dilakukan dengan pembedahan, kemoterapi dan imunoterapi. Penanganan penyakit kanker yang sedang berkembang dengan pesat ialah kemoterapi. Penanganan dengan metode kemoterapi sangat baik dalam mengatasi penyakit-penyakit yang mematikan. Metode kemoterapi yang telah teruji ialah dengan menargetkan bagian penting dari sel kanker ialah Heat Shock Protein 90 (Hsp90). Hsp90 merupakan bagian penting dari siklus kehidupan sel kanker yang berfungsi sebagai pelindung. Pada keadaan normal jumlahnya sekitar 1-2%. Jumlahnya akan bertambah menjadi 4-6% jika ada pengaruh dari luar yang dapat merusak sel kanker seperti tekanan atau suhu dalam sel naik. Kerusakan pelindung sel kanker dapat mengakibatkan aktivitas kehidupan sel kanker terhambat. Olehnya itu Hsp90 sebagai target pengobatan dalam mengatasi penyakit kanker. Ada berbagai cara yang telah dilakukan dalam mengatasi penyakit kanker dengan menargetkan Hsp90. Saat ini ada 17 inhibitor atau penghambat sel kanker yang telah dilaporkan salah satunya yang paling terkenal dan ampuh adalah Geldanamisin (GA) (Kim
2
dkk., 2013). Potensi antikanker GA telah diakui selama beberapa dekade terakhir. Namun perkembangan evaluasi klinis GA belum dilanjutkan karena sifat hepaktoksisitas dan kelarutan dalam air yang buruk sehingga dibutuhkan pengembangan turunanannya yang baru. Ada beberapa turunan GA yang telah dilaporkan yang memiliki kemampuan yang baik yakni 17-allylamino-17demethoxygeldanamycin
(tanespimycin,
17-AAG)
(dimethylamino)ethyl]amino-17-demethoxygeldanamycin
dan
17-[2-
(alvespimycin,
17-
DMAG). Modi ddk. (2011) melaporkan penggunaan senyawa 17-AAG telah dihentikan dan begitu pula dengan senyawa 17-DMAG yang telah dilaporkan Peyrat dkk. (2011). Pengembangan senyawa turunan GA yang baru telah ditemukan dan dilaporkan oleh Li dkk. (2014) yakni senyawa turunan 17-((1,6heksandiamina)aroilamido)-17-demothoksigeldanamisin
yang
memiliki
hepaktosisitas dan kelarutan dalam air yang baik. Penemuan senyawa baru dalam pengobatan pada umumnya bersifat cobacoba sehingga biaya pengembangan obat baru sangat tidak ekonomis. Mengatasi masalah tersebut telah ditemukan suatu cara yang efesien dan efektif dalam menemukan dan pengembangan obat baru. Studi komputasi menggunakan hasil kimia teori yang dipadukan dalam operasi program komputer. Hubungan kuantitatif struktur-aktivitas (HKSA) biologis obat merupakan salah satu studi komputasi yang menjadi bagian penting dalam rancangan obat untuk mendapatkan suatu obat baru dengan aktivitas yang lebih besar, selektivitas yang lebih tinggi, dan toksisitas yang lebih kecil. Modifikasi molekul merupakan metode yang digunakan untuk mendapatkan obat baru dengan aktivitas yang
3
dikehendaki, antara lain yaitu meningkatkan aktivitas obat, menurunkan efek samping dan memperpanjang masa kerja obat. Aktivitas obat berhubungan dengan sifat kimia fisika obat dan merupakan fungsi dari struktur molekul obat. Oleh karena itu, pengetahuan tentang hubungan struktur kimia dan aktivitas biologis merupakan dasar penting dalam penggunaan rancangan obat (Gusmita dkk., 2013). Berdasarkan uraian di atas maka dilakukan studi pemodelan hubungan kuantitatif struktur-aktivitas antikanker untuk mengetahui pengaruh subtituen terhadap aktivitas senyawa turunan 17-((1,6-heksandiamina)aroilamido)-17demethoksigeldanamisin sebagai inhibitor Hsp90. B. Rumusan Masalah Adapun rumusan masalah yang dikaji ialah sebagai berikut: 1. Deskriptor manakah yang berpengaruh terhadap aktivitas antikanker dari senyawa
turunan
17-((1,6-heksandiamina)aroilamido)-17-
demothoksigeldanamisin sebagai inhibitor Hsp90? 2. Bagaimanakah persamaan HKSA yang dapat dijadikan sebagai model untuk memprediksi
aktivitas
antikanker
dari
senyawa
turunan
17-((1,6-
heksandiamina)aroilamido)-17-demothoksigeldanamisin
sebagai
inhibitor
Hsp90? 3. Bagaimanakah nilai aktivitas antikanker (IC50) dengan prediksi terbaik senyawa
turunan
17-((1,6-heksandiamina)aroilamido)-17-
demothoksigeldanamisin sebagai inhibitor Hsp90?
4
C. Tujuan Penelitian Tujuan yang ingin dicapai dalam penelitian ini yaitu: 1.
Mengetahui deskriptor molekuler yang berpengaruh terhadap aktivitas antikanker dari senyawa turunan 17-((1,6-heksandiamina)aroilamido)-17demothoksigeldanamisin sebagai inhibitor Hsp90.
2.
Mengetahui persamaan HKSA yang dapat dijadikan sebagai model untuk memprediksi
aktivitas
antikanker
dari
senyawa
heksandiamina)aroilamido)-17-demothoksigeldanamisin
turunan
17-((1,6-
sebagai
inhibitor
Hsp90. 3.
Mengetahui nilai aktivitas antikanker (IC50) prediksi terbaik senyawa turunan 17-((1,6-heksandiamina)aroilamido)-17-demothoksigeldanamisin
sebagai
inhibitor Hsp90. D. Manfaat Penelitian Hasil penelitian ini diharapkan dapat memberikan manfaat sebagai berikut: 1. Bagi Peneliti Diharapkan
dapat
meningkatkan
pemahaman,
pengalaman,
dan
keterampilan dalam mempelajari hubungan kuantitatif struktur aktivitas senyawa turunan 17-((1,6-heksandiamina)aroilamido)-17-demothoksigeldanamisin sebagai inhibitor Hsp90. 2. Bagi Institusi Diharapkan dapat menambah informasi mengenai senyawa turunan 17((1,6-heksandiamina)aroilamido)-17-demothoksigeldanamisin sebagai inhibitor
5
Hsp90 serta diharapkan dapat mewujudkan peranan Universitas Halu Oleo dalam mengkaji permasalahan yang terjadi di masyarakat. 3. Bagi Ilmu Pengetahuan Diharapkan dapat dijadikan sebagai acuan untuk penelitian selanjutnya dan juga sebagai sumber literatur tambahan mengenai pengobatan kanker. 4. Bagi Masyarakat Diharapkan dapat memberikan informasi ilmiah kepada masyarakat terhadap senyawa baru yang dapat bermanfaat sebagai antikanker.
6
II. TINJAUAN PUSTAKA
A. Kanker A.1 Pengertian Kanker Kanker adalah pembelahan sel yang tidak terkendali yang dapat menyebabkan pembentukan tumor. Ada banyak jenis kanker mulai dari karsinoma, sarkoma, dan limfoma pada organ prostat spesifik, hati, kandung kemih, kanker payudara dan lain-lain. Kanker muncul dari satu sel tunggal dan biasanya hasil dari mutasi yang disebabkan oleh kanker menghasilakan agen yang disebut sebagai karsinogen. Agen ini menyebabkan mutasi genetik atau modifikasi yang sistem perbaikan DNA sel sehingga tidak mampu untuk memperbaiki diri (Kumar dan Pooja, 2015). Kanker termasuk penyakit yang tidak menular. Penyakit ini timbul akibat kondisi fisik yang tidak normal dan pola hidup yang tidak sehat. Meskipun demikian, penyakit ini bisa diturunkan oleh orang tua kepada anaknya. Risiko terkena kanker sangat besar jika salah satu anggota keluarga terkena kanker (Kumar dan Pooja, 2015). Menurut Kumar dkk. (2009) setiap gen kanker memiliki fungsi spesifik. Gen penyebab kanker dipertimbangkan dalam konteks enam perubahan mendasar dalam fisiologi sel yang menentukan fenotif ganas yaitu: 1. Menghasilkan sendiri sinyal pertumbuhan. 2. Insensitivitas terhadap sinyal penghambat pertumbuhan. 3. Menghindari apoptosis. 4. Kemampuan replikasi tanpa batas.
7
5. Angiogenesis berkelanjutan. 6. Kemampuan menginvasi dan metastasis. Pertumbuhan sel dikenal dengan istilah daur sel. Daur sel adalah jangka waktu mulai lahirnya sel baru sampai sel tersebut mampu membelah diri. Dalam pembelahan sel, duplikasi DNA merupakan peristiwa paling penting karena bahan genetik DNA harus dijiplak dengan tepat sehingga setiap sel anak menerima versi lengkap. Dalam inti sel, replikasi DNA terjadi hanya selama satu bagian khas dari daur sel yang disebut S (dari kata Sintesis). Antara dimulainya pembelahan dan S, ada periode yang disebut G1 (Gap 1). Selama periode ini, sel tumbuh tetapi tidak membentuk DNA. Selama G1 disintesis banyak molekul, seperti enzim-enzim. Periode lain disebut G2, yaitu berlangsung antara S dan periode mitosis (M). Pada periode G2 ini, kedua jiplakan DNA memisah. Pada sel jaringan, terdapat sel-sel yang dalam keadaan tumbuh yaitu menempuh daur sel, tetapi terdapat pula sel-sel yang dalam keadaan istirahat, yaitu sel-sel yang terus mempergunakan energi tetapi tidak membentuk replikasi DNA dan tidak membelah diri. Keadaan istirahat ini disebut G0. Sel memasuki keadaan G0 (keadaan istirahat) dari periode G1, tetapi bukan dari keadaan S atau G2. Sel yang dalam keadaan istirahat sama dengan sel dalam periode G1, keduanya mengandung DNA dalam jumlah yang sama. Ini menunjukan bahwa keadaan G1 mempunyai mekanisme khusus tertentu apakah akan melanjutkan daur sel atau pindah ke keadaan G0. Sel dapat pindah dari G0 ke G1 apabila dipasok dengan apa-apa yang menjadi kekurangannya, atau dikurangi dari apa-apa yang menjadi kelebihan mereka yang menjadikannya memasuki keadaan istirahat (Foye dkk., 1996).
