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 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 )

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 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)
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 andeskriptorx1, x2, ……, xp = molecular
deskriptorOrdinary 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).

Metode

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.
Validasi Model HKSA Validasi dilakukan dengan beberapa parameter statistik yaitu koefisien korelasi (r),
koefisien determinasi (r2), Adjusted r2, standard of error (SE), Fhitung/Ftabel, prediction residual error
sum of square (PRESS), dan root mean square deviation (RMSD). Untuk menentukan nilai PRESS
(Prediction Error Sum Of Square) dilakukan dengan mengurangi hasil Log 1/IC50 dari persamaan dengan
Log 1/IC50 dari penelitian yang telah dikakukan kemudian menjumlah seluruh simpangannya, dan RMSD
(Root Mean Square Deviation) dengan mengurangi hasil Log 1/IC50 dari persamaan dengan Log 1/IC50
dari penelitian yang telah dikakukan, kemudian merata-ratakan (menjumlah seluruhnya dan membagi
pada jumlah test set yang digunakan) kemudian dilakukan pengakar kuadratan terhadap rata-rata yang
telah didapatkan.

Pengujian Aktivitas senyawa turunan asam sinamat lain

Senyawa turunan asam sinamat digambar menggunakan Marvin Sketch kemudian disimpa 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.
Hasil dan pembahasan

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).

Hasil Validasi Model Persamaan HKSA

Validasi persamaan HKSA dengan menggunakan beberapa parameter statistik yang sudah umum
digunakan yaitu: koefisien korelasi (r), koefisien determinasi (r2), Adjusted r2, standard of error (SE),
Fhitung/Ftabel, prediction residual error sum of square (PRESS), dan root mean square deviation
(RMSD). Untuk nilai SE, dan PRESS, dan RMSD harus sekecil mungkin (mendekati nol). Dan untuk nilai
dari Fhitung/Ftabelharus 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
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
sinamatDari 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

Daftar pustaka