UIN SYARIF HIDAYATULLAH JAKARTA HUBUNGAN...

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

ii UIN Syarif Hidayatullah Jakarta

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

iii UIN Syarif Hidayatullah Jakarta

iv UIN Syarif Hidayatullah Jakarta

v UIN Syarif Hidayatullah Jakarta

vi UIN Syarif Hidayatullah Jakarta

ABSTRAK

Judul : HUBUNGAN KUANTITATIF STRUKTUR AKTIFITAS

(HKSA) TURUNAN ASAM SINAMAT TERHADAP SEL P388

Telah dilakukan analisis hubungan kuantitatif struktur dan aktivitas (HKSA)

turunan asam sinamat terhadap sel p388 dengan menggunakan deskriptor

parameter hidrofobik berupa log P dan log D, parameter sterik berupa indeks

Harary, indeks Randic, dan indeks Wiener, dan parameter elektronik berupa

PPSA1 dan PNSA1. Tujuan dari penelitian ini adalah untukpmendapatkan model

persamaan HKSA yang baik dan dapat digunakan untuk memprediksi aktivitas

antikanker senyawa turunan asam sinamat lain.Data aktivitas biologis yang

digunakan ialah data aktivitas antikanker terhadap sel p388 yang didapat dari

berbagai literatur. Data set yang didapat kemudian dibagi menjadi training set

75% dan tes set 25%.Model persamaan HKSA dibentuk dengan menggunakan

Multilinear Regression (MLR) dengan metode enter sehingga didapatkan model

persamaan seagai berikut :

Log1/IC50= -4,793 + (-0,983 logP) + (-0,00898 PPSA) + (-0,00138 PNSA) +

0,378 harary + 0,191 randic + (-0,008705 WPATH) + (-0,3247 WPOL)

Dari 6 senyawa turunan asam sinamat lain yang diprediksi aktivitasnya senyawa

2-(3-Phenyl-acryloyloxy)-benzoic acidmemiliki aktivitas antikanker paling baik

dengan IC50 4,29 µM

Kata kunci : HKSA, Turunan asam sinamat, sel p388

vii UIN Syarif Hidayatullah Jakarta

ABSTRACT

Title : QUANTITATIVE STRUCTURE ACTIVITY RELATIONSHIP

(QSAR)CINNAMIC ACID DERIVATIVES OF THE P388CELLS

An analysis towards the quantitative structure activity relationship (QSAR)

cinnamic acid derivatives of the P388 cells using a hydrophobic parameter

descriptors such as of log P and log D, steric parameters such as index Harary,

Randic index, and the Wiener index, and electronic parameters such as PPSAI and

PNSAI has been done recently. The objectives of this research were to obtain

good QSAR equation model and to predict the anticancer activity of other

cinnamic acid derivatives. Biological activity data being used was the anticancer

activity data of the P388 cells that were obtained from various literatures. The

data set then was divided into training set 75% and test set 25%. QSAR equation

model was formed by used Multilinear Regression (MLR) with enter method and

it was obtained the equation model as below:

Log1/IC50= -4,793 + (-0,983 logP) + (-0,00898 PPSA) + (-0,00138 PNSA) +

0,378 harary + 0,191 randic + (-0,008705 WPATH) + (-0,3247 WPOL)

From the six other cinnamic acid derivative compounds wichactivityare being

predicted,2-(3-Phenyl-acryloyloxy)-benzoic acidshowed the best anticancer

activity with IC50 4.29 µM.

Keywords: QSAR, cinnamic acid derivatives, P388 cells

viii UIN Syarif Hidayatullah Jakarta

KATA PENGANTAR

Puji dan syukur senantiasa kami panjatkan kehadirat Tuhan Yang Maha

Esa Allah SWT yang telah melimpahkan berbagai macam nikmat, karunia serta

kasih sayang-Nya sehingga penulis dapat menyelesaikan penelitian dan

penyusunan skripsi ini. Shalawat serta salam tak lupa pula kami haturkan kepada

pemimpin seluruh umat dan rahmat bagi semesta alam baginda Nabi Besar

Muhammad SAW, beserta keluarga, sahabat dan para pengikutnya hingga hari

akhir nanti, semoga kita senantiasa mendapatkan syafaat dari beliau.