8
A.2 Penyebab Sel Kanker Kanker diawali oleh sebagian kecil sel induk kanker. Sel-sel yang mengawali kanker ini dapat memperbaharui diri dan dapat menjadi berbagai macam sel induk kanker yang memiliki karakteristik biologi dan fungsi. Secara umum, sifat dapat memperbaharui diri dan dapat menjadi berbagai macam sel yang memiliki karakteristik biologi dan fungsi ini dimiliki oleh sel induk (stem cells). Sel induk kanker dalam tubuh manusia tidak langsung terdapat begitu saja. Sel induk kanker tersebut merupakan hasil akumulasi mutasi genetik sel normal yang ada dalam tubuh manusia. Ada beberapa hipotesis mengenai asal mula sel induk kanker yaitu sel induk kanker berasal dari sel induk normal, dari sel progenitor (sel induk normal yang menghasilkan sel jenis intermediate), dan dari sel yang sudah terdiferensiasi (Fitria, 2012). Zat yang memicu terbentuknya sel kanker dinamakan karsinogen. Karsinogenesis adalah sebuah proses berjenjang terbentuknya sel kanker sebagai akibat paparan karsinogen. Terdapat empat jenjang karsinogenesis berdasarkan paparan karsinogen, yaitu (i) initiating agent, yaitu karsinogen yang mampu menginisiasi terbentuknya sel kanker, tetapi belum tentu menjadi sel kanker, (ii) promoting agent, yaitu karsinogen yang mampu mengekspansi sel terinisiasi, (iii) progressor agent, yaitu karsinogen yang mampu merubah sel terinisiasi atau sel terpromosi menjadi sel yang potensial menjadi sel kanker, dan (iv) complete carcinogen, yaitu karsinogen yang mampu merubah sel normal menjadi sel kanker (Foye ddk., 1996).
9
Faktor-faktor yang dapat memicu terbentuknya sel kanker (Foye dkk., 1996), yaitu: (a) Virus (b) Zat-zat Kimia (c) Zat Radioaktif Terdapat 10 (sepuluh) jenis kanker yang banyak ditemukan dan mematikan (www.cancer.gov) yaitu: (a) Kanker Paru-paru dan Bronkial Penyebab utama kanker paru-paru dan bronkial adalah kebiasaan merokok dan penggunaan produk tembakau. Ada dua jenis utama kanker paru-paru yaitu kanker paru-paru non-sel kecil (paling umum) dan kanker paru-paru sel kecil (menyebar lebih cepat). (b) Kanker Colon dan Rektum Kanker usus besar tumbuh di jaringan usus besar, sedangkan kanker rektum tumbuh beberapa inci dari usus besar dekat anus. Kebanyakan kasus dimulai dari sel jinak berupa gumpalan kecil atau disebut polip yang dari waktu ke waktu menjadi kanker. (c) Kanker Payudara Kanker ini biasanya terbentuk di dalam saluran yang membawa susu ke kelenjar susu yang menghasilkan susu pada wanita.
10
(d) Kanker Pankreas Kanker pankreas dimulai di jaringan-jaringan pankreas yang membantu pencernaan dan regulasi metabolisme. Deteksi dan intervensi awal sulit karena seringkali perkembangan sel kankernya sulit diduga dan cepat. (e) Kanker Prostat Kanker ini merupakan penyebab utama kedua kematian pada pria, setelah kanker paru-paru dan bronkial. Kanker prostat biasanya mulai tumbuh perlahanlahan di kelenjar prostat, yang memproduksi air mani untuk mengangkut sperma. A.3 Pengobatan Kanker Pengobatan kanker menurut Kumar dan Pooja (2015) adalah melalui cara sebagai berikut: a. Pembedahan, terutama untuk tumor padat yang terlokalisasi seperti karsinoma pada payudara dan kolorektal. b. Kemoterapi, terutama untuk pengobatan tumor yang tidak terlokalisasi seperti leukemia, koriokarsinoma, multipel mieloma, penyakit hodgkin, limfoma Burkitt
dan
juga
digunakan
untuk
pengobatan
penunjang
sesudah
pembedahan.. c. Imunoterapi. B. HSP Hsp adalah protein yang dapat timbul
pada
semua jenis sel karena
tekanan atau suhu. Pada keadaan normal Hsp berperan sebagai molekul chaperone. Molekul
chaperone
adalah protein yang
berperan terhadap
pembentukan struktur protein dan keadaan ini disebut protein folding. Selain
11
berperan terhadap protein folding, molekul tersebut juga berperan untuk stabilisasi dan pencegahan penggabungan beberapa
protein. Apabila proses
pembentukan struktur berjalan tanpa gangguan. maka Hsp akan berfungsi dengan baik dan terbentuk struktur protein folding dengan tepat. Sebaliknya, apabila proses tersebut terganggu maka Hsp tidak dapat menjalankan fungsinya dengan baik dan terbentuk struktur protein yang tidak tepat atau misfolding (Dobson dan Ellis, 1998). Hsp90 adalah protein sel yang jumlahnya sangat melimpah mencapai 1% sampai 2% dari total
sel protein. Hsp90 bertindak melindungi sel ketika
mendapatkan tekanan (stressing) akibat kenaikan suhu. Ketika sel mengalami pemanasan atau suhu sel naik, jumlah Hsp90 bisa meningkat
mencapai 4%
hingga 6% dari total protein seluler. Dimana Hsp merupakan singkatan dari Heat Shock Protein. Angka 90 menunjukan berat molekul protein ini yaitu sekitar 90 kiloDalton (kDa) (Chen ddk., 2006). Hsp digolongkan menjadi beberapa golongan karena fungsi yang berbeda. Pemberian nama Hsp berdasarkan berat molekul protein masing-masing, yakni golongan 80-100 kD, 70 kD, 58-65 kD, 25-30 kD (Park dkk., 2007). B.1 Struktur Hsp90 Struktur keseluruhan Hsp90 mirip dengan protein lain dalam struktur sekunder yaitu, terdiri dari α-heliks, ß-sheet dan koil acak. Hsp90 memiliki sembilan α-heliks dan delapan ß-sheet yang bergabung membentuk lapisan αheliks/ß-sheet. Tiga heliks membentuk sekitar 11% residu asam amino protein yang jauh lebih tinggi dibanding rata-rata 4% protein lain (Goetz, 2003).
12
Hsp90 memiliki empat domain struktur yaitu a. NTD (N-Terminal Domain) dengan bobot molekuk sekitar 25 kD, b. satu daerah penghubung bermuatan (charged linker) yang menghubungkan N terminal dengan domain tengah, c. domain tengah atau Middle Domain (MD) dengan bobot molekul sekitar 40 kDa, dan d. CTD (C-Terminal Domain) dengan bobot molekul sekitar 40 kDa (Pearl dkk., 2000). NTD menunjukan kesamaan tidak hanya dengan sesama anggota kelompok chaperone yang lain, tetapi juga menunjukan kesamaan dengan anggota superfamily ATPase/kinase GHKL (Gyrase, Hsp90, Histidine Kinase, MutL) (Prodromou ddk., 2003).
Gambar 1. Model pita padat dari ragi Hsp90-dimer ( α-heliks = merah, β-lembar = cyan, loop = abu-abu) di kompleks dengan ATP (red diagram stick) (Ali dkk., 2006). B.2 Peran Hsp90 Hsp90 memainkan sejumlah peranan penting dalam sel normal, diantaranya mencakup/membantu proses pelipatan rantai protein, transpor intraseluler, pemelihaan dan pengrusakan protein. Hsp90 dikenal berasosiasi dengan struktur non-native banyak protein yang dapat mensyaratkan bahwa Hsp90 terlibat dalam pelipatan protein (Buchner, 1999). Hsp90 telah menunjukan sebagai penekan berbagai macam substrat protein dan bertindak sebagai pelindung (Miyata ddk., 1992).
13
Hsp90 juga diperlukan untuk induksi faktor pertumbuhan endotel vaskular dan oksida nitrat sintase (NOS). Keduanya adalah bagian penting untuk angiogenesis de novo yang diperlukan untuk pertumbuhan tumor melebihi batas jarak difusi oksigen dalam jaringan. Hal ini juga mempromosikan langkah invasi metastasis
dengan
membantu
matriks
MMP2
metaloproteinase.
Hsp90
berpartisipasi dalam banyak proses kunci oncogenesis seperti sinyal pertumbuhan sendiri, stabilisasi protein mutan, angiogenesis dan metastasis (Aman, 2013). C. Senyawa 17-((1,6-heksandiamina)aroilamido)-17-demothoksigeldanamisin Geldanamisin (Gambar 4), diisolasi dari kaldu dari Streptomyces hygroscopicus di tahun 1970 (DeBoer dkk., 1970). Penelitian lebih lanjut telah menunjukkan bahwa GA dapat menghambat Hsp90 (Roe dkk., 1999). Namun karena kelarutan GA ynag buruk maka diperlukan senyawa turunannya yang memiliki kelarutan ynag baik. Senyawa turunan GA yang telah di temukan adalah 17-AAG dan 17-DMAG (Ronenn dkk, 2006) Namun telah dihentikan karena masih memiliki efek samping terhadap organ lain (Peyrat dkk, 2010). Senyawa 17-((1,6-heksandiamina)aroilamido)-17-demothoksigeldanamisin
merupakan
turunan terbaru dari senyawa geldanamisin yang dikembangkan seperti Gambar 3 di bawah ini sebagai berikut:
14
O
O NH2
O
NH2
O
OMe
MeO
MeO
MeO
MeO OH
OH
O
O
O
O NH
NH
MeO
N H O
O
a.
b.
