Prediction Of Antiproliferative Activity And Binding Affinity Of Fevicordin Compound On Breast Cancer Cells With Qsar Approach.

(1)

1

ABSTRACT

Research about Fevicordin compound for development anti breast-cancer compound using Quantitative Structure Activity Relationship (QSAR) method from 44 estrogen analogs has been done. Each results 61 descriptors using Chem3D Ultra v8.0 and Dragon v5.4 software. MLRA (Multiple Linier Regression Analysis) technique was applied for the generation of two types of

SARs : first, antiproliverative activity (IC50) value model and second, binding affinity (RBA) value

model. First model analysis result show that the predicted antiproliverative activity logarithmic equation linier with 26 descriptors. The second one show that the predicted binding affinity logarithmic equation linier with 18 descriptors. The models were used to predict fevicordin

compound that show IC50 predicted value is 38,36 µg/mL and RBA predicted value is 1,51.10-24 %.

ABSTRAK

Telah dilakukan penelitian aktivitas senyawa fevicordin untuk pengembangan senyawa antikanker payudara dengan metode Hubungan Kuantitatif Struktur Aktivitas (HKSA) dari 44 senyawa analog estrogen. Diperoleh masing-masing 61 deskriptor dengan menggunakan program Chem3D 8.0 dan Dragon 5.4. Teknik Analisis Regresi Linier Berganda digunakan dalam pembuatan dua jenis HKSA : pertama, model nilai aktivitas antiproliferasi (IC50) dan kedua, model nilai afinitas

ikatan (RBA). Hasil analisis model pertama menunjukkan persamaan logaritma aktivitas antiproliferasi prediksi yang linier terhadap 26 deskriptor. Hasil analisis model kedua menunjukkan persamaan logaritma afinitas ikatan prediksi yang linier terhadap 18 deskriptor. Model tersebut digunakan untuk memprediksi senyawa fevicordin yang menunjukkan nilai aktivitas antiproliferasi prediksi IC50 38,36 µg/mL dan nilai afinitas ikatan prediksi RBA 1,51.10 -24

%.

PENDAHULUAN

Breast cancer is the second cause of cancer in the world. According to WHO data, there are 8-9 % women will have breast cancer in their whole life. Each year, more than 580.000 new cases found in the developing country and more than 372.000 patients died because of this cancer. The WHO data said that 78% breast cancers occur on women above 50 years old (Bilal, 2005).

Now it has become common knowledge that many of the well-known hormonal actions of estrogens are mediated by specific estrogen receptors (ERs). The first high-affinity estrogen receptor, now commonly referred to as ERα, was cloned in 1986 from MCF-7 human breast cancer cells (Zhu et al., 2006)

(2)

receptor α for inhibit human breast cancer (Katzung, 2002).

Diantini et al. (2007) has found fevicordin of mahkota dewa (Phaleria macrocarpa (Scheff) Boerl.) seed. This compound have common similarity structure with estradiol and have toxicity on P338 and ESCC cell line cancer (less than 0.01 nM), but also that have toxicity on normal cell fibroblast. Furthermore, Fevicordin can be used as the active of natural compound that have big potential for inhibit and kill breast cancer cell.

The aim of the research was to predict antiproliferative activity and binding affinity value of fevicordin in human breast cancer cells with QSAR approach for human breast cancer drug development.

Material and Methods Material

Bahan yang digunakan berasal dari penelusuran pustaka berupa data senyawa analog estrogen yang mempunyai nilai antiproliferasi dan nilai afinitas ikatan terhadap reseptor estrogen α pada sel MCF7 dan T74D pada manusia yang berpotensi sebagai antikanker payudara.

Data nilai konsentrasi inhibisi dan nilai afinitas ikatan diperoleh dari satu jurnal internasional. Hal ini dimaksudkan agar perlakuan terhadap masing-masing senyawa analog estrogen sama.

