PRESENTASI

Kanker atau carsinoma merupakan salah satu penyakit penyebab kematian nomor tiga
terbanyak di seluruh dunia. Angka kematian akibat kanker di dunia pada tahun 2018 berjumlah
9,6 juta, sedangkan di Indonesia pada tahun 2018 mencapai 207.210 jiwa (Kementerian
Kesehatan RI, 2020). Kanker adalah sel yang mengalami fase pengulangan siklus sel terbentuk
secara abnormal yang menyebabkan kematian (KemenkesRI, 2016). Timbulnya pertumbuhan
tidak normal sel jaringan tubuh adalah penyebab perubahan sel menjadi sel kanker. Pengobatan
kanker basis terapi saat ini telah banyak dilakukan seperti kemoterapi dan radioterapi.
Pengobatan tersebut memiliki resistensi obat yang membatasi hasil terapi yang diperoleh dan
memiliki toksisitas yang tinggi. Oleh karena itu, desain obat dengan berbagai metode terbaru
sangat diperlukan pengujian secara mendalam (Sharma et al., 2018).
 Jenis kanker yang familiar dan berbahaya menyebabkan kematian salah satunya yaitu
Karsinoma Hepatoseluler (Carsinoma Hepatocellular) atau biasa disingkat dengan HCC.
Karsinoma Hepatoseluler adalah kanker hati yang merupakan penyakit hepar golongan primer
terdiri dari sel seperti hepatosit memiliki derajat diferensi bervariasi disebabkan oleh neoplasma
yang ganas (Temirak et al., 2012). Penyakit karsinoma hepatoseluler muncul pada manusia
dilatar belakangi oleh sirosis dan penyakit hepatitis kronis. Kanker hati termasuk penyakit yang
mematikan nomor dua setelah kanker pankreas. Penyakit ini muncul gejala yang jelas pada saat
stadium lanjut, sehingga dapat dikatakan diagnosis awal masih kurang baik. Obat antikanker
sangatlah dibutuhkan, dan pengembangan desain yang optimal harus terus ditingkatkan.
Senyawa kemoterapik dapat dijadikan pengobatan kanker (obat antikanker) yang berbahaya bagi
kehidupan manusia (Hardjojo, 2016).
Pengobatan terus berkembang hingga sekitar tahun 1990 mulai ditemukan inhibitor tirosin
kinase yaitu VEGF. VEGF memiliki fungsi memediasi peningkatan permeabilitas pembuluh
darah yang berada di makrovaskuler tumor. Pengembangan tersebut kemudian berlanjut hingga
ditemukan reseptor tirosin, salah satunya yaitu vascular endothelial growth factor receptor
(VEGFR). VEGF aktivasi sinyalnya dipengaruhi oleh membran spesifik pada reseptornya
(VEGFR). Perkembangan kanker ditandai dengan sel yang tidak terkontrol pertumbuhannya
melalui perubahan genetik yang menghasilkan perubahan geologis. Sorafenib merupakan obat
kinase pertama yang menargetkan jalur sinyal RAF/MEK/ERK yang memblok poliferasi sel
kanker menghambat angiogenesis kanker. Angiogenesis merupakan pembentukan pembuluh
darah baru berasal dari pembuluh darah yang ada sebelumya, berperan sebagai komponen
penting memberikan jalur utama dengan sel kanker mana yang keluar dari kanker primer dan
memasuki sistem sirkulasi (Kesuma et al., 2018).
Vascular endothelial growth factor receptor (VEGFR) adalah jenis protein tirosin kinase
sebagai target obat yang tervalidasi secara klinis digunakan untuk terapi kanker.
VEGFR/VEGFR2 yang telah teruji secara klinis tersebut berperan sebagai jalur proangiogenik.
Proangiogenik merupakan faktor penting yang berperan meningkatkan semua tahap
angiogenesis, permeabilitas vaskular, kelangsungan hidup sel endotelial, proliferasi, migrasi atau
invasi ke jaringan sekitar, serta pembentukan tabung kapiler dalam siklus peredaran darah.