Skripsi dengan judul “Hubungan Kuantitatif Struktur Aktivitas (HKSA)

Turunan Asam Sinamat Terhadap Sel P388” ini disusun untuk memenuhi salah

satu syarat menempuh ujian akhir guna mendapatkan gelar Sarjana Farmasi pada

Program Studi Farmasi Fakultas Kedokteran dan Ilmu Kesehatan Universitas

Islam Negeri Syarif Hidayatullah Jakarta.

Dalam proses penelitian dan penyusunan skripsi ini, penulis menyadari

adanya beberapa pihak yang memberikan kontribusi kepada penulis. Oleh karena

itu penulis mengucapkan rasa terima kasih yang sebesar-besarnya, khususnya

kepada :

1. Supandi M. Si., Apt. sebagai Pembimbing I dan Andrianopsyah Mas Jaya

Putra, M. Sc. sebagai Pembimbing II yang telah meluangkan waktu,

pikiran dan tenaganya serta memberikan ilmu terbaik yang dimiliki

sehingga menutupi banyak keterbatasan penulis.

2. Dr. H. Arif Sumantri, SKM., M. Kes. selaku Dekan Fakultas Kedokteran

dan Ilmu Kesehatan UIN Syarif Hidayatullah Jakarta.

3. Yardi, M. Sc., P.hD., Apt. selaku Ketua Program Studi Farmasi Fakultas

Kedokteran dan Ilmu Kesehatan UIN Syarif Hidayatullah Jakarta.

4. Ibu/Bapak Dosen dan Staff Akademika Program Studi Farmasi Fakultas

Kedokteran dan Ilmu Kesehatan Universitas Islam Negeri Syarif

Hidayatullah Jakarta yang telah memberikan ilmunya kepada penulis.

ix UIN Syarif Hidayatullah Jakarta

5. Sahabat-sahabat GR (Bisrie, Sam’ul, Fikri, Habibie) yang selalu

menghibur dan menyemangati penulis.

6. Ayahanda Mohammad Yahya pemimpin dalam keluarga dunia yang selalu

menjadi panutan penulis dalam meraih cita-cita dan Ibunda Balkis tercinta,

bidadari dalam hidup ini yang selalu memberikan kasih sayang, semangat,

dukungan, do’a dan nasihat tak terhingga yang tak akan pernah mampu

penulis membalas semua itu. Saudara penulis Ade Musyrifah Zahroh,

Aliya Luthfiyyah Khumairo yang selalu memberikan semangat dan

dorongan untuk kesuksesan penulis. Beribu cinta untuk kalian semua.

7. Kakak-kakak Farmasi, Arif, Agung, Dimas, Fikri dan semua kakak 2009

serta 2010 lain yang selalu ikhlas membantu dan memberikan bimbingan

selama penulis berada di lingkungan kampus hingga saat penulis selesai

mengerjakan penelitian ini.

8. Sahabat-sahabat D8 (Akas, Deni, Rifki, Mufidah, Monic, Nanda, Puspita)

yang selalu mengingatkan penulis untuk terus bersemangat menyelesaikan

skripsi ini

9. Teman-teman SODA (Agus, Shinta, Bona, Hari, Kak Rima, Nasar, Jamal),

PETANG, Keluarga Universitas Kehidupan, Keluarga Tantra yang

menemani pendakian penulis ketika penulis sedang membutuhkan

inspirasi dalam menulis skripsi.

10. Teman-teman Docking Team (Eko, Mazaya, Wahidin, Wahyu, Haidar)

yang selalu membantu penulis dalam melakukan penelitian ini.

11. Teman-teman farmasi angkatan 2011, Semut (sebelas imut) yang telah

berjuang bersama selama penelitian ini.

