Metode Uji Viabilitas Sel Kanker
10
berupa komposisi biomolekul suatu ekstrak kasar. NMR merupakan detektor universal dimana setiap signal memberikan informasi langsung mengenai struktur
kimia suatu molekul. Spektrum NMR merupakan karakteristik fisik dari suatu komponen sehingga bersifat sangat reproducible. Ini menjadi kelebihan utama
NMR sehingga metabolomik berbasis data NMR dapat digunakan terus menerus selama metode ekstraksi dan pelarut NMR yang digunakan tetap sama Verpoorte
et al. 2008. Salah satu kendala dalam aplikasi NMR adalah biaya yang cukup signifikan sehingga dalam hal ini HPLC menjadi alternatif dan Maser et al. 2014
telah melaporkan keberhasilan penggunakan HPLC dalam metabolomik untuk mengidentifikasi komponen antibakteri buah takokak Solanum torvum Swart.
Penggunaan teknologi LC-MS berdasarkan review Wishart 2008 memiliki beberapa keunggulan antara lain sensitifitas yang tinggi, sampel dapat langsung
diinjeksi tanpa pemisahan terlebih dahulu, membutuhkan jumlah sampel yang minimum, mendeteksi hampir semua komponen organik dan sebagian anorganik.
Namun LC-MS ini memiliki beberapa kelemahan antara lain: tidak bersifat kuantitatif, membutuhkan waktu running yang cukup lama beberapa puluh menit
per sampel, resolusi pemisahan komponen kurang baik dan kurang reproducible, serta sulit mengidentifikasi komponen yang novel karena terbatasnya database.
Terdapat dua metode pendekatan dalam hal pemrosesan dan interpretasi data metabolomik yang berkembang saat ini. Pertama adalah pendekatan
chemometric di mana komponen-komponen kimia secara umum tidak diidentifikasi, melainkan pola spektra dan intensitasnya dicatat untuk kemudian
secara statistik dibandingkan untuk menentukan spektra tertentu yang menjadi pembeda antar kelompok Wishart 2008. Adapun pendekatan kedua adalah
metabolomik kuantitatif atau targeted profiling yang menitikberatkan pada usaha untuk mengidentifikasi dan atau mengkuantifikasi sebanyak mungkin komponen
di dalam sampel. Ini biasanya dilakukan dengan membandingkan data spektra NMR atau MS dari sampel dengan spektra komponen murni pada referensi atau
database. Begitu komponen teridentifikasi dan terkuantifikasi maka data kemudian diproses secara statistik untuk menentukan biomarker atau pathway
metabolik yang penting.
Data metabolomik deskriminatif biasanya mengandalkan metode multivariat seperti PCA Principal Component Analysis untuk pengelompokan
sampel. PCA membuat variabel baru komponen-komponen penting dengan kombinasi
linear dari
metabolit yang
terdeteksi bersamaan
dengan memaksimalkan variasi sampel. Sebaliknya PLS Partial Least Square
merupakan teknik MVDA Multi Variate Data Analysis yang memungkinkan mendiskriminasi sampel dengan memaksimalkan korelasi di antara variabel
Cevallos et al. 2009. Namun data PLS memiliki kelemahan yakni masih sulit diinterpretasi, masih banyak komponen PLS dan masih terdapat variasi orthogonal
pada variabel deskriptor X. O-PLS Orthogonal Projection to Latent Structure diajukan oleh Tryyg dan Wold 2002 untuk menyempurnakan metode PLS. O-
PLS menghilangkan variasi variabel X yang tidak berkorelasi dengan Y variabel terikat. Metode ini menghasilkan data yang lebih mudah diinterpretasi, lebih
sedikit komponen dan data yang lebih relevan.
11