Senyawa-senyawa analog estrogen diperoleh dari Jurnal Internasional “Quantitative Structure-Activity Relationship (QSAR) of various Endogenous Estrogen

Metabolites for Human Estrogen Receptor α and β Subtypes: Insights into the Structural

Determinants Favoring Differential Subtype Binding”. Jurnal ini dipublikasikan tanggal 5 Oktober 2006 (revisi ke-2) oleh Bao Ting Zhu, Gui-Zhen Han, Joong-Youn Shim, Yujing Wen, dan Xiang-Rong Jiang dari Department

of Basic Pharmaceutical Sciences, College of Pharmacy, University of South Carolina, Columbia, USA dan Julius L. Chambers Biomedical/Biotechnology Research Institute, North Carolina Central University, Durham, USA. Jurnal ini berisi 74 senyawa analog

estrogen yang dianalisis.

Dari jurnal tersebut diperoleh 58 senyawa turunan estradiol yang memiliki nilai IC50 dan

Binding Affinity terhadap reseptor estrogen α dan β pada manusia (human ERα and ERβ).

Dari ke-58 senyawa tersebut, hanya 44 senyawa diantaranya dipilih sebagai data penelitian.

Metode

Penelitian dilakukan dengan menggunakan Metoda Kimia Komputasi Molecular Modeling. Pemodelan molekul dilakukan dengan membuat model molekul yang diperoleh dari literatur dengan menggunakan bantuan komputer, software CS Chem3D Ultra Molecular Modelling and Analysis Program (v8.0; CambridgeSoft Corporation) dan software Dragon (v5.4; TALETE srl).. Kemudian dilakukan analisis persamaan regresi dengan pendekatan statistika dengan menggunakan software Statistica (v6.0; Statsoft, Inc.).

Metode ini dilakukan dengan tahapan kerja. Pertama, inventarisasi database yang berkaitan dengan binding afinity dan IC50 antiproliperasi sel kanker analog estrogen. Kemudian penenentuan senyawa penuntun dan farmakofor dari subset senyawa. Subset senyawa tersebut dimodelkan dengan komputasi, dan deskriptor yang berhubungan dihitung. Deskriptor ini di kelompokkan dengan metode statistika. Kemudian melakukan HKSA terhadap turunan estradiol dan senyawa fevicordin dengan menggunakan parameter afinitas ikatan dan IC50 antiproliperasi sebagai variabel

tetap dan berbagai deskriptor senyawa sebagai variabel bebas. Kemudian menghitung model persamaan logaritma konsentrasi inhibisi dan model persamaan logaritma afinitas ikatan dengan metode analisis regresi linier berganda. Selanjutnya, mengevaluasi metode model IC50

dan Afinitas ikatan dari senyawa fevicordin. Kemudian, menghitung nilai konsentrasi inhibisi dan afinitas ikatan prediksi dari senyawa fevicordin.

HASIL DAN PEMBAHASAN Senyawa Penuntun

(3)

HO

Gambar 2. 8R,9S,13S,14S,17S)-13-methyl-7,8,9,11,12,13,14, 15,16,17-decahydro-6H- cyclopenta[a]phenanthrene-3,17-diol

Identifikasi Farmakofor

Senyawa famakofor yang telah diidentifikasi (Fang, 2001) dengan struktur sebagai berikut :

H

Gambar 3. (8S,9S,13S,14S)-13-methyl- 7,8,9,11,12,13,14,15,16,17-decahydro-6H-cyclopenta [a]phenanthrene

Pemodelan Molekul dengan Kimia Komputasi

Senyawa analog estrogen yang diperoleh dari literatur dimodelkan dengan menggunakan Software CS Chem 3D Ultra

8.0.3 agar diperoleh model tiga dimensi tiap

senyawa. Pemodelan senyawa dilakukan agar dapat dilakukan penghitungan karakteristik kimia dari senyawa-senyawa tersebut–disebut juga deskriptor–sehingga dapat dihitung nilai deskriptor dari tiap senyawa.

Setiap senyawa yang dimodelkan dalam percobaan dilakukan minimisasi energi. Hal tersebut dilakukan agar diperoleh model senyawa dengan energi molekul yang paling kecil, sehingga penghitungan deskriptor yang dilakukan untuk tiap senyawa dapat memperoleh hasil yang tepat.