Berdasarkan uraian tersebut, perkembangan kanker sangat berkaitan dengan ekspresi VEGFR,
dan jalur sinyal VEGFR/VEGFR2 yang dianggap mediator utama kanker angiogenesis.
Angiogenesis penyebab tumbuhnya sel abnormal dapat dihalangi atau diblokir dengan cara
menghambat jalur VEGFR2. (Goel & Mercurio, 2013).

Penelitian telah dilakukan oleh Rahmawati, (2020) tentang studi in-silico senyawa
Heliannuols A, B, C, D, dan E pada tanaman bunga matahari terhadap reseptor VEGFR2 untuk
obat kanker otak. Penelitian tersebut melihat keefektifan senyawa dari tanaman untuk
memperlambat kerja reseptor VEGFR2 yang berpengaruh terhadap pertumbuhan sel kanker.
Penelitian tersebut menyatakan bahwa VEGFR/VEGFR2 merupakan sistem protein target untuk
intervensi terapeutik atau penanganan terapi pada kanker. Menurut Dunna et al., (2015)
VEGFR2 dapat mengaktivasi enzim yang bertindak sebagai transduser sinyal utama untuk
angiogenesis tumor dan dapat memasuki endotel dan menyebabkan semakin menyebarnya sel
tumor (metastasis tumor). Oleh karena itu desain obat dapat dilakukan untuk pengembangan obat
yang telah ada. Aktivitas lebih baik dan toksisitas yang rendah untuk obat baru merupakan tujuan
dari pengembangan desain obat (Hermansyah et al., 2020). Langkah awal dalam upaya
merancang dan mengembangkan obat baru sebagai antikanker (anti-HCC) yaitu dengan
mengembangkan skrining kandidat obat yang telah ada dan yang sudah diketahui aktivitas
biologisnya untuk dijadikan sebagai senyawa training. Desain tersebut yaitu dengan pendekatan
secara in-silico seperti penambatan molekul (Sumo et al., 2007). Desain in-silico adalah
pendekatan yang mempunyai kelebihan tersendiri dibandingkan pendekatan in-vivo dan in-vitro,
yaitu waktu yang dibutuhkan lebih cepat dengan biaya yang relatif lebih murah (Gonzalez
Amaya et al., 2020).
Desain in-silico dapat membuat simulasi dan perhitungan desain obat yang ingin dibuat.
Desain in-silico merupakan desain yang dilakukan melalui simulasi menggunakan media
komputer. Desain in-silico dapat dilakukan dengan penambatan molekul calon obat dengan
reseptor terpilih yang akan digunakan. Salah satu metode tersebut yaitu dengan menggunakan
pendekatan machine learning. Machine learning adalah kecerdasan buatan dengan
pengembangan algoritme yang menjadikan komputer dapat menjalankan tugasnya berdasarkan
data empiris yang telah ada dalam bentuk database. Pendekatan tersebut dapat berfungsi sebagai
drug reposittioning. Drug repositioning merupakan suatu proses penemuan obat untuk penyakit
dengan cara mencari kegunaan baru dari senyawa obat tersebut secara skrining virtual. Metode
basis machine learning tersebut salah satunya yaitu DEEPScreen (Rifaioglu et al., 2020).
DEEPScreen adalah pendekatan berbasis sistem DTI (Drug-Target Interaction) berskala
besar, sebagai penemuan obat menggunakan jaringan saraf konvensional (bekerja seperti otak
manusia). Jenis skrining virtual ini berhubungan secara kuantitatif struktur dengan aktivitas
biologis protein target yang dikenal dengan QSAR. QSAR (Quantitative Structure Activity
Relationship) bekerja dengan berdasarkan aktifitas ligan analog yang memungkinkan
memprediksi nilai IC50 untuk senyawa yang baru. DEEPScreen-QSAR akan memilih model yang
paling cocok untuk melakukan skrining dengan menghasilkan output senyawa aktif dan in-aktif
(Rifaioglu et al., 2020).
