Luận văn ứng dụng học máy tìm hợp chất ức chế Acetylcholinesterase

Luận văn thạc sĩ Dược học ứng dụng học máy, mô phỏng động lực học phân tử tìm kiếm hợp chất ức chế Acetylcholinesterase điều trị Alzheimer của Hoàng Nhật Anh.

• Tác giả: Hoàng Nhật Anh
• Người hướng dẫn: Đỗ Thị Mai Dung - Trường Đại học Dược Hà Nội
• Trường học: Trường Đại học Dược Hà Nội
• Chuyên ngành: Hoá Dược
• Đề tài: Ứng dụng học máy và mô phỏng động lực học phân tử trong tìm kiếm một số hợp chất có tác dụng ức chế Acetylcholinesterase
• Loại tài liệu: Luận văn thạc sĩ dược học
• Năm xuất bản: 2025
• Địa điểm: Hà Nội

Tóm tắt

I. Khám phá tiềm năng đột phá Học máy và mô phỏng phân tử tìm chất ức chế AChE hiệu quả

Trong bối cảnh y học hiện đại, việc tìm kiếm các phương pháp điều trị hiệu quả cho các bệnh thoái hóa thần kinh như Bệnh Alzheimer luôn là một ưu tiên hàng đầu. Một trong những mục tiêu dược lý quan trọng trong điều trị Alzheimer là enzyme Acetylcholinesterase (AChE). Enzyme này chịu trách nhiệm thủy phân acetylcholine, một chất dẫn truyền thần kinh quan trọng, và việc ức chế AChE giúp tăng cường nồng độ acetylcholine tại khớp thần kinh, cải thiện chức năng nhận thức. Tuy nhiên, quá trình phát triển thuốc truyền thống gặp nhiều thách thức về thời gian, chi phí và tỷ lệ thất bại cao. Chính vì vậy, ứng dụng học máy và mô phỏng động lực học phân tử trong tìm kiếm chất ức chế Acetylcholinesterase đã nổi lên như một giải pháp mang tính cách mạng. Phương pháp này không chỉ tối ưu hóa quy trình sàng lọc và thiết kế thuốc mà còn mở ra những chân trời mới trong việc khám phá các hợp chất có hoạt tính sinh học tiềm năng. Sự kết hợp giữa khả năng phân tích dữ liệu khổng lồ của học máy và năng lực dự đoán tương tác phân tử ở cấp độ nguyên tử của mô phỏng phân tử mang lại một quy trình nghiên cứu khoa học nhanh chóng, chính xác và hiệu quả hơn. Mục tiêu là phát hiện ra các ứng viên thuốc mới có khả năng ức chế AChE một cách chọn lọc và mạnh mẽ, từ đó cải thiện chất lượng cuộc sống cho bệnh nhân Alzheimer. Đây là một hướng tiếp cận đa ngành, tích hợp các công nghệ tính toán tiên tiến vào Hóa dược, hứa hẹn đẩy nhanh quá trình đưa các liệu pháp mới từ phòng thí nghiệm đến bệnh nhân.

1.1. Bệnh Alzheimer và vai trò then chốt của Acetylcholinesterase AChE

Bệnh Alzheimer là một rối loạn thần kinh thoái hóa tiến triển, đặc trưng bởi sự suy giảm trí nhớ và các chức năng nhận thức khác. Cơ chế bệnh sinh phức tạp, nhưng giả thuyết thiếu hụt cholinergic đã được công nhận rộng rãi. Theo giả thuyết này, sự giảm sút nồng độ acetylcholine trong não bộ đóng vai trò quan trọng trong sự tiến triển của bệnh. Acetylcholinesterase (AChE), một enzyme chủ yếu trong hệ thần kinh trung ương và ngoại biên, có nhiệm vụ xúc tác quá trình thủy phân acetylcholine thành choline và acetate, làm chấm dứt hoạt động của chất dẫn truyền thần kinh này. Do đó, việc ức chế AChE là một chiến lược điều trị đã được chứng minh để làm tăng nồng độ acetylcholine tại khe hở synap, từ đó cải thiện các triệu chứng nhận thức ở bệnh nhân. Các chất ức chế AChE hiện có như Donepezil, Rivastigmine và Galantamine đã được Cục Quản lý Thực phẩm và Dược phẩm Hoa Kỳ (FDA) chấp thuận. Tuy nhiên, các thuốc này chỉ mang tính chất giảm nhẹ triệu chứng chứ không chữa khỏi bệnh, và thường đi kèm với các tác dụng phụ. Điều này thúc đẩy nhu cầu tìm kiếm các chất ức chế AChE mới, có hiệu quả cao hơn và ít tác dụng phụ hơn.