Penulis sadar bahwa dalam penulisan skripsi ini masih banyak kelemahan

dan kekurangan, kritik dan saran pembaca diharapkan penulis untuk memperbaiki

kemampuan penulis.

Jakarta, Juli 2015

Penulis

x UIN Syarif Hidayatullah Jakarta

xi UIN Syarif Hidayatullah Jakarta

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

DAFTAR GAMBAR ......................................................................................... xiii

DAFTAR TABEL ............................................................................................. xiv

DAFTAR LAMPIRAN ..................................................................................... xv

BAB 1 PENDAHULUAN

1.1. Latar Belakang ................................................................................. 1

1.2. Rumusan Masalah ............................................................................ 3

1.3. Hipotesis ........................................................................................... 3

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

2.7. SPSS (Statistical Package and Service Solution) ............................. 20

xii UIN Syarif Hidayatullah Jakarta

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

LAMPIRAN ....................................................................................................... 59

xiii UIN Syarif Hidayatullah Jakarta

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

Gambar 4.6. Grafik Korelasi Aktivitas Prediksi Dan Eksperimen .................... 38

xiv UIN Syarif Hidayatullah Jakarta

DAFTAR TABEL

Tabel 4.1. Struktur dan Aktivitas Data Set 27

Tabel 4.2. Data Aktivitas, log P, dan log D 38

Tabel 4.3. Data Deskriptor Sterik 42

Tabel 4.4. Korelasi Deskriptor terhadap Aktivitas 44

Tabel 4.5.Data Set Berdasarkan Aktivitas 46

Tabel 4.6.Parameter Statistik Dua Model Persamaan HKSA 50

Tabel 4.7.Hasil Prediksi Sampel Set 51

xv UIN Syarif Hidayatullah Jakarta

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

Lampiran 7. Prosedur Kerja ............................................................................... 65

1 UIN Syarif Hidayatullah Jakarta

BAB I

PENDAHULUAN

1.1 Latar Belakang

Kanker adalah istilah penyakit yang dapat mempengaruhi bagian

dari tubuh manusia, istilah lain yang digunakan untuk kanker adalah tumor

dan neoplasma. Salah satu tanda umum yang terjadi pada kanker adalah

pertumbuhan sel-sel yang lebih cepat dari pertumbuhan sel normal,

kemudian sel kanker akan menyerang tubuh kemudian akan menyebar

kebagian lain. Kanker merupakan penyebab kematian terbesar didunia

yang dihitung dari 8,2 juta kematian pada tahun 2012. Kasus kanker yang

paling banyak menyebabkan kematian berturut-turut adalah: kanker 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

mengetahui aktivitas suatu senyawa dalam menghambat pertumbuhan sel

UIN Syarif Hidayatullah Jakarta

kanker. Sel kanker ini dikembang biakkan dari sel tikus yang dikenai agen

leukemia (Marwati, 2012).

Terdapat 3 pengobatan yang dapat dilakukan pada pasien yang

terkena kanker yaitu: pembedahan, radioterapi, dan kemoterapi. Akan

tetapi kemoterapi biasanya digunakan bersamaan dengan radioterapi

maupun pembedahan. Pengobatan menggunakan kemoterapi mempunyai

beberapa mekanisme yang berbeda, salah satu dari mekanismenya yaitu

dengan menghambat pensinyalan pada sel kanker (Patric, 2009).

Pengobatan dengan menggunakan obat-obat antikanker klasik tidak

mampu membedakan antara sel normal dan sel kanker, memiliki efek

samping yang berbahaya, sehingga membatasi penggunaannya dalam

jangka panjang. Kekurangan-kekurangan inilah yang menyebabkan

peneliti mencari obat yang selektif, dan lebih tidak toksik (El-Deeb, dkk.,

2009)

Asam Sinamat dan turunannya merupakan senyawa aromatis yang

terdapat di alam. Isolasi asam sinamat dan turunannya dapat dilakukan

dari propolis lebah, kayu manis, dan banyak tumbuhan, terutama 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

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 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

organ-organ sekitarnya (Silalahi, 2006 )


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

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 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

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).

