37
UIN Syarif Hidayatullah Jakarta
BAB 4 HASIL DAN PEMBAHASAN
4.1 Hubungan Kuantitatif Struktur-Aktivitas pendekatan Hansch 4.1.1 Pemilihan
data sets
Data sets yang digunakan adalah senyawa turunan asam sinamat
yang memiliki kemiripan dengan senyawa amidasi EPMS dan mempunyai aktivitasi anti-tuberkulosis. Data senyawa turunan sinamat
yang digunakan adalah hasil percobaan secara in-vitro yang dilakukan oleh Guzman et al, 2014 terhadap penghambatan pertumbuhan
Mycobacterium tuberculosis strain H
37
Rv atau konsentrasi hambat minimum MIC. Data senyawa yang digunakan adalah sebanyak 14,
kemudian dibagi menjadi 2 bagian, yaitu 9 senyawa sebagai training sets
dan 5 senyawa sebagai test sets.
Tabel 4.1 Data sets yang digunakan
No. Nama Senyawa dan Struktur
Kode Senyawa
MIC
μM
1 ethyl p-methoxycinnamate
S1
485
2 Cinamic acid
S2
270
3 3,4-methylenedioxycinnamic acid
S3
312
UIN Syarif Hidayatullah Jakarta
4 3-Coumaric acid
S4
366
5 2-O-prenylcoumaric acid
S6
258
6 4-O-prenylcoumaric acid
S7
86.1
7 4-O-geranylcoumaric acid
S8
66.8
8 Methyl 3-O-Prenylcoumarate
S9
172
9 Methyl 4-O-Prenylcoumarate
S10
81.2
10 Methyl 2-Coumarate
S12
112
UIN Syarif Hidayatullah Jakarta
11 Caffeic aldehyde
S13
154
12
2-Coumaric acid
S14
122
13 Methyl 4-Coumarate
S15
224
14 3-O-prenylcoumaric acid
S16
127
Catatan: Untuk mempermudahkan input data, nama senyawa selanjutnya akan digantikan oleh kode senyawa
Tabel 4.2 Data Training sets Tabel 4.3 Data test sets
No. Kode Senyawa
MIC No.
Kode Senyawa MIC
1 S1
485 1
S4 366
2 S2
270 2
S3 312
3 S6
258 3
S16 172
4 S15
224 4
S14 122
5 S9
172 5
S7 86.1
6 S13
154 7
S12 112
8 S10
81.2 9
S8 66.8
UIN Syarif Hidayatullah Jakarta
4.1.2 Pemilihan deskriptor Training sets
Deskriptor yang digunakan merupakan hasil dari perhitungan logika 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
Todeschini, 2009
.
Sehingga hasil dari deskriptor tersebut dapat mewakili parameter
hidrofobik, elektronik, dan sterik pada HKSA model Hansch. Hal ini dikarenakan proses distribusi, penembusan membran biologis sangat
dipengaruhi oleh sifat kelarutan obat dalam lemakair, suasana pH dan derajat ionisasi pKa sehingga dalam HKSA, parameter yang sering
digunakan adalah parameter hidrofobik dan elektronik.Sedangkan untuk proses interaksi obat-reseptor sangat dipengaruhi oleh ikatan kimia,
kerapatan elektron, ukuran molekul, dan efek sterokimia, sehingga dalam HKSA, ketiga parameter tersebut ikut dilibatkan, terutama
parameter elektronik dan sterik Siswandono, 2008. Deskriptor yang digunakan untuk mewakili parameter hidrofobik
adalah nilai Log D dengan menggunakan program Marvin sketch, Struktur training sets yang telah dibuat dalam aplikasi Marvin sketch
kemudian pilih clean 3D, setelah itu pilih tools partitioning logD,
untuk mendapatkan nilai logD. Untuk deskriptor elektronik yang digunakan adalah nilai energi
HOMO Highest Occupied Molecular Orbital, energi LUMO Lowest Unoccupied Molecular Orbital,
dan momen dipol menggunakan aplikasi Hyperchem. Setelah struktur training sets dibuat, kemudian
pilih Build add H and model build. Sebelum dilakukan perhitungan
deskriptor, dilakukan optimasi struktur dengan metode semiempiris AM1 dan optimasi geometri.