O NH2
O
OMe
MeO
MeO OH O O NH
N
N H O
c. Gambar 2. a. Geldanamasin (GA) b. Tanespisin (17-AAG) c. Alvespimisin (17-DMAG) (Li dkk., 2014)
O NH2
O
OMe
MeO
MeO OH O O NH
H N
Ar
N H O
O
Gambar 3. 17-((1,6-heksandiamina)aroilamido)-17demothoksigeldanamisin (Li dkk., 2014)
15
D. Kimia Komputasi Istilah kimia teori didefinisikan sebagai diskripsi secara matematika dari ilmu kimia. Istilah kimia komputasi selalu digunakan jika metoda matematika disusun agar dapat dijalankan secara otomatis oleh komputer. Perlu dicatat bahwa kata “eksak” dan “sempurna” tidak muncul dalam definisi kimia komputasi. Sangat sedikit aspek kimia yang dapat diselesaikan secara eksak. Hampir setiap aspek kimia dijelaskan secara kualitatif atau kuantitatif melalui prosedur pendekatan komputasi. Pernyataan yang tidak
boleh dibuat oleh kimiawan
komputasi adalah asumsi bahwa setiap angka terhitung adalah eksak. Hal yang perlu dicatat adalah perhitungan kualitatif atau pendekatan kuantitatif baru dapat memberikan pengetahuan yang berguna dalam kimia kalau kita dapat menjabarkan suatu sifat fisika atau kimia suatu senyawa dari data yang terhitung dari kimia komputasi. Ada beberapa perhitungan dalam kimia komputasi yakni ab initio, semiempiris dan mekanika molekuler (Pranowo, 2016). Perhitungan semiempiris disusun dengan cara yang secara umum sama dengan perhitungan Hetre Fock (HF). Beberapa perhitungan, seperti integral elektron ganda diselesaikan dengan cara pendekatan atau sama sekali dihilangkan. Dalam rangka mengoreksi kesalahan perhitungan akibat penghilangan sebagian dari perhitungan HF, metoda ini diparameterisasi dengan cara fitting kurva untuk menghasilkan beberapa parameter atau angka agar dapat memberikan kesesuaian dengan data eksperimen. Sisi baik dari perhitungan semiempiris adalah mereka lebih cepat daripada perhitungan ab initio. Sisi buruk dari perhitungan semiempiris adalah hasilnya sangat bergantung pada tersedianya parameter yang
16
sesuai dengan molekul yang dianalisis. Jika molekul yang dikaji mirip dengan molekul yang ada dalam data base yang digunakan dalam metoda parameterisasi, hasilnya akan baik. Jika molekul yang dikaji berbeda secara signifikan dengan molekul yang digunakan dalam metoda parameterisasi, jawabannya mungkin akan sangat berbeda dengan data eksperimen. Perhitungan semiempiris telah sangat sukses dalam menjelaskan masalah di bidang kimia organik yang hanya mengandung beberapa unsur secara ekstensif dan molekul dengan ukuran yang sedang (Pranowo, 2016). E. Hubungan Kuantitatif Struktur-Aktivitas (HKSA) Awalnya pemahaman hubungan struktur-aktivitas dikonsiderasikan bahwa aktivitas biologis merupakan fungsi dari struktur kimia. Tetapi kemudian mengalami perluasan aktivitas biologis sebagai fungsi fisikokimia (struktur fisika dan kimia). Artinya suatu seri sifat-sifat fisika dan kimia suatu molekul dapat menerangkan aktivitas biologis senyawa tersebut. Berbagai parameter sifat fisika dan kimia dikuantifikasi dan aktivitas biologis pun demikian dapat dirumuskan secara kuantitatif, maka kemudian hubungan struktur dan aktivitas lebih dikembangkan lagi menjadi Hubungan Kuantitatif Struktur-Aktivitias atau Quantitative Structure and Activity Relationship (QSAR) (Wolff, 1994) Senyawa kimia yang memberikan efek biologis dibagi 2 kelompok, yaitu senyawa kimia yang secara struktur beraneka ragam, dan yang secara struktur mirip atau hampir sama. Hubungan struktur dan aktivitas dilakukan terhadap seri senyawa kimia yang memiliki struktur yang mirip. Hal ini berangkat dari
17
pemahaman bahwa struktur yang hampir sama atau mirip akan melibatkan interaksi yang spesifik dengan reseptor yang umum (Wolff, 1994). E.1 Model Pendekatan HKSA Free-Wilson Free-Wilson mengembangkan suatu konsep hubungan struktur dan aktivitas biologis obat. Mereka mengemukakan bahwa respon biologis merupakan sumbangan aktivitas dari gugus-gugus subtituen terhadap aktivitas biologis senyawa induk. Dimana hal tersebut dinyatakan dalam persamaan berikut (Siswandono, 1995) : Log 1/C = Σ S + μ Log 1/C ΣS μ
(1) : Logaritma aktivitas biologis :Total sumbangan subtituen terhadap aktivitas biologis senyawa induk : Aktivitas biologis senyawa induk
E.2 Model Pendekatan HKSA Hansch Hansch mengemukakan suatu konsep bahwa hubungan struktur kimia dengan aktivitas biologis (log 1/C) suatu turunan senyawa dapat dinyatakan secara kuantitatif melalui parameter-parameter sifat kimia fisika dari subtituen yaitu parameter hidrofobik (π) , elektronik (σ) dan sterik (ES). Pendekatan hubungan struktur aktivitas melalui parameter sifat kimia fisika oleh Hansch dinyatakan melalui persamaan regresi linear berikut (Siswandono, 1995) : Log 1/C = a Σ π + b Σ σ + c Σ ES + d C Σ π, Σ σ, Σ ES a, b, c, d
(2)
: Kadar untuk respon biologis baku : Sumbangan sifat hidrofobik, elektronik dan sterik dari gugus-gugus terhadap sifat-sifat senyawa induk yang berhubungan dengan aktivitas biologis. : Bilangan (tetapan) yang didapat dari perhitungan analisis regresi linier.
18
Parameter sifat kimia fisika yang sering digunakan dalam HKSA model Hansch adalah parameter hidrofobik, elektronik dan sterik. Pada proses distribusi obat, pengaruh sifat hidrofobik pada umumnya lebih besar dibanding sifat elektronik. Proses interaksi obat dengan reseptor sangat dipengaruhi oleh ikatan kimia, kerapatan elektron, ukuran molekul, dan efek stereokimia. Dalam hubungan struktur aktivitas, ketiga parameter sifat kimia fisika di atas ikut dilibatkan, terutama parameter elektronik dan sterik (Siswandono, 1995). Pengembangan obat melalui pendekatan QSAR. Meskipun tahapan perancanangan obat hanya tahapan awal dari seluruh rangkaian yang panjang dan kompleks dari pengembangan obat, namun perancangan obat cukup menyita waktu, tenaga dan biaya apabila hanya dilakukan secara trial and error (mencobacoba). Tetapi sebaliknya, perancangan obat dengan pendekatan yang rasional yaitu QSAR, maka akan memberikan manfaat efisiensi dan efektivitas kerja dari totalitas tahapan pengembangan obat Aktivitas dari suatu senyawa adalah fungsi dari tiga faktor terpisah yaitu efek hidrofobik, efek elektronik dan efek sterik (Siswandono, 2000). E.2.1 Sifat Hidrofobik Sifat hidrofobik obat adalah krusial untuk menjelaskan bagaimana suatu molekul dapat dengan mudah melewati membran sel, dan juga bagaimana berinteraksi dengan reseptornya. Perubahan subtituen pada obat bisa memberikan efek yang signifikan terhadap sifat hidrofobik molekulnya sehingga ikut mempengaruhi aktivitas biologi dari molekul tersebut. Efek hidrofobik suatu obat dapat diukur secara eksperimen melalui pengujian distribusi relatif suatu obat ke
19
campuran oktanol-air. Molekul hidrofob akan terlarut dalam lapisan oktonol, sedangkan lapisan hidrofil akan terlarut dalam lapisan air. Selain log P, beberapa sifat fisikokimia yang termasuk dalam kelompok efek hidrofobik adalah konstanta hidrofobik subtituen (π, π2), harga Rm dalam kromatografi cair (log P = log Rm + log C), waktu elusi dalam kromatografi cair tekanan tinggi atau HPLC (log P = log k1 + log C), kelarutan (S, log S), tetapan fragmentase Rekker-Mannhold (f), tetapan fragmentasi Hansch-Leo (f) (Wolff, 1994). E.2.2 Sifat Elektronik Efek elektronik berbagai jenis subtituen memiliki efek terhadap ionisasi atau polaritas. Hal ini bisa memiliki efek seberapa mudah suatu obat dapat melewati membran sel atau seberapa kuat suatu obat dapat berikatan pada reseptor. Ukuran pengaruh efek elektronik dari suatu subtituen pada cincin aromatik dikenal sebagai konstanta subtituse Hammet (σ). Konstanta subtitusi Hammet (σ) adalah ukuran kekuatan tarikan elektron atau sumbangan elektron subtituen dan ditentukan melalui pengukuran disosiasi seri senyawa benzoik tersubtitusi dibandingkan dengan disosiasi asam benzoik. Reaksi (log K), parameter reaksi (t½), potensial ionisasi (I), polarisabilitas molar elektronik (PE), momen dipol elektronik (μ), pergeseran kimia spektrum NMR (Δppm), pergeseran kimia spektrum IR (ΔV), potensial redoks (E). Kelompok parameter semi teoritis adalah tetapan elektronik Hammet (σ, σ2), efek elektronik subtituen posisi – para (σp), efek elektronik subtituen posisi –meta (σm), tetapan induktif alifatik (σI), tetapan subtituen molat Taft (σ*), tetapan induktif field (F), tetapan resonansi (R), dan tetapan reaksi Homolitik (ER).
20
Kelompok parameter teori orbital molekul meliputi energi total elektron dalam molekul (Etot), kemampuan donor total elektron molekul (HOMO), kemampuan akseptor total elektron molekul (LUMO), kerapatan muatan atom (ε), muatan elektonik atom (q) dan koefisien orbital atom (c) (Wolff dkk., 1996). E.2.3 Sifat Sterik Sterik menggambarkan ukuran, bentuk dan kompleksitas molekul suatu senyawa. Besar kecilnya suatu senyawa dapat berpengaruh terhadap kecepatan absorbsi dan interaksi obat dengan suatu reseptor atau enzim sehingga dapat meningkatkan aktivitasnya (Fatimah, 2008). Tetapan sterik substituen dapat diukur berdasarkan sifat meruah gugus-gugus dan efek gugus pada kontak obat dengan sisi reseptor yang berdekatan. parameter sterik yang sering digunakan dalam HKSA antara lain adalah tetapan Es Taft, Tetapan Esc Hancock, tetapan dimensi van der Waal’s, tetapan U Charton, tetapan sterimol Verloop, berat molekul, refraksi molar dan parakor (Siswandono, 1995). F. Analisis Statistik F.1 Analisis Multiple linear regression (MLR) Analisis statistik yang sering digunakan untuk mempelajari hubungan struktur dan aktivitas suatu molekul obat adalah analisis regresi multilinear. Beberapa program komputer digunakan untuk memudahkan perhitungan regresi multilinear antara berbagai kombinasi deskriptor dengan aktivitas suatu seri senyawa, salah satunya yaitu dengan menggunakan SPSS (Pranowo, 2000). SPSS dipilih dalam penelitian ini karena SPSS merupakan software statistik terpopuler di dunia, termasuk di Indonesia. SPSS mampu memecahkan
21
permasalahan statistik dari yang sederhana hingga yang cukup kompleks seperti multivariasi. Keunggulan dari SPSS adalah tampilannya yang sudah menyerupai Microsoft Excel dan tampilan grafis yang lebih baik. Analisis regresi multilinear digunakan untuk mendapatkan persamaan matematis HKSA dan aktivitas biologi prediksi (Mushlihin, 2015). Keabsahan persamaan HKSA yang diperoleh dari parameter yang digunakan dalam hubungan antara struktur-aktivitas dapat dilihat dengan beberapa kriteria statistik seperti R, R2, Fhitung/Ftabel (Bohm ddk. 1999). Koefisien korelasi yang dinyatakan dengan R merupakan ukuran kekuatan hubungan antara variabel terikat dengan variabel bebas. Nilai R berjarak dari -1 hingga +1. Nilai -1 menandakan bahwa hubungan variabel bebas dan variabel terikat tidak memiliki hubungan yang berarti, sedangkan nilai +1 menyatakan bahwa variabel bebas mempengaruhi variabel terikat. 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 ≥ 0,9 (Siswandono, 2000). Kriteria statistik R2 menunjukkan berapa persen (%) aktivitas biologis dapat menjelaskan hubungannya dengan parameter sifat kimia yang digunakan. Dalam HKSA nilai R2 yang baik adalah yang lebih dari 0,8 atau mendekati 1. Sementara itu, kriteria statistik F menunjukkan kemaknaan hubungan bila dibandingkan dengan F tabel. Dimana nilai persyaratan Fhitung/Ftabel harus lebih dari 1 agar persamaan HKSA dapat diterima. Nilai Fhitung/Ftabel adalah indikator yang menunjukkan bahwa hubungan yang dinyatakan oleh persamaan adalah
22
benar dan bukan suatu kebetulan. Semakin tinggi nilai Fhitung/Ftabel maka akan semakin kecil kemungkinan hubungan tersebut karena kebetulan (Siswandono, 1995). Hasil perhitungan juga diperoleh nilai tetapan dan nilai koefisien setiap variabel bebas yang terlibat dalam persamaan yang dihasilkan. Nilai koefisien yang diperoleh digunakan untuk menghitung aktivitas inhibisi teoritis. F.2 Validasi Internal dan Eksternal Persamaan HKSA F.2.1 Validasi Internal Validasi internal model HKSA dilakukan berdasarkan molekul yang digunakan dalam pengembangan model. Ini melibatkan prediksi aktivitas molekul dipelajari diikuti oleh estimasi parameter untuk mendeteksi ketepatan prediksi. Untuk menilai kualitas dan kebaikan fit dari model, validasi internal adalah teknik ideal. Tapi, kelemahan utama dari pendekatan ini adalah kurangnya prediktabilitas model ketika diterapkan pada set data baru (Roy dkk., 2015). Biasanya validasi internal yakni dipakai adalah validasi Leave One Out (LOO) dengan persamaan berikut. q2 = 1 – q2 y y’ ӯ
Σ(y - y')
2
2 Σ(y - ӯ)
(3)
: Koefisien Validasi Silang : Aktivitas eksperimen senyawa i : Aktivitas prediksi validasi silang senyawa i : Aktivitas eksperimen rata – rata senyawa i
Persamaan HKSA yang dipilih adalah persamaan dengan nilai kriteria statistik terbaik dan memenuhi kriteria validasi yaitu q2 ≥ 0,5 (JinCan dkk., 2008).