Penentuan dan Penghitungan Deskriptor

Deskriptor yang digunakan dihitung menggunakan software CS Chem 3D Ultra

8.0.3 dan software Dragon 5.4.

Deskriptor yang digunakan adalah

Steric Energy, Balaban Index, Cluster Count,

Molecular Topological Index, Shape

Attribute, Sum Of Valence Degrees, Total Connectivity, Total Valence Connectivity, Wiener Index, Dipole, Dipole Length, Electronic Energy, The Highest Occupied Molecular Orbital (Homo), Energy Of The Lowest Unoccupied Molecular Orbital (Lumo), Gap Homo Lumo, Repulsion Energy, Total Energy(TotE), Bend Energy,

Dipole-Dipole Energy, Non-1,4 Vanderwaals

Energy, Stretch Energy, Stretch-Bend

Energy, Torsion Energy, Total Energy(E), Connolly Solvent Accessible Surface Area, Connolly Molecular Surface Area, Connolly Solvent–Excluded Volume, Mass, Molecule

Weight (Chempro), Ovality, Principal

Moment Of Inertia – X, Principal Moment Of Inertia – Y, Principal Moment Of Inertia – Z, Log P (Chempro), Molar Refractivity (Chempro), Molar Refractivity (Clogp),

Partition Coefficient (Octanol/Water),

Molecular Weight(Dragon), Average

Molecular Weight, Sum Of Atomic Van Der Waals, Sum Of Atomic Polarizibilities, Mean Atomic Van Der Waals Volume, Mean Atomic Polarizibility, Number Of Atoms, Number Of Non-H Atoms, Number Of Bonds, Number Of Non-H Bonds, Number Of Multiple Bonds, Sum Of Conventional Bond Orders, Aromatic Ratio, Number Of Rings, Number Of Circuits, Number Of Ratatable Bonds, Rotatable Bond Fraction, Number Of Double Bonds, Number Of Triple Bonds, Number Of Aromatic Bonds, Number Of Hydrogen Bonds, Number Of Carbon Atoms, Number Of Nitrogen Atoms, Number Of Oxygen Atoms, Number Of Bromide Atoms.

Deskriptor ini kemudian dikelompokkan berdasarkan kedekatan korelasi dengan menggunakan analisis komponen, sehingga diperoleh 26 deskriptor yang berkorelasi dengan aktivitas antiproliferasi, yaitu

Ovality, nTB, Octanol/Water, Log P, PMIY, PMIZ, SEV, HOMO, RBF, Ev, MW, Sp, TVCon, Es, MR, E14, Sv, AMW, Esb, RBN, ARR, Sdeg, dan nC. Serta, 18 deskriptor

(4)

Sp, gap HOMO LUMO, ElcE Eb, Mv, Sv, AMW, Ed, E14, Dipole, TVCon

Penentuan Metode Persamaan Regresi Persamaan regresi digunakan untuk menghubungkan antara sifat-sifat senyawa (deskriptor) dengan aktivitas farmakologinya.

Persamaan regresi yang dipergunakan adalah persamaan yang dihitung berdasarkan prinsip-prinsip perhitungan statistik. Dalam perhitungan dengan prinsip statistik memiliki persyaratan agar hasil yang diperoleh dalam perhitungan dapat dilakukan dan memiliki nilai yang dapat dipercaya.

Dalam penentuan persamaan HKSA (Hubungan Kuantitatif Struktur-Aktivitas), variabel independen (aktivitas) yang digunakan dalam perhitungan dalam bentuk logaritma untuk memperkecil nilai kesalahan pada model yang dibuat.

Regresi sederhana dan multi linear sangat cepat dan mudah untuk diinterpretasikan, namun tidak bekerja dengan baik jika jumlah variabel tak bebas lebih besar (atau bahkan hampir sama) dengan jumlah molekul.

Metode persamaan regresi yang digunakan adalah regresi linier berganda dikarenakan pada variabel tak bebas yang digunakan lebih sedikit dari jumlah molekul dan di dalam variabel tak bebas terdapat informasi penting yang berhubungan dengan aktivititas, yaitu deskriptor itu sendiri (Accelrys, 2001).