Pemilihan metode semiempiris AM1, karena metode tersebut sering digunakan dan merupakan metode semiempiris standar untuk
perhitungan senyawa organik Bultink et al., 2004.
UIN Syarif Hidayatullah Jakarta
Proses optimasi struktur berfungsi untuk mendapatkan struktur yang stabil ketika dilakukan perhitungan parameter elektroniknya,
sehingga hasil perhitungan deskriptor yang didapat sesuai dengan sifat- fisika kimia senyawa yang sebenarnya.
Proses perhitungan deskriptor energi HOMO dan LUMO dengan cara, pilih Compute kemudian pilih
Orbitals. Sedangkan untuk momen dipol, pilih Compute
Single Point Properties.
Kemudian, pemilihan deskriptor yang mewakili parameter sterik adalah Molar refractivity, Harary Index, dan Randic Index. Pehitungan
molar refractivity menggunakan aplikasi Hyperchem dengan cara, pilih Compute
QSAR Properties Refractivity klik Compute. Sedangkan untuk Harary Index dan Randic Index menggunakan
aplikasi MarvinSketch. Setelah struktur dibuat dan telah di-clean 3D, pilih tools
GeometryTopological analysispilih Harary Index dan Randic Index
Ok. Semua data kemudian dikumpulkan pada program SPSS dan Microsoft Excel, yang nantinya digunakan untuk membangun
persamaan HKSA. Selanjutnya, aktivitas senyawa yaitu nilai MIC diubah menjadi Log 1MIC sebagai variabel tak bebas dan 7 data
deskriptor sebagai variabel bebas.
Tabel 4.4 Data nilai setiap deskriptor training set
No Kode
Senyawa Log
1MIC logD
Energi HOMO
Energi LUMO
Momen dipol
Harary index
Randic index
Molar refractivity
1 S1
-2.686 2.71
-8.943 -0.639
2.346 39.412
12.815 63.09
2 S2
-2.431 -0.665
-9.471 -0.793
2.679 25.102
8.734 47.2
3 S6
-2.412 0.183
-9.394 -0.615
2.02 47.893
14.695 72.69
4 S15
-2.350 2.207
-9.059 -0.731
3.731 32.25
10.419 53.57
5 S9
-2.236 0.237
-9.215 -0.784
4.055 47.233
14.695 72.69
6 S13
-2.188 1.36
-8.974 -0.847
5.397 29.204
9.272 49.48
7 S12
-2.049 2.205
-9.304 -0.72
1.099 32.639
10.419 53.57
8 S10
-1.91 3.719
-8.922 -0.642
3.029 50.65
15.842 77.46
9 S8
-1.825 1.845
-8.97 -0.71
3.959 66.316
20.222 96.49
UIN Syarif Hidayatullah Jakarta
4.1.3 Membangun dan validasi Persamaan HKSA
Persamaan HKSA yang dibuat dengan cara analisa regresi multiliner dengan metode backward dibantu oleh program SPSS.
Pemilihan analisa regresi multilinier dikarenakan dalam pembuatan persamaan, parameter-parameter sifat fisika-kimia yaitu data deskriptor
yang digunakan lebih dari satu. Sembilan data akitivitas Log 1MIC senyawa training sets dengan masing-masing memiliki 7 data
deskriptor di input pada program SPSS. Kemudian dilakukan analisa statistic regresi multiliner metode backward dengan cara, pilih analyze
RegressionLinier pilih dependent variabel adalah aktivitas
senyawa Log 1MIC dan independent variabel adalah 7 deskriptor yang digunakanubah method menjadi backwardOk.