23
F.2.2 Validasi Eksternal Penilaian dalam prediktabilitas model dikembangkan dari validasi internal yang sama sekali baru dari senyawa, seperti validasi internal yang menganggap kimia milik set yang sama dalam senyawa yang digunakan untuk pengembangan model. Jadi untuk validasi eksternal, tersedia kumpulan data biasanya dibagi menjadi training sets dan test sets kemudian model dikembangkan dengan training sets dan model yang dibangun dvalidasi dengan eksternal menggunakan set molekul tes yang tidak dimanfaatkan dalam proses pengembangan model. Validasi eksternal menjamin prediktabilitas dan penerapan model QSAR yang dikembangkan untuk prediksi molekul belum teruji. Biasanya menggunakan R2pred sebagai ukuran kekuatan validasi eksternal. ∑(Y
‒ Y
)2
eks(Test) pred(test) 2 =1‒∑ Rpred (Yeks(Test) ‒ Y(training))2
R2pred Yeks(Test) Ypred(test) Y(training)
(5)
: Koefisien Korelasi test sets : Aktivitas eksperimen test sets senyawa i : Aktivitas prediksi test sets senyawa i : Aktivitas eksperimen rata-rata training sets senyawa i
Kriteria untuk data test sets adalah R2pred = 0,6. (Roy, dkk. 2015)
24
G. Deskriptor Tabel 1. Deskriptor yang mewakili parameter hidrofobik, elektronik dan terik sesuai dengan pendekatan Hansch (MOE 2009.10) No.
Simbol pada software
Simbol Nama Besaran Umum
Satuan
1.
AM1_dipole
Μ
Momen dipole
Debye
2.
AM1_E
ETot
Energi total
KKal/mol
3.
AM1_Eele
EEle
Energi elektronik
KKal/mol
4.
AM1_HF
ΔHf
Panas pembentukan
KKal/mol
5.
AM1_HOMO EHOMO
Energi HOMO
KKal/mol
6.
AM1_LUMO
ELUMO
Energi LUMO
KKal/mol
7.
Glob
Glob
Globularitas
8.
Log P(o/w)
log P
Koefisien partisi
9.
Mr
MR
Refraktivitas molar
Å3/mol
10.
Apol
P
Polarisabilitas atom
Å3
11.
ASA_H
Å
Luas permukaan hidrofobik
Å2
12.
Log S
log S
kelarutan dalam air
13.
Vol
Vol
Volume molekuler
Å
Å3
25
H. Kerangka Konsep Data Struktur dan Aktivitas Senyawa Antikanker
Li dkk. (2014)
- Dimodel Struktur secara 3D - Dioptimasi Struktur Hasil Optimasi Struktur
Perhitungan Deskriptor
Pembagian Data Set
Training Sets
Test sets
- R, dan R2 - 3 sampai 5 Deskriptor
Prediksi
Model Persamaan Paling Signifikan
Validasi Model
Validasi Eksternal
Validasi Internal - Leave One Out (LOO) q2 - Uji F
Persamaan HKSA Terbaik
- R2prediksi - R2 overall
26
III. METODE PENELITIAN
A. Waktu dan Tempat Penelitian Penelitian ini dilakukan di Laboratorium IT Jurusan Kimia FMIPA UHO dari bulan Oktober 2016-Januari 2017. B. Alat dan Bahan B.1 Alat Alat yang digunakan dalam penelitian ini terdiri dari perangkat lunak dan perangkat keras seperti dibawah ini sebagai berikut: a. Software Perangkat lunak yang digunakan dalam penelitian ini adalah GaussView 3.08, Gaussian 03W, Open Babel GUI 2.3.2, MOE 2009.10, Microsoft Office Excel 2007, dan SPSS 19.0. b. Hardware Perangkat keras yang digunakan berupa personal komputer Intel Inside Pentium 1.00 GHz; RAM 2 GB; tipe system 32 bit; Operating System: Windows® 7 Ultimate. B.2 Bahan Bahan yang digunakan dalam penelitian ialah senyawa turunan yang telah memiliki aktivitas IC50 eksperimen seperti yang terlihat pada Gambar 3 dan Tabel 1 (Li dkk., 2014).
27
Tabel 1. Ar senyawa17-((1,6-heksandiamina)aroilamido)-17demothoksigeldanamisin (Li dkk., 2014) Log 1/IC50 No. Ar No. Ar (μM)
Log 1/IC50 (μM)
F
5s1
-0,61909
5s14
-0,40654
-0,61278
5s15
-0,5977
Cl
5s2
NO2 Cl
5s3
-0,5302
5s16
-0,20683
HO
Br
5s4
-0,66745
5s17
-0,59439
HO
OMe I
5s5
-0,5977
5s18
-0,46982
5s19
-0,52114
O2N
5s6
-0,65706
MeO
MeO OH
5s7
-0,63849
5s20
-0,23045
HO
MeO
28
Br
5s8
MeO
-0,37107
5s21
OMe
-0,26951
MeO
N
MeO
N
5s9
-0,08636
N
5s22
0,721246
MeO
MeO
5s10
-0,48144
5s23
F3C
-1
-0,71096
5s24
F3CO
-1
-0,7185
5s25
(H3C)2CN
S
5s11
Cl
5s12
-0,32428
N
5s13
0,0362 N
C. Prosedur Penelitian C.1 Pemodelan Struktur Molekul Setiap senyawa (5s1-5s25) dibangun dengan menggunakan perangkat lunak GaussView 3.08.
29
C.2 Optimasi Struktur Setiap senyawa dioptimasi strukturnya
menggunakan software Gauss 03W
sampai dihasilkan file ektensi *.log. Kemudian diubah ke dalam bentuk file *.mol dengan menggunakan software Open Babel GUI 2.3.2. C.3 Perhitungan Deskriptor Perhitungan deskriptor menggunakan Moleculer Operation Evironment (MOE 2009.10) dengan pendekatan Hansch. C.4 Pembagian Data Data Log 1/IC50 eksperimen dibagi menjadi 2 data yakni data internal (training sets) dan eksternal (test sets). Pembagian data tersebut dilakukan berdasar pembagian nilai terendah sampai tertinggi (Vaulina dkk., 2012). Data yang terbagi menjadi 19 data internal dan 6 data eksternal seperti Tabel 3 dibawah ini sebagai berikut: Tabel 3. Data Senyawa Training Sets dan Test Sets Log 1/IC50 Log 1/IC50 Senyawa Eksperimen Senyawa Eksperimen (μM) (μM) *5s22
0,7212
*5s3
-0,5302
*5s9
-0,0864
*5s15
-0,5977
*5s20
-0,2304
*5s2
-0,6128
*5s21
-0,2695
*5s1
-0,6191
*5s25
-0,3243
*5s7
-0,6385
*5s8
-0,3711
*5s19
-0,6571
*5s14
-0,4065
*5s12
-0,7185
30
*5s6
-0,4698
*5s23
-1,0000
*5s10
-0,4814
*5s24
-1,0000
*5s18
-0,5211
**5s4
-0,6675
**5s11
-0,7110
**5s5
-0,5977
**5s16
-0,2068
**5s13
0,0362
**5s17
-0,5944
Ket: * = Data Training Sets dan ** = Data Test Sets C.4 Analisis Statistik Analisis statistik pada penelitian ini menggunakan aplikasi SPSS 19.0 dengan Analisis Regresi Multilinear atau Multiple Linear Regression (MLR). Log 1/IC50 eksperimen sebagai variabel terikat dan deskriptor sebagai variabel bebas lalu dicari model deskriptor yang paling sedikit dengan metode backward. Kemudian model yang paling sedikit atau memiliki 3 sampai 5 deskriptor dan model yang memenuhi syarat statistik R, R2, F. Maka dapat dipakai sebagai persamaan HKSA/prediksi aktivitas. C.5 Validasi Persamaan HKSA C.5.1 Validasi Internal Validasi internal dilakukan menguji kemampuan model persamaan HKSA yang terpilih dan yang telah memenuhi kriteria statistik maka divalidasi dengan metode validasi silang LOO q2 (Veerasamy dkk., 2011). C.5.1 Validasi Eksternal Validasi ekternal dilakukan untuk menguji kemampuan model yang terpilih pada data training sets dengan menggunakan data test sets (Mitchell, 2014).