DEEPScreen-QSAR memiliki kelebihan mengolah data menggunakan representasi struktural
2-D dengan data fisik dan kimia yang sangat lengkap dari senyawa yang tersedia menggunakan
fitur kompleks secara inhern. DEEPSreen-QSAR yang telah dijalankan menghasilkan output
prediksi senyawa yang aktif dan in-aktif. DEEPScreen-QSAR mampu bekerja secara multilinier
yang mana dapat mengidentifikasi multi target (Rifaioglu et al., 2020). Target senyawa-senyawa
dapat dikerjakan dalam skala besar berdasarkan kerja HKSA (Hubungan kuantitatif struktur
aktivitas) atau QSAR . HKSA atau QSAR bekerja sesuai dengan hubungan antara struktur
molekul dengan aktifitas biologisnya dalam output berupa nilai secara kuantitatif (Asmara et al.,
2013).
 Hasil skrining virtual model prediksi tersebut dapat dilakukan validasi dan pemeringkatan
senyawa hasil model menggunakan docking molekuler. Metode docking molekular untuk
meranking hasil skrining virtual yang bekerja berdasarkan prediksi keselarasan ligan ke dalam
molekul protein dan menghasilkan nilai-nilai berupa energi bebas ikatan (RS) dengan aktivitas
yang baik. Aktivitas inhibitor yang telah dilakukan skrinning dapat diranking dengan metode
docking molekular guna mendapatkan senyawa terbaik (Rifaioglu et al., 2020). Docking
molekul secara umum merupakan penggunaan komputerisasi untuk menautkan suatu molekul
kecil pada reseptor (sisi aktif suatu enzim) dengan melalui representasi yang diperoleh dari
komputerisasi yang diikuti oleh evaluasi struktur molekul (bentuk dan karakteristiknya) seperti
parameter elektrostatik. Docking adalah pembentukan kompleks protein dengan ligan secara non
kovalen. Hasil dari docking secara umum meliputi prediksi afinitas molekul, termasuk ranking
dari senyawa yang telah di-docking berdasarkan pada afinitasnya. (Mohan et al., 2005).
Arli Aditya Parikesit, (2019) telah melakukan penelitian tentang penerapan machine
learning pada pengembangan basis data herbal sebagai sumber informasi kandidat obat kanker.
Penelitian tersebut dilakukan dengan disajikan telaah pendekatan machine learning untuk
melakukan penapisan terhadap pustaka senyawa bioaktif tersebut, kemudian proses seleksi
kandidat yang terbaik untuk operasi simulasi molekuler, dan selanjutnya teruji validitasnya pada
wet experiment. Sehingga proses automatisasi pengembangan kandidat obat bagi penyakit kanker
dapat dicapai dengan sangat signifikan. Diketahui bahwa metode machine learning paling efektif
dan efisien adalah Naïve Bayes. Namun yang terbaik dalam mengolah data senyawa berjumlah
besar adalah SVM classifier. Hasil penelitian tersebut memamparkan bahwa metode deep
learning sangat menjanjikan untuk komputasi data senyawa bioaktif yang kompleks.
Penelitian juga telah dilakukan oleh Dhuha et al., (2018) tentang studi potensi senyawa
turunan kumarin-kalkon-urea sebagai antikanker hati secara in-silico penelusuran farmakofor,
skrining virtual, dan penentuan molekul. Penelitian tersebut dilakukan menggunakan pemodelan
3 dimensi senyawa dan optimasi geometri menggunakan HyperChem 8.0. penelitian yang
selanjurnya dilakukan penelusuran farmakofor, skrining virtual dari zinc database¸serta
pentautan molekul yang dilakukan dengan menggunakan perngkat lunak MOE 2009. Hasil
penelitian ini senyawa dengan kode ZINC12138892 merupakan senyawa yang memilki potensi
sebagai calon obat kanker hati berdasarkan analisis kesesuaian pada farmakofor reseptor protein
serta pentautan molekul.