1.2. Đột phá từ Học máy và Mô phỏng phân tử trong nghiên cứu phát triển thuốc

Sự phát triển mạnh mẽ của khoa học máy tính và trí tuệ nhân tạo đã mở ra kỷ nguyên mới cho phát triển thuốc. Học máy (Machine Learning) và Mô phỏng phân tử (Molecular Simulation) là hai công cụ tính toán nổi bật, đang cách mạng hóa quy trình khám phá và thiết kế thuốc. Học máy có khả năng phân tích lượng lớn dữ liệu hóa học và sinh học, dự đoán hoạt tính của các hợp chất tiềm năng với độ chính xác cao. Bằng cách học hỏi từ các tập dữ liệu hợp chất đã biết hoạt tính, các mô hình học máy có thể nhanh chóng sàng lọc hàng triệu hợp chất ảo, định hướng cho các thử nghiệm thực nghiệm. Bên cạnh đó, mô phỏng phân tử, đặc biệt là docking phân tử và động lực học phân tử (MD), cung cấp cái nhìn chi tiết về tương tác giữa thuốc và mục tiêu sinh học ở cấp độ nguyên tử. Phương pháp này không chỉ dự đoán khả năng liên kết của phối tử với protein mà còn đánh giá sự ổn định của phức hợp và các thay đổi cấu trúc động lực học. Sự kết hợp giữa Học máy và mô phỏng phân tử tạo thành một quy trình tích hợp mạnh mẽ, giảm đáng kể thời gian và chi phí trong việc tìm kiếm các chất ức chế AChE mới, hiệu quả hơn.

II. Khắc phục thách thức Tại sao cần phương pháp mới trong nghiên cứu chất ức chế AChE

Quá trình tìm kiếm và phát triển thuốc truyền thống, đặc biệt là các chất ức chế AChE cho Bệnh Alzheimer, thường đối mặt với vô vàn khó khăn. Các phương pháp kinh điển như sàng lọc hoạt tính sinh học trên ống nghiệm (in vitro) hoặc trên động vật sống (in vivo) đòi hỏi nguồn lực lớn về tài chính, thời gian và nhân lực. Tỷ lệ thành công của các ứng viên thuốc khi chuyển từ giai đoạn tiền lâm sàng sang lâm sàng là rất thấp, thường chỉ khoảng 10%. Điều này đặc biệt đúng với các hợp chất tác động lên hệ thần kinh trung ương, nơi có hàng rào máu não phức tạp và các yêu cầu về tính an toàn, hiệu quả rất nghiêm ngặt. Sự thiếu hụt các hợp chất dẫn đầu mới lạ và hiệu quả cao là một trong những rào cản chính. Nhiều hợp chất tiềm năng bị loại bỏ do độc tính, kém hấp thu hoặc khả năng thâm nhập vào não kém. Do đó, một sự thay đổi mô hình trong chiến lược nghiên cứu là không thể tránh khỏi. Các công cụ tính toán tiên tiến như Học máy và mô phỏng phân tử mang lại một hướng đi đầy hứa hẹn để vượt qua những trở ngại này, cho phép sàng lọc hiệu quả hơn, thiết kế hợp chất tối ưu hơn và giảm thiểu rủi ro trong giai đoạn đầu của phát triển thuốc.