31
IV. HASIL DAN PEMBAHASAN
A. Pengumpulan Data Data
Senyawa
turunan
17-((1,6-heksandiamina)aroilamido)-17-
demothoksigeldanamisin pada penelitian ini diperoleh dari jurnal penelitian Li dkk. (2014). Senyawa-senyawa yang telah dibentuk dan dioptimasi strukturnya menggunakan aplikasi GaussView 3.08 dan Gaussian 03W dengan metode semiempirik Austin Model 1 (AM1) yang diatur pada keadaan energi dasar sehingga menghasilkan struktur stabil (Gambar 4 dan Lampiran 1). Digunakan metode semiempirik AM1 karena metode ini memiliki ketepatan prediksi yang baik terutama senyawa organik dan tidak memerlukan komputer yang memiliki momori dan RAM (Random Acces Memory) yang besar serta tidak membutuhkan waktu yang lama dalam perhitungan.
keterangan:
= Atom oksigen (O); = Atom hidrogen (H);
= Atom Karbon (C); = Atom nitrogen (N)
Gambar 4. Model Struktur 3D Senyawa 17-((1,6-heksandiamina)aroilamido)-17demothoksigeldanamisin Hasil Optimasi menggunakkan aplikasi GaussView 3.08
32
B. Perhitungan Deskriptor Perhitungan deskriptor yang telah dihitung menggunakan perangkat lunak MOE 2009.10 (Lampiran 2). Senyawa-senyawa tersebut telah sesuai dengan parameter-parameter pendekatan Hansch seperti parameter elektronik, hidrofobik dan sterik. Parameter elektronik meliputi: Energi total (AM1_E), Momen dipol (AM1_Dipole), Energi elektronik (AM1_Eele), Energi HOMO (AM1_HOMO) dan Energi LUMO (AM1_LUMO); Parameter hidrofobik meliputi: Koefisien Partisi (Log P (o/w)), Luas Permukaan Hidrofobik (ASA_H), Kelarutan dalam Air (Log S) dan Polaritas (Apol); Parameter sterik meliputi: Panas Pembentukan (AM1_HF), Globularitas (Glob), Refraksivitas molar (mr) dan Volume molekul (Vol). Senyawa-senyawa turunan yang telah dihitung dibagi menjadi 2 data sets yaitu: data Training sets dan Test sets. Training sets berfungsi sebagai data validasi internal dan Test sets berfungsi sebagai data validasi eksternal. Tujuan dilakukan pembagian dua data sets ialah agar model persamaan HKSA yang didapatkan memiliki stabilitas model yang baik sehingga dapat digunakan sebagai prediktor aktivitas inhibisi senyawa yang telah memenuhi kriteria atau parameter yang harus dipenuhi. Data training sets berfungsi untuk membangun persmaan HKSA dan data test sets untuk memvalidasi dan memprediksi senyawa yang masih dalam satu turunan dengan senyawa dalam penelitian ini.
33
C. Studi Hubungan Kuantitatif Struktur dan Aktivitas (HKSA) C.1 Analisis MLR Analisis MLR merupakan metode analisis regresi linear untuk mengetahui hubungan antara variabel terikat dan varibel bebas. Variabel terikat yang digunakan disini ialah nilai Log 1/IC50 eksperimen dan variabel bebas yang digunakan disini ialah nilai Log 1/IC50 prediksi. Analisis MLR data training sets dengan metode backward dengan menggunakan sebanyak 13 deskriptor yang mewakili sifat hidrofobik, elektronik dan sterik dalam menentukan HKSA suatu senyawa. Hasil yang didapatkan sebanyak 9 model. Semua model memenuhi kriteria statistik R dan R2 yang sesuai pendekatan Hansch seperti pada Tabel 4. Namun Model yang paling spesifik atau sedikit deskriptornya adalah model ke-9 yang telah mewakili 3 parameter, oleh karena itu, model 9 dipilih untuk membangun persamaan HKSA karena hanya memiliki 5 deskriptor. Meskipun model 9 hasil dari perhitungan SPSS memiliki nilai R dan R2 lebih rendah. Deskriptor-deskriptor model 9 yakni: AM1_dipole, log P (o/w), AM1_E, log S, dan mr. Deskriptor tersebut memiliki pengaruh sangat kuat terhadap aktivitas atau kemampuan dalam menghambat inhibitor Hsp90.
34
Tabel 4. Model Summary (SPSS 19.0) Model
R
R Square (R2)
1a 2b 3c 4d 5e 6f 7g 8h 9i
0,974 0,974 0,974 0,971 0,965 0,957 0,949 0,941 0,936
0,948 0,948 0,948 0,942 0,932 0,916 0,901 0,886 0,876
Std. Error of the Estimate (SEE) 0,1596 0,1457 0,1349 0,1329 0,1365 0,1432 0,1487 0,1527 0,1532
a. Deskriptos : (Konstanta), vol, AM1_dipol , log P (o/w), AM1_E, AM1_HOMO, AM1_HF, glob, AM1_LUMO, log S, AM1_Eele, mr, ASA_H, apol b. Deskriptor : (Konstanta), vol, AM1_dipol, log P (o/w), AM1_E, AM1_HOMO, AM1_HF, glob, AM1_LUMO, log S, AM1_Eele, mr, ASA_H c. Deskriptor : (Konstanta), AM1_dipol, log P (o/w), AM1_E, AM1_HOMO, AM1_HF, glob, AM1_LUMO, log S, AM1_Eele, mr, ASA_H d. Deskriptor : (Konstanta), AM1_dipol, log P (o/w), AM1_E, AM1_HF, glob, AM1_LUMO, log S, AM1_Eele, mr, ASA_H e. Deskriptor : (Konstanta), AM1_dipol, log P (o/w), AM1_E, glob, AM1_LUMO, log S, AM1_Eele, mr, ASA_H f. Deskriptor : (Konstanta), AM1_dipol, log P (o/w), AM1_E, glob, log S, AM1_Eele, mr, ASA_H g. Deskriptor : (Konstanta), AM1_dipol, log P (o/w), AM1_E, log S, AM1_Eele, mr, ASA_H h. Deskriptor : (Konstanta), AM1_dipol, log P (o/w), AM1_E, log S, mr, ASA_H i. Deskriptor : (Konstanta), AM1_dipol, log P (o/w), AM1_E, log S, mr
Model ke-9 pada tabel 5 di atas memiliki koefisien korelasi yang kuat yakni R = 0,936. Hal ini menunjukan bahwa hubungan antara variable terikat dan variabel bebas memiliki hubungan yang kuat untuk dijadikan sebagai persamaan HKSA. Kemudian diperkuat dengan nilai koefisien determinasi R2 sangat penting dalam menjelaskan hubungan antara Log 1/IC50 eksperimen sebagai variabel terikat dan deskriptor sebagai variabel bebas. Dari hasil metode perhitunga analisis MLR didapatkan nilai R2 = 0,876 maka pengaruh deskriptor terhadap Log 1/IC50 eksperimen sebesar 87,6% . Berdasarkan penjelasan siswandono (1995) nilai R2 semakin mendekati nilai 1 (satu) maka hubungan antara aktivitas dengan deskriptor semakin baik.
35
C.2 Validasi Model Persamaan HKSA Terpilih dengan Validasi Internal dan Eksternal C.2.1 Validasi Internal Validasi internal dilakukan untuk menguji model persamaan HKSA yang terpilih dari data Training sets. Validasi dilakukan dengan Uji Fhitung/tabel dan Validasi Silang LOO. Validasi nilai Fhitung/tabel dilakukan untuk mengetahui pengaruh deskriptor secara simultan (bersama-sama) terhadap aktivitas inhibisi. Sedangkan validasi LOO untuk menilai kualitas dan kebaikan model persamaan yang terbentuk dari analisis regeresi linear. Tabel 5 menunjukan nilai Fhitung/tabel model 1 sampai 9 semakin meningkat atau besar. Hal menunjukan semua model dapat diterima karena memenuhi kriteria nilai F(hitung/tabel) > 1 namun model yang paling besar nilai Fhitung/tabel adalah model ke-9. Tabel 5. Probabilitas Model (Uji F) Model F hitung Ftabel
F (hitung/tabel)
1
7,019
4,655
1,508
2
9,125
3,999
2,281
3
11,600
3,603
3,219
4
13,084
3,347
3,909
5
13,605
3,179
4,280
6
13,684
3,072
4,455
7
14,268
3,012
4,737
8
15,524
2,996
5,181
9
18,295
3,025
6,047
36
Namun Siswandono (1995) menyatakan semakin tinggi nilai Fhitung/tabel suatu model regresi maka model tersebut semakin baik dan dalam bukunya Roy dkk. (2015) menyatakan semakin besar nilai Fhitung dibandingkan Ftabel maka model tersebut memiliki pengaruh secara signifikan. Model yang memiliki probabilitas paling baik dan signifikan adalah model ke-9 yang dengan nilai Fhitung = 18,295 dan serta F(h/t) = 6,047 dibandingkan model lain, serta Validasi silang LOO model ke-9 didapatkan koefisien validasi silang q2 = 0,49 (Lampiran 4) jika dibulatkan menjadi 0,5. Ini sesuai dengan standar nilai q2 ≥ 0,5, menunjukan model persamaan HKSA terpilih dapat digunakan dalam memprediksi aktvitas biologis (nilai Log 1/IC50). karena memiliki kualitas dan fit model yang baik. Tabel 6. Konstanta Koefisisien Model 9 Model Konstanta AM1_dipole (*) AM1_E (*) 9 Log P(o/w) (**) Log S (**) Mr (***) Keterangan: (*) = Parameter Eletronik (**) = Parameter Hidrofobik (***) = Parameter Sterik
Koefisien -8,558 -0,138 0,000 -0,795 -0,610 0,310
Tabel 6 memeprlihatkan deskriptor dan koefisien model 9. Deskriptor model 9 ini merupakan dsekriptor yang sangat berpengaruh terhadap aktivitas inhibisi senyawa training sets. Secara matematis dapat ditulis sebagai berikut: Log 1/IC50 = -8,558 + AM1_dipole (-0,138) + AM1_E (-1,82 x 10-6) + Log P(o/w) (-0,795) + Log S (-0,610) + Mr (0,310) (5) Persamaan (5) menunjukan nilai setiap deskriptor berbeda-beda. Konstanta koefisien deskriptor yang bertanda negatif (-) memberikan makna semakin besar
37
nilai deskriptor tersebut maka akan menurunkan Log 1/IC50. Sedangkan nilai konstanta koefisien deskriptor bernilai positif akan meningkatkan nilai Log 1/IC50. Parameter yang sangat berpengaruh berdasarkan nilai positif dan negatif konstanta koefisien adalah parameter hidrofobik (Log P (o/w) dan Log S) yang dapat memberikan pengaruh nilai aktivitas semakin kecil. Dilihat data Tabel 7 senyawa dengan nilai momen dipol yang paling rendah adalah senyawa 5s3. Hal ini dipengaruhi oleh subtituen -Cl (klorin) yang memberikan pengaruh beda keeloktronegatifan secara struktural rendah dibandingkan senyawa turunan lain. Sedangkan yang paling besar adalah senyawa 5s23 yang dipengaruhi oleh subtituen -NO2. Sedangkan senyawa yang memiliki kestabilan paling baik adalah 5s10 karena pengaruh subtituen -C4H3S dan yang paling kurang stabil adalah 5s24. Tabel 7. Nilai Setiap Deskriptor Persamaan HKSA Terpilih AM1_dipole Log P (o/w) Mol AM1_E (*) Log S (**) (*) (**) 5s1 5s9 5s10 5s12 5s14 5s15 5s2 5s18 5s19 5s20 5s21 5s22 5s3 5s23 5s24 5s25 5s6 5s7
3,0686 3,5466 2,2682 2,6482 2,0739 2,3826 2,8254 2,789 3,0027 3,4854 3,57 4,5196 1,6787 6,8223 5,8396 4,4155 6,646 2,2492
-235284,86 -227409,2 -222352,81 -239247,86 -234538,41 -234538,45 -232717,92 -241915.,45 -241917,8 -249308,53 260281,88 -260284,0 -232716,3 -263581,91 -270976,0 -239622,56 -243572,64 -239199,31
4,1417 1,6107 3,5187 5,2617 4,9677 4,9307 4,5807 4,5867 4,5887 4,2137 3,5562 3,6322 4,5787 5,1255 5,5895 4,1057 3,9237 3,4837
-7,5591 -6,167 -7,0708 -8,5043 -8,2439 -8,2439 -7,9984 -7,8204 -7,8204 -7,9824 -8,0328 -8,0328 -7,9984 -8,9382 -9,071 -7,8091 -8,0544 -6,5403
Mr (***) 20,8365 20,4205 20,6309 22,1593 22,0753 22,0753 21,2676 22,2697 22,266 22,427 23,071 23,0672 21,2714 21,8196 21,9912 22,3699 21,2695 20,9995
38
5s9 3,2143 -233743,47 3,5897 Ket: (*) = Elektronik, (**) = Hidrofobik, (***) = Sterik
-7,0964
21,3599
Koefisien partisi menunjukan kemampuan distribusi obat dalam melewati membran sel. Senyawa yang paling tinggi koefisien partisinya adalah 5s24 dan yang paling rendah adalah senyawa 5s9 (Tabel 7). Semakin tinggi nilai koefisien partisi maka senyawa tersebut semakin besar pengaruh hidrofobiknya dalam sel. Demikian dengan kelarutan senyawa 5s24 dalam air paling besar. Hal ini dipengaruhi oleh subtituennya yang memberikan sifat polar yang besar sehingga nilai Log S besar pula. Sedangkan yang paling rendah nilai Log S adalah 5s9. Suatu senyawa yang memiliki efek sterik yang besar dapat memberikan kejenuhan suatu molekul dalam berinterasksi. Pada Tabel 7 parameter sterik yang berpengaruh terhadap aktivitas adalah refraksivitas molar (mr). Refraksivitas molar merupakan ukuran penyebaran molekul dalam satu mol senyawa. Senyawa yang memiliki paling tinggi adalah 5s21 dan 5s22 sedangkan yang paling rendah adalah 5s9. C.2.1.3 Perbandingan Log 1/IC50 Eksperimen dan Log 1/IC50 Prediksi Data Training Sets Studi HKSA dengan menggunakan pendekatan Hansch, berdasarkan Gambar 5 dapat menjelaskan hubungan aktivitas eksperimen dan prediksi yang memiliki nilai koefisien determinasi yang mendekati 1. Nilai koefisien determinasi (R2) data training sets aktivitas prediksi terhadap eksperimen yaitu 0,876. Maka hubungan antara aktivitas prediksi terhadap eksperimen baik dengan tingkat kedekatan sebesar 87,6%.