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

rimpang kencur (Kaempferia galanga L) dan dilaporkan memiliki aktifitas

Gambar 2.1 Struktur Asam Sinnamat dibuat menggunakan Marvin Sketch


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

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


Matriks jarak resiprokal Dr

diperoleh dengan mengganti semua

diagonal unsur-unsur [Dij] menjadi bentuk kebalikannya ditunjukkan pada

persamaan dibawah

sehingga untuk diagonal (Dr

)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

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).

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)

Gambar 2.2 Naga dalam mitologi Babylon Istar diambil dari Molecular Deskriptors for Chemoinformatics


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

http://www.pdb.org/

http://pubchem.ncbi.nlm.nih.gov/

http://www.libgen.org/

http://www.ncbi.nlm.nih.gov/pubmed


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.

http://pubchem.ncbi.nlm.nih.gov/


3.4.7 Validasi Model HKSA

Validasi dilakukan dengan beberapa parameter statistik yaitu

koefisien korelasi (r), koefisien determinasi (r2), Adjusted r

2, 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


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

2012


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

S6 2.2296 -0.3482 LIPI


(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-


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

1998


(E)-3-(2,6-dichlorophenyl)-1-(4


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

1998


(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-


S14 7.8901 -0.8970 Dimmo

ck, dkk

1998



S15 8.5301 -0.9309 Dimmo

ck, dkk

1998


(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

1998


(E)-1,3-diphenylprop-2-en-1-one

S19 9.6302 -0.9836 Dimmo

ck, dkk

1998



S20 11.700 -1.0681 Dimmo

ck, dkk

1998


2-en-1-one

S21 12.9 -1.110 Dimmo

ck, dkk

1998


(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


2-en-1-one

S24 16.649 -1.2214 Dimmo

ck, dkk

1998


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

S27 72.995 -1.8632 LIPI


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

-2.5181 LIPI


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

1998


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

1998


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 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

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

Gambar 4.4 kurva hubungan indeks Harary terhadap kenaikan aktivitas turunan

asam sinamat

Aktivitas (log1/IC50)

Indeks

Harary


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

Kode IC 50 µM Log 1/IC50

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 r

2, 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 Adjusted R

Square Std. Error of the

Estimate Fhitung/ Ftabel

PRESS RMSD

1 0.922 0.851 0.781 0.468 4.520 3.2919 1.15972

Model R R Square Adjusted R Square

Std. Error of the Estimate

Fhitung/ Ftabel

PRESS RMSD

2 0.881 0.776 0.672 0.574 2.741 4.951 1.329

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.

Gambar 4.6 Grafik korelasi aktivitas (log1/IC50) prediksi dan eksperimen pada 23

senyawa turunan asam sinamat

Log (1/IC50)

prediksi

Log (1/IC50) eksperimen


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

O

COOH

2-(3-Phenyl-acryloyloxy)-benzoic acid

U1 4.29 -0.63267 2.3034 62.59

2 O

O

COOCH3

4-(3-Phenyl-acryloyloxy)-benzoic acid

U2 18.38 -1.26439 2.5544 67.18

3 O

O

COOH

3-Phenyl-acrylic acid 3-methoxy-phenyl ester

U3 70.59 -1.84878 2.3034 61.35

4 O

O

COOCH3

2-(3-Phenyl-acryloyloxy)-benzoic acid methyl

ester

U4 574.18 -2.75905 2.5544 65.65


5 O

O

OCH3

4-(3-Phenyl-acryloyloxy)-benzoic acid methyl

ester

U5 30.05 -1.47791 2.2402 57.15

6 O

O

OCH3

3-Phenyl-acrylic acid 2-methoxy-phenyl ester

U6 19.63 -1.29301 2.2402 57.66

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.