Hasil yang didapat dari program SPSS adalah 3 model persamaan HKSA dengan nilai r, r
2
, F
hitung
, SE Standar Error, dan Deskriptor yang digunakan. Data tersebut dapat dilihat pada tabel 4.5. Model
persamaan yang diterima dalam penelitian HKSA adalah yang memiliki nilai r diantara 0,9 hingga 1, nilai r
2
antara 0,8 hingga 1, nilai standar error
SE 1 atau mendekati 0, dan nilai F
hitung
lebih kecil dari F
tabel
atau F
hit
F
tab
1. Nilai r koefisien kolerasi menunjukkan tingkat hubungan antara data aktivitas biologis pengamatan percobaan dengan
data hasil perhitungan berdasarkan persamaan yang diperoleh dari analisa regresi. Sedangkan nilai r
2
menunjukkan persentase aktivitas biologis yang dapat dijelaskan hubungannya dengan sifat fisika kimia
yang digunakan Siswandono, 2008; Rifai. et al., 2014.
Tabel 4.5 Hasil analisa persamaan HKSA
Model Deskriptor yang digunakan
r r
2
SE Fhit
Ftab FhitFtab
1
Log D, energi HOMO, energi LUMO, Momen dipol, Harary
Index, Randic Index, Molar refractivity
0.994 0.988 0.083 12.218 237
0.052
2
Log D, energi HOMO, energi LUMO, Harary Index, Randic
Index, Molar refractivity 0.992 0.985 0.0679 21.179 19.33
1.096
3
Log D, energi HOMO, energi LUMO , Randic Index, Molar
refractivity 0.988 0.976 0.0684
24.906 9.01
2.764
UIN Syarif Hidayatullah Jakarta
Tabel 4.6 Model Persamaan
Keterangan: EH = energi HOMO, EL = energi LUMO, MD = momen dipole, HI = Harary Index
, RI = Randic Index, MR = Molar refractivity
Dari hasil analisa yang didapat, model persamaan yang memenuhi syarat adalah persamaan model 2 dan 3. Karena pada persamaan model
1, nilai FhitFtab kurang dari 1 yaitu 0,052. Hal ini dikarenakan nilai F menunjukkan kemungkinan persamaan tersebut adalah suatu hubungan
yang bermakna diantara hasil-hasil yang didapat. Jika nilai F perhitungan data percobaan lebih besar dari nilai F tabel maka hasil-
hasil percobaan mempunyai hubungan yang besar pada tingkat probabilitas yang diberikan Siswandono, 2008.
Setelah dilakukan validasi pada data output SPSS dilakukan uji PRESS prediction sum of squares dengan menggunakan data aktivitas
senyawa training sets berdasarkan eksperimen Log 1MIC eksperimen dan data aktivitas senyawa training sets dengan menggunakan model
persamaan yang terpilih Log 1MIC prediksi, yaitu model 2 dan 3. Perhitungan nilai PRESS dengan menggunakan rumus:
Σ{log 1MIC eksperimen – Log 1MIC prediksi}
2
Model Bentuk Persamaan
1
log1MIC = -14.130+0.251logD-0.693EH-3.027EL-0.068MD+0.044HI- 1.364RI+0.294MR
2
log1MIC = -18.7+0.298logD-1.22EH-2.812EL+0.034HI-1.106RI+0.243MR
3
log1MIC = -19.106+0.302logD-1.226EH-2.828EL-1.083RI+0.265MR
UIN Syarif Hidayatullah Jakarta
Tabel 4.7 Data Nilai PRESS
Kode Senyawa
Log1MIC eksperimen
Log1MIC prediksi Model 2
Model 3
S1 -2.686
-2.688 -2.676
S2 -2.431
-2.450 -2.404
S6 -2.412
-2.416 -2.446
S15 -2.350
-2.344 -2.354
S9 -2.236
-2.166 -2.172
S13 -2.188
-2.203 -2.227
S12 -2.049
-2.064 -2.085
S10 -1.910
-1.878 -1.859
S8 -1.825
-1.874 -1.874
Nilai PRESS 0.009
0.014
Dari tabel 4.7 diketahui nilai PRESS yang terkecil atau mendekati 0 adalah model 2 yaitu 0,009. Nilai PRESS yang kecil menandakan
aktivitas prediksi dari suatu persamaan HKSA mendekati aktivitas eksperimen. Untuk memvalidasi lagi model persamaan yang terpilih,
maka dilakukan uji diluar data senyawa pembuat persamaan HKSA yaitu pada data test sets.