Pembuatan Model HKSA

Model HKSA diperoleh dari hasil regresi linier berganda dengan menggunakan program Statistica v6.0. Hasil yang diperoleh dari kedua aktivitas yang diuji menunjukkan kepercayaan 95,0%.

Model HKSA Aktivitas IC50

Senyawa yang digunakan dalam perhitungan ini berjumlah 44 senyawa analog erstrogen. Dengan reduksi variabel tak bebas (deskriptor) dengan menggunakan perhitungan statistika, Dihasilkan sebuah model aktivitas IC50 dengan korelasi

terhadap 26 deskriptor.

Model toksisitas analog estrogen adalah :

Log (1/IC50) = -26,478 (±18.4879) Ovality +

6,293 (±1.1094) nTB + 1.937 (±0.2212) Octanol/Water - 1.183 (±0.1708) Log P - 0.13 (±0.0019) PMIY +0.014 (±0.0021) PMIZ – 0.016 (±0.0027) SEV – 1.143 (±0.4052) HOMO – 671.707

Dengan menggunakan analisis Durbin Watson diperoleh hasil nilai 2.030793. Dapat dinyatakan bahwa tidak terjadi autokorelasi antara variabel yang digunakan (1,65<DW<2,79  tidak terjadi autokorelasi) (Rencher, 2002).

Nilai Prediksi vs Observasi Variable bebas: Log 1/IC50

-3.4-3.2 -3 -2.8 -2.6-2.4-2.2 -2 -1.8 -1.6-1.4-1.2 -1 -0.8 -0.6-0.4

Model HKSA Aktivitas RBA

Senyawa yang digunakan dalam perhitungan ini berjumlah 44 senyawa analog erstrogen. Dengan reduksi variabel bebas (deskriptor) dengan menggunakan perhitungan statistika, Dihasilkan sebuah model afinitas ikatan terhadap REα manusia dengan korelasi terhadap 18 deskriptor.

Model nilai afinitas ikatan analog estrogen adalah :

(5)

MW + 15.84485 (±5.31572) Tcon + 0.00014 (±0.00006) TotE + 0.06368 (±0.02679) Sp - 1.09353(±0.2831) gap HOMO LUMO – 0.20222 (±0.06385) Eb - 5.15458 (±20.83328) - 2.15352 (±0.59567) AMW - 0.00561 (±0.00398) Ed - 0.30349 (±0.16947) E14 -0.11641 (±0.09349) Dipole + 0.72271 (±0.61863) TVCon + 66.41924 (±12.53586)

N = 44 R= .90138687 R²= .8124829 F(18,25)=6.0185

Dengan menggunakan analisis Durbin Watson diperoleh hasil nilai 2,205924. Dapat dinyatakan bahwa tidak terjadi autokorelasi antara variabel yang digunakan (1,65<DW<2,79  tidak terjadi autokorelasi) (Rencher, 2002).

Nilai Prediksi vs Observasi Variabel bebas: Log RBA

-0.6

Gambar 5 Grafik data prediksi dan observasi aktivitas IC50 senyawa analog

estrogen

Validasi Metode

Validasi silang. Proses validasi silang melibatkan pengulangan regresi berkali-kali dalam subset data. Biasanya masing-masing molekul tidak diikutkan secara bergantian, dan r2 dihitung menggunakan nilai perkiraan molekul yang tidak disertakan (r2 hasil validasi silang) (Accelrys, 2001). Validasi ini telah dilakukan pada pemilihan kelompok model, model yang dipilih adalah model dengan nilai r2 yang paling besar.

Uji Acak. Metode validasi uji acak tidak dilakukan dalam penelitian ini. Hal ini dikarenakan dalam data subset mempunyai korelasi yang tinggi (Accelrys, 2001).

Evaluasi Persamaan HKSA. Validasi metode HKSA ini sangat diperlukan untuk mengetahui apakah model persamaan HKSA

ini memang sesuai untuk senyawa analog estrogen.

Validasi metode ini dilakukan dengan membandingkan nilai prediksi dan observasi dari masing-masing senyawa.

