UIN SYARIF HIDAYATULLAH JAKARTA HUBUNGAN KUANTITATIF STRUKTUR AKTIVITAS (HKSA) TURUNAN ASAM SINAMAT TERHADAP SEL P388

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


iv


v


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


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


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


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


x


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


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


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


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


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


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


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


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.


1.5

Manfaat Penelitian 1) Membantu memberikan informasi untuk menemukan obat antikanker yang baru 2) Informasi dasar untuk dilakukan uji in vitro.


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


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


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 :


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


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.


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


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


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


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


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


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)


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


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


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


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


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)


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


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.


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


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.


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.


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


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


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


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


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


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



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


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


S21

12.9

-1.110

Dimmo ck, dkk 1998



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



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


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


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


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


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


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


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.


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


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


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


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.


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


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


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


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


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


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


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


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.


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


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


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.


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


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.


LAMPIRAN 1. ALUR PENELITIAN

Data set

Molecular deskriptor

Training set

Test set

Model

Validasi Model

Senyawa baru

Molekular deskriptor

Prediksi Aktivitas Senyawa Baru

59


60

1. Tabel korelasi tiap descriptor terhadap aktivitas menggunakan log P

2. Tabel korelasi tiap descriptor terhadap aktivitas menggunakan log D


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


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


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


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


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


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


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


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


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


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 HUBUNGAN KUANTITATIF STRUKTUR AKTIVITAS (HKSA) TURUNAN ASAM SINAMAT TERHADAP SEL P388

Recommend Documents