2.1. Giới hạn của phương pháp sàng lọc in vitro và in vivo truyền thống

Các phương pháp sàng lọc in vitro và in vivo, dù là nền tảng của phát triển thuốc trong nhiều thập kỷ, vẫn tồn tại nhiều hạn chế. Sàng lọc in vitro có thể thực hiện trên quy mô lớn (high-throughput screening), nhưng vẫn tiêu tốn nhiều hóa chất, sinh phẩm và thời gian. Quan trọng hơn, kết quả in vitro không phải lúc nào cũng phản ánh chính xác hoạt tính trong môi trường sinh học phức tạp của cơ thể sống. Nhiều hợp chất có hoạt tính mạnh in vitro nhưng lại thất bại in vivo do các yếu tố dược động học như hấp thu, phân bố, chuyển hóa và thải trừ (ADME). Phương pháp in vivo, dù cung cấp thông tin toàn diện hơn về hiệu quả và độc tính trên cơ thể sống, lại cực kỳ tốn kém, mất thời gian và đặt ra các vấn đề đạo đức liên quan đến việc sử dụng động vật. Ngoài ra, việc ngoại suy kết quả từ động vật sang người không phải lúc nào cũng chính xác. Với số lượng hợp chất hóa học có thể tổng hợp hoặc cô lập từ tự nhiên là vô cùng lớn, việc sàng lọc từng hợp chất bằng phương pháp truyền thống là không khả thi và kém hiệu quả, đặt ra nhu cầu cấp thiết cho các phương pháp sàng lọc ảo dựa trên Học máy và mô phỏng phân tử.

2.2. Nhu cầu cấp thiết về phương pháp phát triển thuốc hiệu quả hơn

Chi phí trung bình để đưa một loại thuốc mới ra thị trường đã tăng vọt lên hàng tỷ đô la, với thời gian kéo dài hơn một thập kỷ. Đối với các bệnh phức tạp như Bệnh Alzheimer, tỷ lệ thất bại còn cao hơn do hiểu biết chưa đầy đủ về cơ chế bệnh sinh và khó khăn trong việc thiết kế thuốc có khả năng vượt qua hàng rào máu não. Để giải quyết những thách thức này, ngành Hóa dược đang tìm kiếm các phương pháp tiếp cận mới, hiệu quả hơn để tăng tốc quá trình khám phá và phát triển thuốc. Học máy và mô phỏng phân tử là những công cụ then chốt trong nỗ lực này. Chúng cho phép các nhà nghiên cứu sàng lọc hàng triệu hợp chất ảo, dự đoán các tương tác phân tử quan trọng, và tối ưu hóa các đặc tính dược lý ngay từ giai đoạn thiết kế, trước khi tiến hành tổng hợp hay thử nghiệm thực nghiệm. Cách tiếp cận này giúp giảm đáng kể số lượng hợp chất cần thử nghiệm trong phòng thí nghiệm, tiết kiệm nguồn lực và tập trung vào những ứng viên có triển vọng cao nhất, từ đó đẩy nhanh việc đưa các chất ức chế AChE mới ra thị trường.

III. Hướng dẫn ứng dụng Học máy để sàng lọc chất ức chế AChE hiệu quả và nhanh chóng

Việc áp dụng học máy đã cách mạng hóa quy trình sàng lọc ảo trong phát triển thuốc, đặc biệt trong việc tìm chất ức chế AChE. Các mô hình học máy có khả năng học hỏi từ dữ liệu về cấu trúc hóa học và hoạt tính sinh học của các hợp chất, sau đó dự đoán hoạt tính của các hợp chất mới chưa được thử nghiệm. Điều này giúp giảm đáng kể số lượng hợp chất cần tổng hợp và thử nghiệm trong phòng thí nghiệm, tiết kiệm thời gian và chi phí. Quy trình này thường bắt đầu bằng việc thu thập và chuẩn bị một tập dữ liệu lớn, bao gồm các hợp chất đã biết có hoạt tính ức chế AChE (active) và các hợp chất không có hoạt tính (inactive). Từ dữ liệu này, các đặc trưng phân tử (molecular descriptors) được trích xuất để biểu diễn cấu trúc hóa học của mỗi hợp chất dưới dạng các vector số. Sau đó, các thuật toán học máy khác nhau sẽ được huấn luyện trên tập dữ liệu này để xây dựng một mô hình có khả năng phân loại hoặc dự đoán hoạt tính. Mục tiêu là tạo ra một mô hình đủ mạnh để phân biệt giữa hợp chất hoạt động và không hoạt động với độ chính xác cao, từ đó có thể áp dụng để sàng lọc các thư viện hợp chất lớn, tìm ra các ứng viên tiềm năng cho chất ức chế AChE mới.