39
0.8 0.6 -X
0.4 0.2 -1.5000
-1.0000
0 -.5000 -0.2.0000 -0.4
.5000
1.0000 Log 1/IC50 Training sets
-0.6 Linear (Log 1/IC50 Training sets)
-0.8 -1 -1.2 -Y
Gambar 5. Grafik Training Sets Log 1/IC50 Prediksi (Y) Vs Eksperimen (X) C.2.2 Validasi Eksternal Model persamaan HKSA yang terpilih dapat memprediksi nilai aktivitas biologis (Log 1/IC50) test sets. Hal ini dapat dilihat pada Tabel 8 yang menampilkan nilai-nilai Log 1/IC50 eksperimen dan prediksi dari data test sets. Tabel 8. Data Aktivitas Eksperimen dan Prediksi Test Set Senyawa Log 1/IC50 Eks Log 1/IC50 Pred 5s17 -0,20682588 -0,21328604 5s16 -0,59439254 -0,71745425 5s5 -0,59769517 -0,76261006 5s4 -0,66745293 -0,582056518 5s11 -0,71096313 -0,686460417 5s13 0,0362122 0,22056775
-X
40
-.8000
-.6000
-.4000
0.3 0.2 0.1 0 -.2000 -0.1.0000
-Y
.2000
-0.2 -0.3 -0.4 -0.5 -0.6 -0.7 -0.8
Log1/IC50 Test sets Linear (Log1/IC50 Test sets)
Gambar 6. Grafik Test Sets Log 1/IC50 Prediksi (Y) Vs Eksperimen (X) Dari data Gambar 6 dapat dilihat linearitas prediksi aktivitas data test sets memiliki hubungan yang baik antara eksperimen dan prediksi sebesar 0,92. Data ini juga telah tervalidasi dengan nilai R2prediksi = 0,81 (Lampiran 6). Roy dkk., (2015) menyatakan kriteria validasi statistik yang harus dipenuhi oleh data test sets dengan nilai R2prediksi = 0,6. Hal ini pula membuktikan model ke-9 persamaan HKSA yang terpilih mampu memprediksi dan dapat digunakan sebagai persamaan HKSA. Persamaan HKSA terpilih telah memenuhi kriteria statistik dan tervalidasi dalam
memprediksi
aktivitas
biologis
test
sets.
Kemudian
dilakukan
penggabungan data aktivitas biologis seluruh data yang digunakan dalam penelitian ini. Koefisien determinasi berdasarkan Gambar 7, menunjukan hubungan yang kuat antara aktivitas eksperimen dan prediksi dengan nilai R2 = 0,870. Senyawa dengan kode nama 5s9 dan 5s20 merupakan senyawa paling baik untuk digunakan sebagai senyawa penghambat Hsp90 (Lampiran 3 dan 5) karena
41
memiliki nilai aktivitas (Log 1/IC50) paling rendah. Hail ini mendukung laporan penelitian eksperimen Lee dkk. (2014) yang melaporkan bahwa senyawa tersebut memiliki kemampuan inhibisi yang baik karena memiliki nilai Log 1/IC50 yang paling rendah. 0.80 0.60 0.40 -X
0.20
-1.50
-1.00
-0.50
0.00 0.00 -0.20
0.50
1.00
-0.40 -0.60 -0.80 -1.00 -1.20
-Y
Gambar 7. Grafik Log 1/IC50 Prediksi (Y) Vs Eksperimen (X) (Gabungan) Persamaan HKSA yang terpilih dapat digunakan untuk menghitung nilai aktivitas senyawa baru yang masih dalam turunan senyawa 17-((1,6heksandiamina)aroilamido)-17-demothoksigeldanamisin. Nilai prediksi aktivitas tersebut dapat memudahkan dalam pencarian senyawa baru. Dikarenakan senyawa dengan aktivitas yang terbaik dapat digunakan sebagai uji tahap selanjutnya.
42
V. PENUTUP
A. Kesimpulan Kesimpulan dalam penelitian ini adalah sebagai berikut: 1.
Deskriptor yang berpengaruh terhadap aktivitas antikanker senyawa turunan 17-((1,6-heksandiamina)aroilamido)-17-demothoksigeldanamisin
yakni
AM1_dipole, log P(o/w), AM1_E, log S, dan mr. 2.
Persamaan HKSA yang dapat digunakan sebagai prediksi aktivitas antikanker
senyawa
turunan
17-((1,6-heksandiamina)aroilamido)-17-
demothoksigeldanamisin adalah Log 1/IC50 = -8,435 + AM1_dipole (-0,138) + AM1_E (-1,82 x 10-6) + Log P(o/w) (-0,795) + Log S (-0,610) + Mr (0,310) dengan kriteria statistik R = 0,936; R2 = 0,876; SEE = 0,153; Fhitung/tabel = 6,047; q2 = 0,49. 3.
Nilai aktivitas antikanker yang memiliki nilai prediksi terbaik yang digunakan
sebagai
inhibitor
adalah
senyawa
heksandiamina)aroilamido)-17-demothoksigeldanamisin
turunan
17-((1,6-
yang
memiliki
nilai terendah ialah senyawa dengan kode nama 5s20 dan 5s9 dengan nilai masing-masing yaitu -0,111 dan 0,184. B. Saran Saran dari penyusun ialah setelah dilakukan penelitian ialah diharapkan persamaan yang dihasilkan dapat dipergunakan sebagai rujukan desain senyawa turunan 17-((1,6-heksandiamina)aroilamido)-17-demothoksigeldanamisin yang baru yang lebih berpotensi sebagai antikanker dengan memvariasikan subtituen sedemikian rupa sehingga didapatkan aktivitas antikanker yang diusulkan.
43
DAFTAR PUSTAKA
Ali, M. M., Roe S. M., Vaughan C. K., Meyer P., Panaretou B., Piper P. W., Prodromou C, Pearl L. H., 2006, "Struktur kristal dari Hsp90-nukleotidaP23/Sba1 ditutup pendamping kompleks”, Alam, 440 (7087) : 1013-7. Aman, L.O., dan Daryon H. J., 2013, “Docking Molekular Senyawa Turunan 2Aminothieno[2,3-D] Pyrimidine Sebagai Inhibitor Hsp90”, Gorontalo, Universitas Gorontalo. Bohm, M., Sturzebecher, J., Klebe, G., 1999, “Three-Dimensional Quantitative Structure-Activity Relationship Analyses Using Comparative Molecular Field Analysis and Comparative Molecular Similarity Indices Analysis to Elucidate Selectivity Differences of Inhibitors Binding to Trypsin, Thrombin and Factor-Xa”, J. Med. Chem. 42 : 458-477. Buchner, J., 1999, "Hsp90 & Co-a Holding for Folding". Tren Biochem. Sci . 24 (4) : 136-41. Chen, B., Piel W. H., Gui L., Bruford E, Monteiro A., 2005, "The Hsp90 keluarga gen dalam genom manusia: wawasan perbedaan mereka dan evolusi". Genomics . 86 (6) : 627-37. DeBoer, C., Meulman P. A., Wnuk R. J., Peterson D. H., 1970, “Geldanamycin, Antibiotik Baru”, J. Antibiotic, 23 (9) : 442-7. Dobson, C. M., and Ellis, R. J., 1998, “Protein Folding and Misfolding Inside and Outside The Cell”. EMBO, 17 (18) : 5251-5254. Fatimah, N. F., 2008, Aplikasi Metode MLR Dan PCR Pada Analisis Hubungan Kuantitatif Struktur Dan Aktivitas Antitoksoplasma Senyawa Turunan Kuinolon Berdasarkan Deskriptor Teoritik. Skripsi. Yogyakarta : UGM. Fitria, A., Wijayanti N. K., Ismiyati N., Dewi D., Kundarto W., Sudarmanto B. S. A., Meiyanto, E., 2008, “Studi Potensi Kurkumin dan Analognya sebagai Selective Estrogen Receptor Modulators (SERMS): Docking pada Reseptor Estrogen Β”, Pharmacon, 9 (1) : 28-17. Foye, W. O. (ed), Rasyid R., Firman, K., Dh., Hariyanto, Suwarno, T., Musadar, A. (penerj), 1996, Prinsip-Prinsip Kimia Medisinal. Gaja Maja University Press. Goetz, M. P., Toft D. O., Ames M. M., and Erlichman C., 2003, "The Hsp90 Chaperone Complex as a Novel Target for Cancer Therapy", Ann. Oncol, 14 (8) : 1169-76.