Sebanyak 5 data tes sets yang digunakan dihitung data deskriptor terpilih dari persamaan model 2 dan 3, yaitu; Log D, energi HOMO,
energi LUMO, Harary Index, Randic Index, dan Molar refractivity. Setelah semua data deskriptor terkumpul, maka dilakukan
perhitungan aktivitas yaitu nilai Log 1MIC prediksi senyawa tes set menggunakan persamaan model 2 dan 3 untuk mendapat nilai RMSD
root mean square deviation terkecil, dengan membandingkannya pada Log 1MIC eksperimen senyawa tes set. Perhitungan RMSD dengan
rumus:
n = jumlah senyawa test sets yang digunakan
UIN Syarif Hidayatullah Jakarta
Tabel 4.8 Data deskriptor terpilih pada test set
Kode Senyawa
log1MIC logD
Energi HOMO
Energi LUMO
Harary Index
Randic Index
Molar Refractivity
S4 -2.563
-1.322 -9.323
-0.889 28.921
9.272 48.8
S3 -2.494
-1.77 -9.086
-0.947 38.024
10.103 52.79
S16 -2.236
-0.19 -9.172
-0.816 47.233
14.695 72.69
S14 -2.086
-1.309 -9.316
-0.942 29.136
9.272 48.8
S7 -1.935
0.186 -8.973
-0.713 46.751
14.695 72.69
Tabel 4.9 Nilai RMSD Model persamaan 2 dan 3 pada test set
Kode Senyawa
Log1MIC eksperimen
Log1MIC prediksi Model 2
Model 3
S4 -2.563
-2.633 -2.671
S3 -2.494
-2.533 -2.775
S16 -2.236
-2.255 -2.263
S14 -2.086
-2.481 -2.526
S7 -1.935
-2.692 -2.684
Nilai RMSD 0.384
0.411
Dari hasil RMSD dapat diketahui bahwa model persamaan dengan nilai RMSD kecil adalah model persamaan 2, hal ini sesuai dengan hasil
uji PRESS, dimana model persamaan 2 memiliki nilai PRESS terkecil. Sehingga dapat disimpulkan dari hasil validasi model persamaan,
persamaan 2 telah memenuhi syarat pemodelan persamaan HKSA.
UIN Syarif Hidayatullah Jakarta
Log1MIC = -18.7 + 0.298logD - 1.22Energi HOMO - 2.812Energi LUMO + 0.034Harary Index - 1.106Randic Index + 0.243MolarRefractivity
r = 0.992; r
2
= 0.98; SE = 0.0679; FhitFtab
= 1.096
Dari persamaan diatas dapat dilihat bahwa semakin besar nilai deskriptor log D, Harary index, dan Molar refractivity akan
meningkatkan aktivitas anti tuberkulosis. Sedangkan semakin kecil nilai deskriptor energi HOMO, energi LUMO, dan Randic Index akan
meningkatkan aktivitas anti tuberculosis. Hal ini dikarenakan koefisien pada setiap deskriptor mempengaruhi nilai aktivitas suatu senyawa.