3.1. Quy trình xây dựng và huấn luyện mô hình học máy dự đoán hoạt tính

Quy trình xây dựng mô hình học máy bắt đầu từ việc thu thập cơ sở dữ liệu chất ức chế AChE từ các nguồn uy tín như ChEMBL, PubChem. Dữ liệu này được làm sạch, chuẩn hóa và phân loại thành các hợp chất 'active' (có hoạt tính) và 'inactive' (không hoạt tính). Bước tiếp theo là trích xuất các đặc trưng phân tử (molecular descriptors) từ cấu trúc 2D hoặc 3D của các hợp chất. Các đặc trưng này có thể là các thông số vật lý-hóa học, hình học, hoặc các dấu vân tay phân tử (fingerprints) biểu diễn sự hiện diện của các nhóm chức cụ thể. Sau khi có bộ dữ liệu đặc trưng, nó được chia thành tập huấn luyện (training set) và tập kiểm tra (test set). Tập huấn luyện được sử dụng để xây dựng và điều chỉnh các tham số của mô hình học máy. Tập kiểm tra, bao gồm các hợp chất mà mô hình chưa từng thấy, được dùng để đánh giá hiệu suất tổng quát hóa của mô hình. Các chỉ số đánh giá phổ biến bao gồm độ chính xác (accuracy), độ nhạy (sensitivity), độ đặc hiệu (specificity), AUC (Area Under the Curve) của đường cong ROC, và F1-score. Mục tiêu là chọn được mô hình có hiệu suất cao trên tập kiểm tra, đảm bảo khả năng dự đoán tốt trên dữ liệu mới.

3.2. So sánh các thuật toán SVM Random Forest XGBoost trong tìm chất ức chế AChE

Trong lĩnh vực tìm chất ức chế AChE bằng học máy, nhiều thuật toán đã được thử nghiệm và so sánh. Ba thuật toán nổi bật là Support Vector Machine (SVM), Random Forest và XGBoost. SVM là một thuật toán phân loại mạnh mẽ, tìm kiếm siêu phẳng tối ưu để phân tách các lớp dữ liệu. Nó hiệu quả với các tập dữ liệu có số chiều cao và thường cho kết quả tốt khi dữ liệu có thể tách biệt rõ ràng. Random Forest là một thuật toán dựa trên ensemble, xây dựng nhiều cây quyết định và kết hợp kết quả của chúng để đưa ra dự đoán cuối cùng. Phương pháp này giảm thiểu hiện tượng quá khớp (overfitting) và thường rất mạnh mẽ, linh hoạt. XGBoost (eXtreme Gradient Boosting) cũng là một thuật toán ensemble, cải tiến từ Gradient Boosting, nổi tiếng với tốc độ và hiệu suất cao. XGBoost tối ưu hóa hàm mất mát và sử dụng kỹ thuật regularization để tránh quá khớp, thường đạt được kết quả hàng đầu trong các cuộc thi về học máy. Theo luận văn Thạc sĩ Dược học của Hoàng Nhật Anh (2025), cả ba mô hình SVM, Random Forest và XGBoost đều được xây dựng để dự đoán hoạt tính ức chế AChE. Kết quả nghiên cứu thường chỉ ra rằng các mô hình dựa trên ensemble như Random Forest và XGBoost có xu hướng đạt hiệu suất tốt hơn so với SVM đối với các bài toán phân loại hoạt tính sinh học, nhờ khả năng xử lý các mối quan hệ phức tạp trong dữ liệu hóa học. Tuy nhiên, việc lựa chọn thuật toán tối ưu cần phải xem xét kỹ lưỡng trên từng bộ dữ liệu cụ thể và các tiêu chí đánh giá.