Tabel 1. Nilai Residual Aktivitas IC50

Senyawa Observasi Prediksi Residual

1 -1.04922 -0.91089 -0.138332

(6)

34 -1.74974 -1.74001 -0.009731

35 -2.80010 -3.02836 0.228262 36 -2.00000 -2.05219 0.052185 37 -1.25042 -1.24921 -0.001212 38 -2.04999 -1.92924 -0.120756 39 -1.19866 -1.20372 0.005059

40 -3.09999 -3.16428 0.064287 41 -1.69984 -1.83566 0.135824 42 -0.74819 -0.74819 0.000000 43 -1.85003 -1.85003 -0.000005

44 -1.49969 -1.49975 0.000061

Tabel 2. Nilai Residual Aktivitas RBA

1 2.000000 2.000011 -0.000011

2 1.000000 0.591854 0.408146 3 1.146128 1.053925 0.092203 4 0.602060 0.671299 -0.069239 5 1.342423 1.271023 0.071400

6 0.301030 0.671974 -0.370944 7 0.301030 0.245307 0.055723 8 0.602060 0.616022 -0.013961

9 0.477121 0.529693 -0.052572 10 0.477121 0.492353 -0.015231 11 0.301030 0.226553 0.074477 12 1.845098 1.843109 0.001989 13 0.954242 1.118584 -0.164341

14 0.301030 0.409637 -0.108607 15 0.000000 -0.031381 0.031381 16 0.845098 0.845102 -0.000005 17 0.301030 0.446689 -0.145659

18 0.778151 0.466529 0.311623 19 0.000000 0.261624 -0.261624 20 1.851258 1.034455 0.816804 21 1.397940 1.397936 0.000004

22 0.301030 1.014514 -0.713484 23 0.000000 0.463849 -0.463849 24 0.698970 0.724139 -0.025169

25 0.602060 0.830477 -0.228418

26 2.152288 1.589005 0.563283 27 1.255273 1.639478 -0.384206 28 0.698970 0.767902 -0.068932 29 1.806180 1.585065 0.221115 30 0.301030 0.398408 -0.097378

31 1.544068 1.309711 0.234357 32 1.748188 1.659693 0.088495 33 0.602060 0.353267 0.248793 34 0.301030 0.359016 -0.057986

35 0.301030 -0.194095 0.495125 37 1.799341 1.771076 0.028265 38 0.000000 -0.071127 0.071127

39 1.851258 1.851220 0.000038 39 1.851258 1.851220 0.000038 Tabel 2. Nilai Residual Aktivitas RBA

(lanjutan)

40 0.000000 0.803996 -0.803996 41 1.342423 1.389011 -0.046588 42 2.301030 2.301030 0.000000 43 1.204120 1.089442 0.114678 44 1.544068 1.684215 -0.140147

Data residual yang masih masuk dalam model adalah tiga kali nilai standar deviasi tiap nilai observasi dari senyawa (Rencher, 2002). Data nilai residual dari kedua model ini, yaitu model IC50 dan model RBA,

memenuhi batas maksimal residual.

Perhitungan Nilai Aktivitas Senyawa Fevicordin

Perhitungan senyawa aktivitas fevicordin dengan cara memasukkan nilai deskriptor dari fevicordin.

Tabel 3. Data nilai deskriptor untuk IC50

dari senyawa fevicordin IC50 Fevicordin

Deskriptor NILAI

Sdeg 84.000

TVCon 0.000

DPLL 4.847

HOMO -8.436

TotE -7110.568

Ev -0.883

(7)

Esb 1.020

Et 13.080

E14 29.865

SEV 496.213

Ovality 1.503

PMIY 13375.800

PMIZ 13652.300

Log P 3.214

MR2 14.675

Octanol/water 3.823 MW talete 542.670

AMW 6.700

Sv 54.990

Sp 54.910

ARR 0.261

RBN 6.000

RBF 0.071

nTB 0.000

nC 31.000

Tabel 4. Data nilai deskriptor untuk IC50

dari senyawa fevicordin RBA Fevicordin

Deskriptor NILAI

nTB 0.000

Ovality 1.503

Octanol/water 3.823

PMIX 2392.070

MW talete 542.670

Tcon 4.64E-06

TotE -7110.568

Sp 54.910

gap HL 8.081

ElcE -71170.795

Eb 40.404

Mv 0.575

Sv 54.990

AMW 6.700

Ed 3.931

E14 29.865

DPL 4.847

TVCon 0.000

Nilai IC50 dari senyawa fevicordin

adalah 38,36 µg/mL. Konsentrasi inhibisi ini cukup kecil, dalam kata lain perlu kadar yang sedikit untuk digunakan sebagai senyawa antikanker. Fevicordin berpotensi sebagai senyawa antikanker.

