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
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
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
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.
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
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
DAFTAR ISI
Halaman
HALAMAN JUDUL ... ii
LEMBAR ORIGINALITAS ... iii
LEMBAR PERSETUJUAN SKRIPSI ... iv
LEMBAR PENGESAHAN SKRIPSI ... v
ABSTRAK ... vi
ABSTRACT ... vii
KATA PENGANTAR ... viii
HALAMAN PERSETUJUAN PUBLIKASI KARYA ILMIAH ... x
DAFTAR ISI ... xi
1.4. Tujuan Penelitian... 3
1.5. Manfaat Penelitian... 4
BAB 2 TINJAUAN PUSTAKA 2.1. Kanker ... 5
2.1.1. Perbedaan Sel Kanker dan Sel Normal ... 7
2.1.2. Leukemia (Kanker Darah) ... 9
2.2. Asam Sinamat ... 10
2.3. Hubungan Kuantitatif Struktur Aktivitas (HKSA) ... 12
2.4. Metode Hansch ... 14
2.4.1. Parameter Sifat Kimia Fisika dalam HKSA Model Hansch . 15 2.5. Deskriptor ... 19
2.6. Marvin Sketch ... 20
2.8. LigandScout………. 21
2.9. Open Babel……… 21
2.10.CDK descriptor ……….. 22
2.11PubChem ………. 22
BAB 3 METODE PENELITIAN 3.1. Waktu Penelitian dan Lokasi ... 23
3.2. Alat ... 23
3.2.1. Perangkat Keras... 23
3.2.2. Perangkat Lunak ... 23
3.3. Bahan ... 23
3.4. Prosedur Kerja ... 23
BAB 4 HASIL DAN PEMBAHASAN 4.1. Pengumpulan Data Set ... 26
4.2. Pemilihan Deskriptor... 38
4.3. Penghilangan Outlier... 45
4.4. Pembagian Data Set ... 46
4.5. Model Persamaan HKSA ... 47
4.6. Hasil Validasi Model Persamaan HKSA ... 49
4.7. PengujianAktivitas Sampel Set ... 51
BAB 5 KESIMPULAN DAN SARAN 5.1. Kesimpulan... 54
5.2. Saran ... 54
DAFTAR PUSTAKA ... 55
DAFTAR GAMBAR
Gambar 2.1. Struktur Asam Sinamat ... 11
Gambar 2.2. Naga dalam Mitologi Babylon Istar ... 20
Gambar 4.1. Pembuatan Struktur Asam Sinamat ... 26
Gambar 4.2. Struktur Senyawa dengan Kode S1 dan S7 ... 40
Gambar 4.3. Struktur Senyawa dengan Kode S14 dan S20 ... 42
Gambar 4.4. Kurva Hubungan Indeks Harary Terhadap Kenaikan Aktivitas ... 44
Gambar 4.5. Pensejajaran Data Set Terhadap Asam Sinamat ... 45
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
DAFTAR LAMPIRAN
Lampiran 1. Alur Penelitian ... 59
Lampiran 2. Tabel Korelasi Deskriptor Terhadap Aktivitas Menggunakan log D ... 60
Lampiran 3. Tabel Korelasi Deskriptor Terhadap Aktivitas Menggunakan Log P ... 60
Lampiran 4. Validasi Persamaan HKSA menggunakan log D ... 61
Lampiran 5. Validasi Persamaan HKSA menggunakan log P ... 62
Lampiran 6. Rekap Perhitungan Deskriptor ... 63
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
paru-paru (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
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
rempah-rempah, 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
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.
1.5 Manfaat Penelitian
1) Membantu memberikan informasi untuk menemukan obat antikanker yang
baru
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
paru-paru (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
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
pusat-pusat 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
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
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
masing-masing. 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
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,
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.
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).
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
buah-buahan (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
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
fitur-fitur (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
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
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
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
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
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
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
Matriks jarak resiprokal D
r
diperoleh dengan mengganti semua
diagonal unsur-unsur [D
ij] menjadi bentuk kebalikannya ditunjukkan pada
persamaan dibawah
sehingga untuk diagonal (D
r
)
ii bernilai nol (Lucic dkk., 2002) 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
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).
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
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
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
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
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
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
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.