IV. Khai thác sức mạnh của Mô phỏng phân tử tăng cường độ chính xác sàng lọc ảo

Sau giai đoạn sàng lọc ảo ban đầu bằng học máy, các hợp chất tiềm năng được chọn lọc sẽ tiếp tục được đánh giá sâu hơn bằng các phương pháp mô phỏng phân tử. Đây là bước quan trọng để tăng cường độ chính xác và tin cậy của các dự đoán. Mô phỏng phân tử cung cấp một cái nhìn chi tiết về cách các phối tử tương tác với vị trí hoạt động của enzyme AChE ở cấp độ nguyên tử, điều mà học máy thường khó làm được trực tiếp. Hai kỹ thuật chính được sử dụng là docking phân tử và động lực học phân tử (MD). Docking phân tử giúp dự đoán các tư thế liên kết (binding poses) tối ưu của phối tử trong túi liên kết của protein và ước tính năng lượng liên kết. Trong khi đó, động lực học phân tử mở rộng phân tích bằng cách mô phỏng chuyển động của hệ thống phối tử-protein theo thời gian, cung cấp thông tin về sự ổn định của phức hợp và các thay đổi cấu trúc động lực học dưới điều kiện sinh lý. Sự kết hợp này cho phép tinh chỉnh danh sách các ứng viên thuốc, loại bỏ những hợp chất có tương tác không ổn định hoặc dự đoán sai bởi mô hình học máy, từ đó chọn ra những ứng viên tiềm năng nhất cho các thử nghiệm thực nghiệm tiếp theo. Đây là một quy trình lặp, nơi dữ liệu từ mô phỏng phân tử có thể được sử dụng để tinh chỉnh và cải thiện các mô hình học máy.

4.1. Phương pháp Docking phân tử trong đánh giá tương tác phối tử enzym

Docking phân tử là một kỹ thuật tính toán được sử dụng rộng rãi để dự đoán tư thế liên kết (binding pose) ưa thích của một phối tử (chất ức chế) trong vị trí hoạt động của một protein mục tiêu (enzyme AChE). Mục tiêu chính của docking phân tử là tìm ra cấu hình tương đối giữa phối tử và protein mà ở đó năng lượng tự do liên kết là thấp nhất, thể hiện khả năng liên kết mạnh mẽ. Quá trình này bao gồm việc tìm kiếm các cấu hình không gian khả thi của phối tử trong túi liên kết của protein và đánh giá chúng bằng một hàm tính điểm (scoring function) để xếp hạng các tư thế liên kết. Các phần mềm docking phân tử phổ biến như AutoDock Vina, Glide hay GOLD thường được sử dụng. Bằng cách thực hiện docking phân tử, các nhà nghiên cứu có thể hình dung được các tương tác quan trọng như liên kết hydro, tương tác kỵ nước, tương tác pi-pi, và tương tác Van der Waals giữa phối tử và các acid amin trong vị trí hoạt động của AChE. Kết quả từ docking phân tử giúp sàng lọc các hợp chất có tiềm năng liên kết tốt với enzyme, là bước đầu tiên để loại bỏ các hợp chất kém hiệu quả trong danh sách từ sàng lọc ảo bằng học máy.