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

https://docs.chemaxon.com/display/marvinsketch/Introduction+to+MarvinSketch


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.

http://www.sigmaplot.com/products/sigmaplot/sigmaplot-details.php%20diakses%2019

http://www.who.int/mediacentre/factsheets/fs297/en/


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

Model

Molecular deskriptor

Training set

Validasi Model

Test set

Senyawa baru

Molekular deskriptor

Prediksi Aktivitas Senyawa

Baru

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 R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 .881a .776 .672 .574515

a. Predictors: (Constant), WPOL, PPSA, Log_D, PNSA, Randiks,

WPATH, Harary

ANOVAb

Model Sum of Squares Df Mean Square F Sig.

1 Regression 17.167 7 2.452 7.430 .001a

Residual 4.951 15 .330

Total 22.118 22

a. Predictors: (Constant), WPOL, PPSA, Log_D, PNSA, Randiks, WPATH, Harary

b. Dependent Variable: Log_IC

Coefficientsa

Model

Unstandardized Coefficients

Standardized

Coefficients

t Sig. B Std. Error Beta

1 (Constant) -9.555 2.626 -3.639 .002

Log_D -.460 .149 -.608 -3.081 .008

PPSA -.006 .006 -.315 -1.129 .277

PNSA -.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

WPOL .306 .366 1.568 .838 .415

a. Dependent Variable: Log_IC

62


4. Validasi persamaan HKSA menggunakan log P

Model Summary

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 .923a .851 .782 .468467

a. Predictors: (Constant), WPOL, PPSA, Log_P, PNSA, Randic,

WPATH, Harary

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 18.826 7 2.689 12.255 .000a

Residual 3.292 15 .219

Total 22.118 22

a. Predictors: (Constant), WPOL, PPSA, Log_P, PNSA, Randic, WPATH, Harary

b. Dependent Variable: Log_IC

Coefficientsa

Model

Unstandardized Coefficients

Standardized

Coefficients

t Sig. B Std. Error Beta

1 (Constant) -4.794 1.878 -2.553 .022

Log_P -.983 .210 -.870 -4.673 .000

PPSA -.009 .004 -.450 -2.095 .054

PNSA -.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 KODE

Log

1/IC 50

IC 50

µM Log D Log P PPSA-1 PNSA-1

Indeks

Radic

Indeks

Harary

WPAT

H

WPO

L

piperidinil para kumaramida S1 1.636 0.0230 2.32 -0.4698 361.4955 179.230 15.07 49.24 594 21

metil 2- cinnamido-3- hidroksi propanoat S2 1.364 0.0432 0.7 0.3395 305.4951 207.885 14.76 51.93 709 22

N,N dietil para kumaramida S3 0.969 0.107 2.18 1.0764 357.2752 179.627 14.57 44.03 505 20

N propil para kumaramida S4 0.583 0.261 2.12 0.1459 372.7684 39.15 13.36 446 16 66