4.1.4 Prediksi aktivitas sample sets
Sampel yang digunakan yaitu 11 senyawa amidasi EPMS dan EPHS etil p-hidroksisinamat dibuat bentuk strukturnya dan dihitung
nilai deskriptor terpilih pada persamaan HKSA kedua. Senyawa yang diujikan merupakan senyawa yang dimungkinkan dapat disintesis,
sehingga nantinya dapat dilakukan uji in-vitro aktivitas anti- tuberkulosis pada senyawa tersebut.
R² = 0.9843
-3 -2.5
-2 -1.5
-1 -0.5
-3 -2.5
-2 -1.5
-1 -0.5
Log 1MIC eksperimen
Log 1MIC prediksi
Gambar 4.1 Grafik korelasi perbandingan Log 1MIC eksperimen dan Log 1MIC prediksi dengan model persamaan HKSA 2 pada 9 senyawa training sets.
UIN Syarif Hidayatullah Jakarta
Sebelum melakukan proses perhitungan deskriptor pada Hyperchem maupun Marvinsketch, dilakukan optimasi yang sama
seperti perhitungan deskriptor pada training sets dan test sets, yaitu menggunakan metode semiempirik AM1 pada Hyperchem dan
dilakukan clean 3D pada marvin sketch. Setelah semua data deskriptor di dapat, dengan menggunakan Microsoft excel semua data
direkapitulasi dan dilakukan perhitungan MIC prediksi senyawa sampel.
Tabel 4.10 Data sample sets
No. Kode
Senyawa Nama IUPAC
Struktur
1 Amida_1
2E-3-4-methoxyphenylprop-2- enamide
2 Amida_2
2E-N-hydroxy-3-4- methoxyphenylprop-2-enamide
3 Amida_3
2E-3-4-methoxyphenyl-N-methylprop- 2-enamide
4 Amida_4
2E-3-4-methoxyphenyl-N,N- dimethylprop-2-enamide
5 Amida_5
2E-N-hydroxymethyl-3-4- methoxyphenylprop-2-enamide
6 Amida_6
2E-N,N-bishydroxymethyl-3-4- methoxyphenylprop-2-enamide
UIN Syarif Hidayatullah Jakarta
7 Amida_7
2E-N-2-hydroxyethyl-3-4- methoxyphenylprop-2-enamide
8 Amida_8
2E-N,N-bis2-hydroxyethyl-3-4- methoxyphenylprop-2-enamide
9 Amida_9
2E-N-benzyl-3-4-methoxyphenylprop- 2-enamide
10 Amida_10 ethyl 2E-3-4-aminophenylprop-2-
enoate
11 Amida_11 2E-N,N-dibenzyl-3-4-
methoxyphenylprop-2-enamide
12 EPHS
ethyl 2E-3-4-hydroxyphenylprop-2- enoate
Catatan: Untuk mempermudah analisa data, nama senyawa IUPAC diganti dengan kode senyawa
Tabel 4.11 Data deskriptor sample sets
No. Kode
Senyawa Log D
Energi HOMO
Energi LUMO
Harary Index
Randic Index
Molar Refractivity
1 Amida_1
1.171 -8.866
-0.484 32.302
10.791 55.4
2 Amida_2
1.165 -9.01
-0.737 35.874
11.329 56.87
3 Amida_3
1.395 -8.842
-0.468 35.874
12.003 60.29
4 Amida_4
1.619 -8.862
-0.505 39.946
13.214 65.19
5 Amida_5
0.815 -8.942
-0.544 39.412
12.563 61.39
6 Amida_6
0.459 -9.022
-0.546 47.938
14.335 67.39
7 Amida_7
0.705 -8.862
-0.491 42.951
13.813 66.58
8 Amida_8
0.239 -8.891
-0.472 56.083
16.835 77.77
9 Amida_9
3.12 -8.874
-0.279 60.358
16.678 89.04
10 Amida_10
2.043 -8.527
-0.528 35.697
12.041 60.27
11 Amida_11
5.068 -8.673
-0.204 97.07
22.565 122.69
12 EPHS
2.564 -9.039
-0.698 35.697
11.669 58.32
UIN Syarif Hidayatullah Jakarta
Tabel 4.12 Data aktivitas prediksi sample sets menggunakan persamaan HKSA 2
No. Kode
Senyawa log1MIC