 Penelitian yang akan dilakukan berbeda dari penelitian sebelumnya, pengembangan desain
in-silico ini menggunakan pendekatan DEEPSceen-QSAR dan docking molekular. Penelitian ini
akan dilakukan dengan melakukan skrining virtual menggunakan DEEPScreen-QSAR yang
bekerja secara multilinier regresi beberapa data training dalam bentuk gambar 2D. Data training
(didapatkan dari database ChemBL) akan menjadi patokan senyawa yang aktif dan in-aktif,
kemudian dibuat model dan dilakukan testing. Hasil testing senyawa akan membuktikan model
yang dibuat telah baik dan dapat dibuat untuk proses skrining senyawa dengan aktivitas yang
baik. Hasil testing dilanjutkan dengan skrining protein target VEGFR2 virtual dan senyawa
molekul kecil calon inhibitor sebagai obat karsinoma hepatoseluler dengan aktivitas yang baik.
Hasil skrining virtual tersebut akan menghasilkan senyawa-senyawa aktif dan in-aktif
berdasarkan prinsip hubungan kuantitatif struktur dengan aktivitas. Hasil skrining inhibitor yang
telah dilakukan nantinya akan dilakukan pemeringkatan dengan docking molekular untuk
membuktikan apakah senyawa aktif lebih responsif atau jauh lebih baik sebagai obat HCC
daripada senyawa yang in-aktif, dan memperoleh nilai aktivitas inhibitor yang paling tinggi dan
paling rendah, dengan menggunakan AutodockVina yang kemudian dilakukan visualisasi
menggunakan PyMOL dan Biovia Discovery Studio (BDS).

3.1 Prosedur Penelitian

3.1.1 Proses Skrining Data Training Protein Target ChEMBL279
a. Data training dari protein target dari penelitian Rifaioglu et al., 2020
(https://github.com/cansyl/DEEPscreen) dengan kode ChEMBL279 dalam format .zip
b. Data training kemudian dibuat folder dalam aplikasi Pyhon 3.7.1 (training_files) yang
berisi senyawa target dari ChEMBL279
c. Diperbarui set data ChEMBL versi terbaru yang telah diproses dan difilter berisi senyawa
target ChEMBL279 dengan format
(chembl27_preprocessed_filtered_bioactivity_dataset.tsv.zip)
d. Dibuat folder baru (target_training_datasets) untuk protein target ChEMBL279 yang
kemudian juga berisi folder-folder berikut ini:
- Folder json (train_val_test_dict.json) yang menyertakan kode senyawa target
- Folder bernama imgs yang akan menyimpan gambar senyawa
 e. Dilakukan pemanggilan informasi tentang senyawa aktif dan in-aktif
(chembl27_preprocessed_filtered_act_inact_comps_10.0_20.0_blast_comp_0.2.txt) dan
akan dihasilkan dua baris dari senyawa target yaitu:
- CHEMBL279_act (untuk senyawa aktif)
- CHEMBL279_inact (untuk senyawa tidak aktif)
f. Folder dengan nama result_files berisi hasil analisis diatas dalam format gambar 2D
3.1.2 Proses validasi model dengan docking menggunakan AutodockVina
a. Persiapan Makromolekul
Makromolekul dipersiapkan dengan mengubah format .pdb menjadi format *.pdbqt
menggunakan program AutodockTools.
b. Persiapan Inhibitor aktif dan in-aktif
Inhibitor aktif dan in-aktif dipersiapkan dengan mengubah format.pdb menjadi format
*.pdbqt menggunakan program AutodockTools.
c. Persiapan Parameter Grid
- Paramter grid dibuat menggunakan AutodockTools
- Paramter grid diatur sesuai dengan ukuran sisi aktif protein
- Pengaturan parameter grid dengan cara menyesuaikan Center x,y,z, Size x,y,z dan Spacing
(Amstrong) yang tersedia di AutodockTools.
d. Persiapan File Input
File Input berisikan informasi mengenai receptor, ligand, center x,y,z, size x,y,z, output
dan log. File Input disimpan dalam format *.txt dan digunakan untuk docking.
e. Proses Docking dengan AutodockVina
Docking dengan AutodockVina dilakukan dengan menulis script pada command sebagai
berikut :
“\vina.exe --config config.txt --log log.txt --out docking_out.pdbqt
[Enter]
f. Analisis Hasil Docking
Hasil Docking dengan aplikasi AutodockVina dianalisis menggunakan
program PyMOL. Analisis dilakukan untuk mengetahui letak sisi aktif
protein yang berikatan dengan inhibitor atau ligan.