21 {(E)-3-(2,5-difluorophenyl)-1-(4-

hydroxyphenyl)prop-2-en-1-one}

S5 0.0634 0.864

3.75 1.7694 280.7667 301.163 13.38 58.74 784 26

Penil sinamat S6 -0.348 2.229 4.17 2.4344 290.1323 48.45 13.32 612 19 80

29 { (E)-1-(4-hydroxyphenyl)-3-[4-

(trifluoromethyl)phenyl]prop-2-en-1-one}

S7 -0.396 2.490

4.34 2.8523 230.6099 354.856 14.59 67.25 1092 29

19 {(E)-3-(3-chlorophenyl)-1-(4-


S8 -0.450 2.82

4.07 2.3185 269.9069 298.601 13.38 53.76 691 23

27 { (E)-1-(4-hydroxyphenyl)-3-phenylprop-

2-en-1-one}

S9 -0.492 3.107

3.46 1.9498 295.097 257.932 13.38 49.28 592 21

28 { (E)-3-(2,6-dichlorophenyl)-1-(4-


S10 -0.501 3.170

4.67 2.6872 280.646 331.602 13.38 59.09 772 27

30 { (E)-3-(4-chlorophenyl)-1-(4-


S11 -0.564 3.670

4.07 2.3185 278.7785 304.143 13.38 53.55 702 23

34 { (E)-1-(4-hydroxyphenyl)-3-(4-

methylphenyl)prop-2-en-1-one}

S12 -0.741 5.514

3.98 2.3962 296.8172 260.277 14.59 53.55 702 23

24 { (E)-3-(2-chlorophenyl)-1-(4-


S13 -0.835 6.850

4.07 2.3185 288.0498 280.346 13.38 54.06 680 24



S14 -0.897 7.890

4.67 2.6872 255.5021 322.774 13.38 58.58 794 26

64


40 {(E)-1-(3,4-dichlorophenyl)-3-(4-


S15 -0.931 8.530

4.79 2.6872 245.4144 366.394 13.38 58.34 802 26

35 { (E)-3-(4-fluorophenyl)-1-(4-


S16 -0.932 8.550

3.6 1.8596 263.7044 347.869 13.38 53.55 702 23


methoxyphenyl)prop-2-en-1-one}

S17 -0.939 8.7

3.3 1.4512 339.4164 260.431 15.06 57.62 830 25

32 { (2E,4E)-1-(4-hydroxyphenyl)-5-

phenylpenta-2,4-dien-1-one}

S18 -0.946 8.830

3.99 2.4176 319.0894 278.020 15.2 56.34 874 23

22 { (E)-1,3-diphenylprop-2-en-1-one} S19 -0.983 9.6302 3.89 2.5129 315.4029 242.562 12.84 45.05 496 19



S20 -1.068 11.700

4.67 2.6872 262.4676 362.814 13.38 58.37 804 26

39 { (E)-1-(4-bromophenyl)-3-(4-


S21 -1.110 12.9

4.35 2.4025 286.8548 319.349 13.38 53.55 702 23


nitrophenyl)prop-2-en-1-one}

S22 -1.118 13.140

3.4 2.1631 258.7706 352.436 14.29 62.18 960 27

26 { (E)-3-(4-hydroxyphenyl)-1-phenylprop-

2-en-1-one}

S23 -1.155 14.300

3.58 1.9498 286.0094 249.501 13.38 49.24 594 21

31 { (E)-3-(4-bromophenyl)-1-(4-


S24 -1.221 16.649

4.23 2.4025 362.4457 190.949 13.38 53.55 702 23

nitro para S25 -1.585 38.517 2.46 1.7934 258.8072 40 10.79 428 18 68

Cinnamaldehid S26 -1.651 44.779 1.98 1.3765 246.4826 21.64 8.2 133 9 42

isobutil sinamat S27 -1.863 72.995 3.76 2.0623 385.3613 39.04 13.63 446 15 66

butil sinamat S28 -1.984 96.494 3.84 0.9647 415.4564 38.57 13.63 458 15 64

metil sinamat S29 -2.098 125.477 2.52 1.5801 254.4987 28.46 9.88 226 12 52

nitro orto S30 -2.127 134.086 2.46 1.7934 273.1119 40.93 10.79 392 19 68

asam sinamat S31 -2.518 329.733 -0.67 1.3291 268.8205 25.1 8.73 174 10 48

Keterangan : merah= aktivitas tinggi, kuning= aktivitas sedang, hijau = aktivitas rendah


6. Prosedur Kerja

a. Pembuatan struktur 3D menggunakan MarvinSketch

Setelah struktur dibuat, kemudian dilakukan clean 3D dengan cara: pilih

structureclaening methodfine with HydrogenizeClean in 3Dkemudian

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 calculationpartitioningLogDklik

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 optionsoutput methodtab delimitedkemudian pilih input yang akan

dihitung deskriptornya dengan klik browseubah 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 analyzeRegressionLinierakan 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...

Documents

Transcript of UIN SYARIF HIDAYATULLAH JAKARTA HUBUNGAN...