44
Gusmita, W., 2013, “Studi Toksisitas Nitro Anilin Berdasarkan Hubungan Kuantitatif Struktur Aktivitas (HKSA) Toksik Amina Aromatik”, Universitas Andalas, Padang. JinCan, C., Li Q., Yong S., Lan Mei C., and Kang Cheng, Z., 2008, “A QSAR Study and Molecular Design of Benzothiazole Derivatives as A Potent Anticancer Agents”, Sci in China Ser B, 51 (2), 111-119. Kim, H.Y., J. Park, K. H. Lee, D. U. Lee, J. H. Kwak, Y. S. Kim, S.M. Lee, Toxicology, 2011, “The Future of Thoracoscopic Lobectomy in Lung Cancer. Asian Cardiovasc Thorac Ann”, 28 (2) 104-111. Kumar, M., Kee Fong T., Amat Taap M., 2009. “Determining The Relative Importance Of Critical Factors In Delivering Service Quality Of Banks : An Application Of Dominance Analysis In Servqual Model”, Managing Service Quality. 19 (2), 211-228. Kumar, M., dan Pooja M., 2015, “Fast Food Carcinogens: A Review”, World Journal of Pharmaceutical Research, 4 (8) : 965-967. Li, Z., L. Jia, J. Wang, X. Wu, H. Hao, H. Xu, Y. Wu, G. Shi, C. Lu, Y. Shen, Eur. J., 2014, “Discovery of Diamine-Linked 17-Aroylamido-17Demethoxygeldanamycins as Potent Hsp90 Inhibitors” European Journal of Med. Chem. 87, 346-363. Mitchell, J. B. O., 2014, “Machine Learning Methods in Chemoinformatics”, WIREs Computational Molecular, 4 : 468-481. Miyata Y., dan Yahara S., 1992). "The 90-kDa Heat Shock Protein, Hsp90, mengikat dan melindungi kasein kinase II dari diri-agregasi dan meningkatkan aktivitas kinase" . J. Biol. Chem . 267 (10) : 7042-7047. Modi, S., A. Stopeck, H. Linden, D. Solit, S. Chandarlapaty, N. Rosen, G. D'Andrea, M. Dickler, M.E. Moynahan, S. Sugarman, 2011, Clin. Cancer Res. 17 : 5132-5139. Muslihin, A. A., 2015, “ Hubungan Kuantitatif Struktur Aktivitas (HKSA) Turunan Asam Sinamat Terhadap Sel P388”, Skripsi, UIN Syarif Hidayatullah, Jakarta. Park, H., Ahn, I.Y., Lee, H.E., Expression of Hsp70 in The Thermally Stressed Antarctic Clam Laternula elliptica. Cell Stres and Chaperons, 2007, 12 (3) : 275-82. Peyrat, J. F., Messaoudi S., Brion J. D., Alami M., 2011, “Inhibitor dari Heat Shock Protein 90: Kanker Uji Klinis untuk Penyakit neurodegenerative, Atlas Genet Cytogenet Oncol Haematol, 15 (1) : 89-105.
45
Pranowo, H.D. 2000. Kimia Komputasi. Yogyakarta: Pusat Kimia komputasi Indonesia-Austria Universitas Gadjah Mada. Pranowo, H.D., 2016, Kimia Komputasi, Yogyakarta: Universitas Gajah Mada. Prodromou, C., dan Pearl L. H., “Structure and Functional Relationships of Hsp90”, Curr Cancer Drug Targets, 3(5) : 301-23. Roe, S. M., Prodromou C., O'Brien R., Ladbury J. E., Piper P. W., Pearl L. H., 1999, “Dasar Struktural untuk Penghambatan Pendamping Molekul Hsp90 oleh Radicicol Antibiotik Antitumor Dan Geldanamycin”, J. M. Chemistry, 42 (2) : 260-6. Ronnen, E. A., Kondagunta G. V., Ishill N., Sweeney S. M., Deluca J. K., Schwartz L., Bacik J., Motzer R. J., 2006, “Fase II Uji Coba 17(Allylamino) -17-demethoxygeldanamycin pada Pasien dengan Papiler dan Sel Jernih Karsinoma Sel Ginjal”, Berinvestasi Obat Baru, 24 (6) : 543-6. Roy, K., Kar S., and Das R.N., 2015, “A Primer on QSAR/QSPR Modeling”, SpringerBriefs in Molecular Science. 121 (47) : 46. Siswandono, H.D., 1995, Kimia Medisinal. Surabaya, Universitas Airlangga. Siswandono, H.D., 2000, Kimia Medisinal I. Surabaya, Universitas Airlangga. Siswandono, H.D., 2008, Kimia Medisinal Edisi 2 Cetakan Jilid 1, Surabaya, Universitas Airlangga. Solit, D. B., Ivy S. P., Kopil C., Sikorski R., Morris M. J., Slovin S. F., Kelly W. K., Delacruz A., Curley T., Heller G., Larson S., Schwartz L., Egorin M. J., Rosen N., Scher H. I., 2007, “Tahap I Uji Coba 17-allylamino-17demethoxygeldanamycin pada Pasien dengan Kanker Stadium Lanjut”, Clin Kanker Res, 13 (6) : 1775-1782. Vaulina, Y. D. E. Mochammad C., dan Mokhammad A., 2012, “Antikanker Senyawa Turunan Kalanon dengan Metode Semiempiris PM3”, Molekul, 7(2). Veerasamy, R., Harish R., Abhishek J., Shalini S., Christapher P. V., and Ram K. A.,, 2011, “Validation of QSAR Models - Strategies and Importance”, International Journal of Drug Design and Discovery, 2(3) : 511-519. Wolff, M.E., 1994, Asas-asas Kimia Medisinal. Yogyakarta: Gaja Mada University Press. www.cancer.gov.
diakses
pada
tanggal
7
Oktober
2016.
46
Lampiran 1. Model Hasil Optimasi Struktur 5s2
5s3
5s4
5s5
5s6
5s7
5s7
5s9
5s10
47
5s11
5s12
5s13
5s14
5s15
5s16
5s17
5s18
5s19
48
5s20
5s21
5s22
5s23
5s24
5s25
Ket: :
= Atom oksigen (O);
= Atom Iodin (I)
= Atom Karbon (C);
= Atom Bromium (Br)
= Atom hidrogen (H);
= Atom Sulfur (S)
= Atom nitrogen (N)
= Atom Clorin (Cl)
= Atom flourin (F)
49
Lampiran 2. Hasil Perhitungan Deskriptor log S
mr
Vol
0,0335
log P(o/w) 4,1417
-7,5591
20,8365
750,5
1090,0824 1084,9044 1190,16 1192,5984 1193,5212 1135,0612
0,0355 0,0364 0,0296 0,0285 0,0279 0,0336
1,6107 3,5187 5,2617 4,9677 4,9307 4,5807
-6,167 -7,0708 -8,5043 -8,2439 -8,2439 -7,9984
20,4205 20,6309 22,1593 22,0753 22,0753 21,2676
737 736,125 787,75 793,75 797,375 762,5
129,8676 129,8676
1202,4344 1210,2089
0,0273 0,0278
4,5867 4,5887
-7,8204 -7,8204
22,2697 22,266
801,5 805,875
-0,919 -0,9277 -0,9279 -0,9998 -1,0871 -1,0005 -0,915 -1,4721 -0,9877 -1,018 -0,9835 -1,0031 -0,99 -1,0134 -1,0025
130,6696 134,5652 134,5652 122,6316 125,6426 126,4446 130,8324 123,1556 122,7224 122,1748 125,972 128,0092 127,576 123,5016 125,8016
1228,7946 1256,1713 1265,8192 1131,6007 1188,3621 1202,6056 1217,9019 1142,9971 1134,6707 1140,0345 1162,9113 1182,348 1188,2325 1147,5189 1152,9532
0,0429 0,0458 0,04 0,0329 0,0383 0,0381 0,0419 0,0319 0,0318 0,0347 0,0295 0,0299 0,0281 0,0336 0,0337
4,2137 3,5562 3,6322 4,5787 5,1255 5,5895 4,1057 3,9237 3,4837 3,5897 4,6327 4,5657 4,0517 4,7867 5,1787
-7,9824 -8,0328 -8,0328 -7,9984 -8,9382 -9,071 -7,8091 -8,0544 -6,5403 -7,0964 -7,77 -8,5602 -7,0461 -8,3546 -8,2557
22,427 23,071 23,0672 21,2714 21,8196 21,9912 22,3699 21,2695 20,9995 21,3599 21,6308 22,1665 21,8957 21,5174 22,1064
812 840,875 838,5 759,5 788,625 792,25 808 763,125 757 766,375 775,375 797,625 790,25 776,375 779
-1,0060
118,46482
1090,3
0,0378
1,5737
-6,3199
20,4199
733,625
Mol
AM1_dipole
AM1_E
AM1_Eele
AM1_HF
AM1_HOMO
AM1_LUMO
apol
ASA_H
glob
5s1
3,0686
-235284,86
-2566374,8
-323,8821
-8,9232
-1,0116
121,0086
1116,2312
5s9 5s10 5s12 5s14 5s15 5s2
3,5466 2,2682 2,6482 2,0739 2,3826 2,8254
-227409,2 -222352,81 -239247,86 -234538,41 -234538,45 -232717,92
-2505540 -2457239 -2640263 -2639958 -2636619 -2560048,8
-253,7741 -273,7838 -271,9545 -272,5289 -272,9623 -285,724
-8,9483 -8,9057 -8,9175 -8,8871 -8,8996 -8,9214
-1,0308 -0,9842 -0,9879 -0,9695 -0,9767 -0,9971
118,4648 119,1648 127,4852 129,0656 129,0656 122,6316
5s18 5s19
2,789 3,0027
-241915,45 -241917,8
-2720394 -2698464,5
-300,8467 -303,2832
-8,8779 -8,8977
-0,9744 -0,9785