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 IC 50
(µM)
Log 1/IC50
Referen
si
Piperidil para kumaramida
S1 0.0231 1.637 Firdaus,
dkk
2012
metil 2- cinnamido-3- hidroksi propanoat
S2 0.0432 1.364 Teni,
dkk
2014
N,N dietil para kumaramida
S3 0.107 0.9699 Firdaus,
dkk
N propil para kumaramida
S4 0.2609 0.5834 Firdaus,
dkk
2012
(E)-3-(2,5-difluorophenyl)-1-(4 hydroxyphenyl)prop-2-en-1-one
S5 0.8639 0.0634 Dimmo
ck, dkk
1998
phenyl (2E)‐3‐phenylprop‐2‐enoate
(2E)‐1‐(4‐hydroxyphenyl)‐3‐[4‐ (trifluoromethyl)phenyl]prop‐2‐en‐1‐one
S7 2.490 -0.3962 Dimmo
ck, dkk
1998
E)-3-(3-chlorophenyl)-1-(4-hydroxyphenyl)prop-2-en-1-one
S8 2.82 -0.4502 Dimmo
ck, dkk
1998
(E)-1-(4-hydroxyphenyl)-3-phenylprop 2 en-1-one
S9 3.107 -0.4923 Dimmo
ck, dkk
(E)-3-(2,6-dichlorophenyl)-1-(4 hydroxyphenyl)prop-2-en-1-one
S10 3.170 -0.5010 Dimmo
ck, dkk
1998
(E)-3-(4-chlorophenyl)-1-(4-hydroxyphenyl)prop-2-en-1-one
S11 3.6701 -0.5646 Dimmo
ck, dkk
1998
(E)-3-(4-bromophenyl)-1-(4-hydroxyphenyl)prop-2-en-1-one
S12 5.514 -0.7414 Dimmo
ck, dkk
(E)-3-(2-chlorophenyl)-1-(4-hydroxyphenyl)prop-2-en-1-one
S13 6.8502 -0.8357 Dimmo
ck, dkk
1998
(E)-3-(2,4-dichlorophenyl)-1-(4-hydroxyphenyl)prop-2-en-1-one
S14 7.8901 -0.8970 Dimmo
ck, dkk
1998
(E)-1-(3,4-dichlorophenyl)-3-(4-hydroxyphenyl)prop-2-en-1-one
S15 8.5301 -0.9309 Dimmo
ck, dkk
(E)-3-(4-fluorophenyl)-1-(4-hydroxyphenyl)prop-2-en-1-one
S16 8.55 -0.9319 Dimmo
ck, dkk
1998
(E)-1-(4-hydroxyphenyl)-3-(4-methoxyphenyl)prop-2-en-1-one
S17 8.7 -0.9395 Dimmo
ck, dkk
1998
(2E,4E)-1-(4-hydroxyphenyl)-5-phenylpenta-2,4-dien-1-one
S18 8.830 -0.9459 Dimmo
ck, dkk
(E)-1,3-diphenylprop-2-en-1-one
S19 9.6302 -0.9836 Dimmo
ck, dkk
1998
(E)-3-(3,4-dichlorophenyl)-1-(4-hydroxyphenyl)prop-2-en-1-one
S20 11.700 -1.0681 Dimmo
ck, dkk
1998
(E)-1-(4-bromophenyl)-3-(4-hydroxyphenyl)prop-2-en-1-one
S21 12.9 -1.110 Dimmo
ck, dkk
(E)-1-(4-hydroxyphenyl)-3-(4-nitrophenyl)prop-2-en-1-one
S22 13.140 1
-1.1185 Dimmo
ck, dkk
1998
(E)-3-(4-hydroxyphenyl)-1-phenylprop-2-en-1-one
S23 14.300 2
-1.1553 Dimmo
ck, dkk
1998
(E)-3-(4-bromophenyl)-1-(4-hydroxyphenyl)prop-2-en-1-one
S24 16.649 -1.2214 Dimmo
ck, dkk
methyl
(2E)‐3‐(4‐nitrophenyl)prop‐2‐enoate
S25 38.517 -1.5856 LIPI
Cinnamaldehid
S26 44.779 -1.6510 LIPI
2‐methylpropyl (2E)‐3‐phenylprop‐2‐enoate
Butil sinamat
S28 96.494 -1.9845 LIPI
Metil sinamat
S29 125.47 7
-2.0985 LIPI
methyl
(2E)‐3‐(2‐nitrophenyl)prop‐2‐enoate
S30 134.08 6
-2.1273 LIPI
Asam sinamat
S31 329.73 3
4‐[(2E)‐3‐(4‐methoxyphenyl)prop‐2‐enoy l]phenyl (2E)‐3‐phenylprop‐2‐enoate
S32 10.207 -1.0088 Dimmo
ck, dkk
1998
4‐[(2E)‐3‐(4‐chlorophenyl)prop‐2‐enoyl] phenyl (2E)‐3‐ phenylprop‐2‐enoate
S33 3.827 -0.5828 Dimmo
ck, dkk
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
4‐[(2E)‐3‐phenylprop‐2‐enoyl]phenyl (2E)‐3‐ phenylprop‐2‐enoate
S34 4.624 -0.6649 Dimmo
ck, dkk
S9 -0.4923 3.46 1.9498
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
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
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
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 Indeks Harary
Indeks Radix
WPATH WPOL
S1 49.24 15.07 594 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