Nilai RBA dari senyawa fevicordin adalah 1,51.10-24 %. Afinitas ikatan yang dihasilkan senyawa fevicordin terhadap reseptor estrogen α manusia pada sel MCF7

dan T74D. Hal ini berarti senyawa fevicordin mempunyai ikatan yang lemah terhadap reseptor estrogen α manusia atau senyawa tersebut berada diluar binding

pocket (tempat ikatan) pada sel kanker.

Tetapi masih berada pada sel tersebut.

Conclucion

In the present study, we have systematically compared the antiproliferative activity and binding affinities of 44 natural or synthetic estrogens for the recombinant human ER. A majority of the endogenous estrogen metabolites retain varying degrees of antiproliferative activity and binding affinity for human ERα.

Based on QSAR analysis, we predicted that the IC50 of Fevicordin

compound is 38,36 µg/mL in human Erα and RBA predicted value of fevicordin is 1,51.10-24. The computational QSAR model of 44 estrogens analogs for human ERα can be used for further molecule modification for development of anti breast-cancer drugs.

Saran

Berdasarkan simpulan diatas, saran yang dapat disampaikan adalah sebagai berikut :

1. Permodelan ini dapat digunakan untuk modifikasi senyawa turunan fevicordin yang dapat dikembangkan sebagai senyawa antikanker payudara. Oleh karena itu, diharapkan adanya tindak lanjut penelitian ini.

2. Pada penelitian lebih lanjut, penambahan desktriptor dapat dilakukan untuk memperoleh informasi yang lebih komprehensif sehingga diperoleh model HKSA yang lebih baik.

DAFTAR PUSTAKA

Accelrys. 2001. QSAR: Theory, Statistical Methods.

(8)

Accelrys. 2001. QSAR: Working with Statistics.

http://www.esi.umontreal.ca/ accelrys/life/cerius46/qsar/working _with_stats.html

Bilal A, Treating Cancer with Stem Cells, Medical Engineer, 25 July 2005 Fulltext

Cancer: Number one killer (9 November, 2000). BBC News online. Retrieved 2005-01-29.

Fang H, Tong W, Shi LM, Blair R, Perkins R, Branham W, Hass BS, Xie Q, Dial SL, Moland CL, Sheehan DM. 2001. Structure-activity relationships for a large diverse set of natural, synthetic, and environmental estrogens. Chem Res Toxicol 14: 280 -294.

Foresman, J. B., dan Aeleen F. 1996. Exploring chemistry with electronic structure methods. Second edition. Gaussian, Inc. Pittsburgh.

Gramatica, P. 2004. Applicazione Delle

Metodologie QSAR A

Problematiche Amientali Di

Inquinanti Organici. QSAR and

Environmental Research Unit DBSF. University of Insubria. Varese. Italy.

Jemal A, Murray T, Ward E, Samuels A, Tiwari RC, Ghafoor A, Feuer EJ, Thun MJ. Cancer statistics, 2005. CA Cancer J Clin 2005;55:10-30. Fulltext. PMID 15661684.

Katzung, B.G. 2002. Farmakologi Dasar

dan Klinik. Jakarta : Salemba

Medika

Kutner et al. 2005 Applied Linier Statistical

Models. Fifth Edition. Mc

Graw-Hill International Edition.

Nogrady, Thomas. 1992. Kimia Medisinal :

Pendekatan secara Biokimia

Richon, Allen B. 1997. An Introduction to QSAR Methodology. Network Science Corporation, Saluda.

Siswandono dan Soekardjo. 1995. Kimia

Medisinal. Airlangga University

Press. Surabaya.