5s20 5s21 5s22 5s3 5s23 5s24 5s25 5s6 5s7 5s9 5s11 5s16 5s17 5s4 5s5
3,4854 3,57 4,5196 1,6787 6,8223 5,8396 4,4155 6,646 2,2492 3,2143 2,2451 4,1964 3,4382 2,9647 2,8975
-249308,53 260281,88 -260284 -232716,3 -263581,91 -270976 -239622,56 -243572,64 -239199,31 -233743,47 -230943,95 -250097,22 -245729,88 -232245 -232106,66
-2737164,3 -2894213 -2878677 -2567773,3 -2740787,8 -2807749,5 -2662419,8 -2669536,5 -2634124,3 -2564556,8 -2582137,8 -2776247,5 -2709853,8 -2558225 -2556410
-299,3149 -378,8828 -381,0069 -283,7742 -425,769 -470,8426 -261,7588 -273,8543 -366,2937 -263,1404 -265,0468 -254,6629 -353,0305 -273,5245 -262,1936
-8,7934 -8,791 -8,7893 -8,9082 -8,9187 -8,8913 -8,4738 -8,9851 -8,8937 -8,9373 -8,895 -8,9167 -8,8979 -8,9285 -8,9266
5s13
4,18327
-227408,66
-2505020
-256,1096
-8,9192
50
Lampiran 3. Perhitungan Aktivitas Prediksi (Log 1/IC50 Prediksi) Data Training Sets Mol
Konstanta
AM1_dipole
C_D
AM1_E
C_E
logPow
C_P
5s1 -8,558 3,0686 -0,134 -235284,86 0,000 4,1417 -0,795 5s9 -8,558 3,5466 -0,134 -227409,2 0,000 1,6107 -0,795 5s10 -8,558 2,2682 -0,134 -222352,81 0,000 3,5187 -0,795 5s12 -8,558 2,6482 -0,134 -239247,86 0,000 5,2617 -0,795 5s14 -8,558 2,0739 -0,134 -234538,41 0,000 4,9677 -0,795 5s15 -8,558 2,3826 -0,134 -234538,45 0,000 4,9307 -0,795 5s2 -8,558 2,8254 -0,134 -232717,92 0,000 4,5807 -0,795 5s18 -8,558 2,789 -0,134 -241915,45 0,000 4,5867 -0,795 5s19 -8,558 3,0027 -0,134 -241917,8 0,000 4,5887 -0,795 5s20 -8,558 3,4854 -0,134 -249308,53 0,000 4,2137 -0,795 5s21 -8,558 3,57 -0,134 260281,88 0,000 3,5562 -0,795 5s22 -8,558 4,5196 -0,134 -260284 0,000 3,6322 -0,795 5s3 -8,558 1,6787 -0,134 -232716,3 0,000 4,5787 -0,795 5s23 -8,558 6,8223 -0,134 -263581,91 0,000 5,1255 -0,795 5s24 -8,558 5,8396 -0,134 -270976 0,000 5,5895 -0,795 5s25 -8,558 4,4155 -0,134 -239622,56 0,000 4,1057 -0,795 5s6 -8,558 6,646 -0,134 -243572,64 0,000 3,9237 -0,795 5s7 -8,558 2,2492 -0,134 -239199,31 0,000 3,4837 -0,795 5s9 -8,558 3,2143 -0,134 -233743,47 0,000 3,5897 -0,795 Ket: C = Konstanta dan Log 1/IC50 Prediksi dihitung dengan cara rumus persamaan (5)
logS
C_S
mr
C_Mr
-7,5591 -6,167 -7,0708 -8,5043 -8,2439 -8,2439 -7,9984 -7,8204 -7,8204 -7,9824 -8,0328 -8,0328 -7,9984 -8,9382 -9,071 -7,8091 -8,0544 -6,5403 -7,0964
-0,610 -0,610 -0,610 -0,610 -0,610 -0,610 -0,610 -0,610 -0,610 -0,610 -0,610 -0,610 -0,610 -0,610 -0,610 -0,610 -0,610 -0,610 -0,610
20,8365 20,4205 20,6309 22,1593 22,0753 22,0753 21,2676 22,2697 22,266 22,427 23,071 23,0672 21,2714 21,8196 21,9912 22,3699 21,2695 20,9995 21,3599
0,310 0,310 0,310 0,310 0,310 0,310 0,310 0,310 0,310 0,310 0,310 0,310 0,310 0,310 0,310 0,310 0,310 0,310 0,310
Log 1/IC50 Eksperimen (Y) -0,6191 -0,0864 -0,4814 -0,7185 -0,4065 -0,5977 -0,6128 -0,5211 -0,6571 -0,2304 -0,2695 0,7212 -0,5302 -1,0000 -1,0000 -0,3243 -0,4698 -0,6385 -0,3711
Log 1/IC50 Prediksi (X) -0,77384 0,183576 -0,55517 -0,61457 -0,49675 -0,50876 -0,69333 -0,4745 -0,50593 -0,11065 -0,26918 0,461863 -0,53662 -0,86446 -0,95435 -0,29009 -0,6297 -0,70403 -0,47669
51
Lampiran 4. Perhitungan Validasi Silang Model Ke-9 secara Leave One Out (LOO) Data Training Sets Mol Konstanta AM1_dipole 5s9 -7,77 3,55 5s10 -8,79 2,27 5s12 -8,64 2,65 5s14 -8,47 2,07 5s15 -8,63 2,38 5s2 -8,70 2,83 5s18 -8,62 2,79 5s19 -8,75 3,00 5s20 -8,91 3,49 5s21 -8,54 3,57 5s22 -5,13 4,52 5s3 -8,57 1,68 5s23 -8,36 6,82 5s24 -8,52 5,84 5s25 -8,63 4,42 5s6 -8,95 6,65 5s7 -8,85 2,25 5s8 -8,67 3,21 Ket: C = koefisien konstanta Deskriptor
C_D -0,164 -0,131 -0,14 -,127 -,140 -,130 -,133 -,128 -,138 -0,133 -0,102 -0,133 -0,117 -0,13 -0,132 -0,155 -0,146 -0,14
AM1_E -227409,20 -222352,81 -239247,86 -234538,41 -234538,45 -232717,92 -241915,45 -241917,80 -249308,53 260281,88 -260284,00 -232716,30 -263581,91 -270976,00 -239622,56 -243572,64 -239199,31 -233743,47
C_E -2,2E-06 -1,8E-06 -1,8E-06 -2,E-06 -2,E-06 -2,E-06 -2,E-06 -2,E-06 -1,9E-06 -1,5E-06 -9,2E-07 -1,8E-06 -1,7E-06 -1,8E-06 -1,8E-06 -1,8E-06 -1,8E-06 -1,8E-06
Log Pow 1,61 3,52 5,26 4,97 4,93 4,58 4,59 4,59 4,21 3,56 3,63 4,58 5,13 5,59 4,11 3,92 3,48 3,59
C_P -0,80 -1,08 -0,79 -0,80 -,788 -,800 -,790 -,785 -,754 -0,81 -0,79 -0,55 -0,79 -0,78 -0,79 -0,79 -0,79 -0,85
Log S -6,17 -7,07 -8,50 -8,24 -8,24 -8,00 -7,82 -7,82 -7,98 -8,03 -8,03 -8,00 -8,94 -9,07 -7,81 -8,05 -6,54 -7,10
C_S -0,85 -0,60 -0,63 -,591 -,624 -,592 -,593 -,544 -0,62 -0,61 -0,38 -0,61 -0,62 -0,61 -0,60 -0,61 -0,71 -0,65
mr 20,42 20,63 22,16 22,08 22,08 21,27 22,27 22,27 22,43 23,07 23,07 21,27 21,82 21,99 22,37 21,27 21,00 21,36
C_Mr 20,42 20,63 22,16 22,08 22,08 21,27 22,27 22,27 22,43 23,07 23,07 21,27 21,82 21,99 22,37 21,27 21,00 21,36
52
Y -0,09 -0,48 -0,72 -0,41 -0,60 -0,61 -0,52 -0,66 -0,23 -0,27 0,72 -0,53 -1,00 -1,00 -0,32 -0,47 -0,64 -0,37 -0,09
(Y') 0,65 -0,57 -0,59 -0,52 -0,49 -0,71 -0,46 -0,47 -0,09 -0,13 0,08 -0,54 -0,78 -0,93 -0,28 -0,72 -0,77 -0,50 0,65
Y-Y' -0,74 0,09 -0,13 0,11 -0,10 0,09 -0,06 -0,19 -0,14 -0,14 0,64 0,01 -0,22 -0,07 -0,04 0,25 0,13 0,13 -0,74
(Y-Y')^2 0,5467 0,0087 0,0157 0,0121 0,0108 0,0089 0,0032 0,0348 0,0201 0,0189 0,4123 9E-05 0,0492 0,0044 0,0018 0,0618 0,0175 0,0157 0,5467
∑(Y-Y')^2
1,26
Ȳ -0,46 -0,46 -0,46 -0,46 -0,46 -0,46 -0,46 -0,46 -0,46 -0,46 -0,46 -0,46 -0,46 -0,46 -0,46 -0,46 -0,46 -0,46 -0,46
Y-Ȳ 0,37 -0,03 -0,26 0,05 -0,14 -0,16 -0,07 -0,20 0,22 0,19 1,18 -0,07 -0,54 -0,54 0,13 -0,01 -0,18 0,08 0,37
(Y-Ȳ)^2 0,14 0,00 0,07 0,00 0,02 0,02 0,00 0,04 0,05 0,03 1,38 0,01 0,30 0,30 0,02 0,00 0,03 0,01 0,14
∑(Y-Ȳ)^2
q^2
2,45
0,49
53
Lampiran 5. Perhitungan Validasi Eksternal (Log 1/IC50 Prediksi) dan (R2prediksi) Data Test Sets) Mol Konstanta AM1_dipol
C_D
AM1_E
C_E
5s11 -8,558 2,2451 -0,134 -230943,95 0,000 5s16 -8,558 4,1964 -0,134 -250097,22 0,000 5s17 -8,558 3,4382 -0,134 -245729,88 0,000 5s4 -8,558 2,9647 -0,134 -232245 0,000 5s5 -8,558 2,8975 -0,134 -232106,66 0,000 5s13 -8,558 4,18327 -0,134 -227408,66 0,000 Ket: Log 1/IC50 Prediksi dihitung dengan cara rumus persamaan (5) Y
(Y')
Y-Y'
(Y-Y')^2
∑(Y-Y')^2
-0,71 -0,69 -0,02 0,00 -0,21 -0,21 0,01 0,00 -0,59 -0,72 0,12 0,02 0,08 -0,67 -0,58 -0,09 0,01 -0,60 -0,76 0,16 0,03 0,04 0,22 -0,18 0,03 Ket: R2prediksi dihitung dengan cara rumus persamaan (4)
logPow 4,6327 4,5657 4,0517 4,7867 5,1787 1,5737
C_P -0,795 -0,795 -0,795 -0,795 -0,795 -0,795
logs
C_S
-7,77 -8,5602 -7,0461 -8,3546 -8,2557 -6,3199
-0,610 -0,610 -0,610 -0,610 -0,610 -0,610
Mr 21,6308 22,1665 21,8957 21,5174 22,1064 20,4199
C_Mr 0,310 0,310 0,310 0,310 0,310 0,310
Log 1/IC50 Eksperimen (Y) -0,7110 -0,2068 -0,5944 -0,6675 -0,5977 0,0362
Ȳ
Y-Ȳ
(Y-Ȳ)^2
∑(Y-Ȳ)^2
R^2 prediksi
-0,46 -0,46 -0,46 -0,46 -0,46 -0,46
-0,25 0,26 -0,13 -0,20 -0,13 0,50
0,06 0,07 0,02 0,04 0,02 0,25
0,45
0,81
Log 1/IC50 Prediksi (X) -0,68646 -0,21329 -0,71745 -0,58206 -0,76261 0,22057