MIC prediksi μM
1 Amida_11
2.122 0.008
2 Amida_9
-0.916 8.249
3 EPHS
-2.466 292.434
4 Amida_2
-2.779 601.082
5 Amida_4
-3.401 2518.767
6 Amida_1
-3.548 3530.954
7 Amida_3
-3.586 3856.257
8 Amida_5
-3.655 4519.205
9 Amida_10
-3.662 4587.203
10 Amida_6
-3.870 7410.952
11 Amida_7
-3.935 8619.499
12 Amida_8
-4.269 18581.125
Keterangan: MIC EPMS = 485 μM
Dari tabel diatas dapat dilihat 3 senyawa yang memiliki nilai MIC terkecil bila dibandingkan dengan EPMS, yaitu Amida_11, Amida_9,
dan EPHS. Prediksi aktivitas pada senyawa amida_11 adalah 0,008 μM, amida_9 adalah 8,249 μM, dan EPHS adalah 292,434 μM. Bila dilihat
dari data deskriptor yang berpengaruh terhadap aktivitas, pada
amida_11 terdapat deskriptor yang memiliki nilai yang besar yaitu Log D, Harary index, Randic index, dan Molar refractivity. Hal ini
berbanding lurus dengan persamaan yang digunakan, semakin besar deskriptor Log D, Harary index, dan Molar refractivity, aktivitas
semakin besar MIC kecil.Walaupun nilai randic index senyawa amida_11 besar yang seharusnya kecil, hal ini tidak terlalu berpengaruh
dan juga untuk nilai deskrptor lainnya tidak terlalu berbeda nilainya dengan deskriptor senyawa lain. Pada amida_9 sama seperti dengan
senyawa amida_11 deskriptor yang memiliki nilai terbesar adalah Log D, Harary index, Randic index, dan Molar refractivity.
UIN Syarif Hidayatullah Jakarta
Untuk senyawa EPHS etil p-hidroksi sinamat, peneliti mencoba melihat pengaruh modifikasi pada gugus metoksi pada cincin benzene
EPMS, yaitu menggantinya dengan gugus hidroksi pada posisi para. Terlihat bahwa hal ini mempengaruhi nilai energi HOMO dan energi
LUMO yang lebih kecil dari senyawa lainnya. Sedangkan untuk deskriptor lainnya, nilainya tidak terlalu berbeda dengan deskriptor
senyawa lain. Tetapi peningkatan aktivitas pada EPHS tidak terlalu jauh dengan MIC EPMS, sehingga perubahan gugus metoksi menjadi
hidroksi tidak terlalu berpengaruh pada aktivitas anti-tuberkulosis.
EPMS EPHS
Amida_9 Amida_11
Gambar 4.2 Perbandingan Struktur EPMS, EPHS, Amida_9, dan Amida_11
Penelitian yang dilakukan oleh De et al., 2011, tentang desain, sintesis, dan uji aktivitas anti-tuberkulosis senyawa turuan asam
sinamat baru, menyatakan bahwa gugus samping pada posisi para cincin benzene asam sinamat berperan penting terhadap sifat lipofilitas
senyawanya. Sedangkan gugus samping karbonil asam sinamat, yang pada penelitian ini digantikan oleh gugus amina, merupakan gugus
mirip obat drug-like molecule yang berperan penting dalam aktivitas anti tuberkulosisnya. Berdasarkan hal itu, pada amida_9 dan amida_11
memiliki aktivitas yang baik kemungkinan karena adanya gugus benzilamin dan dibenzilamin yang memiliki kemiripin dengan struktur
isoniazid.
UIN Syarif Hidayatullah Jakarta
4.2 Penambatan molekuler 4.2.1 Penyiapan dan optimasi makromolekul enzim Inh A