4.2. Tối ưu hóa với Mô phỏng động lực học phân tử MD cho độ ổn định phức hợp

Mặc dù docking phân tử cung cấp thông tin quý giá về tư thế liên kết tĩnh, nó không tính đến sự linh hoạt động học của cả phối tử và protein. Để khắc phục hạn chế này, mô phỏng động lực học phân tử (MD) được áp dụng. Động lực học phân tử mô phỏng chuyển động của các nguyên tử trong hệ thống phối tử-protein theo thời gian, dưới tác động của các lực nội và ngoại phân tử. Điều này cho phép quan sát sự ổn định của phức hợp liên kết, sự thay đổi cấu trúc của protein khi có phối tử, và sự hình thành hay phá vỡ các tương tác quan trọng trong môi trường solvat hóa thực tế. Bằng cách thực hiện mô phỏng động lực học phân tử trong vài trăm nanogiây hoặc microgiây, các nhà nghiên cứu có thể đánh giá độ bền của phức hợp, xác định các tương tác bền vững và dự đoán khả năng hợp chất duy trì liên kết với mục tiêu theo thời gian. Các thông số như RMSD (Root Mean Square Deviation), RMSF (Root Mean Square Fluctuation) và phân tích tương tác hydrobonding theo thời gian thường được sử dụng. Mô phỏng động lực học phân tử là một công cụ tối ưu hóa mạnh mẽ, giúp xác nhận và tinh chỉnh kết quả từ docking phân tử và học máy, cung cấp một đánh giá toàn diện hơn về tiềm năng của các chất ức chế AChE.

V. Kết quả thực tiễn Khám phá chất ức chế AChE tiềm năng từ Học máy và mô phỏng phân tử

Việc kết hợp Học máy và mô phỏng phân tử đã mang lại những kết quả đáng khích lệ trong việc tìm kiếm các chất ức chế AChE mới. Nghiên cứu thực tiễn đã chứng minh khả năng của phương pháp này trong việc xác định các hợp chất tiềm năng từ các thư viện lớn, giảm thiểu đáng kể số lượng thí nghiệm cần thiết. Quy trình bắt đầu với việc xây dựng các mô hình học máy mạnh mẽ (như SVM, Random Forest, XGBoost) đã được huấn luyện và đánh giá trên bộ dữ liệu chất ức chế AChE đã biết. Các mô hình này sau đó được sử dụng để thực hiện sàng lọc ảo trên các cơ sở dữ liệu hợp chất lớn, ví dụ như từ các nguồn tự nhiên hoặc thư viện tổng hợp. Các hợp chất được dự đoán là có hoạt tính ức chế cao sẽ được ưu tiên. Tiếp theo, docking phân tử được sử dụng để xác định vị trí và cách thức tương tác của các hợp chất tiềm năng với AChE, đánh giá năng lượng liên kết và các tương tác quan trọng. Cuối cùng, mô phỏng động lực học phân tử cung cấp cái nhìn sâu sắc về độ ổn định của các phức hợp phối tử-enzyme trong môi trường sinh lý. Toàn bộ quá trình này tạo ra một danh sách các hợp chất dẫn đầu có triển vọng cao, kèm theo thông tin chi tiết về cơ chế tác động và đặc tính dược động học tiềm năng, sẵn sàng cho các thử nghiệm thực nghiệm tiếp theo. Các hợp chất tự nhiên như Galantamin, Huperzin A, Hypericin, Magnoflorin đã được đề cập trong các nghiên cứu với tiềm năng ức chế AChE đáng kể, và phương pháp này giúp khám phá thêm nhiều ứng viên khác.

5.1. Sàng lọc ảo và xác định các hợp chất ứng viên tiềm năng

Trong luận văn Thạc sĩ Dược học của Hoàng Nhật Anh (2025), sau khi xây dựng các mô hình học máy SVM, Random Forest và XGBoost với hiệu suất cao, quá trình sàng lọc ảo được tiến hành. Các mô hình này được áp dụng để dự đoán hoạt tính ức chế AChE của hàng ngàn hợp chất từ các cơ sở dữ liệu. Dựa trên kết quả dự đoán, một tập hợp nhỏ các hợp chất có khả năng ức chế cao nhất đã được chọn lọc. Tiếp đó, các hợp chất này trải qua bước docking phân tử với enzyme AChE để xác định tư thế liên kết ưa thích và năng lượng liên kết. Chỉ những hợp chất thể hiện năng lượng liên kết tốt và tương tác ổn định với vị trí hoạt động của enzyme mới được xem xét tiếp. Ví dụ, một số hợp chất như Galantamin và Huperzin A, được biết đến là chất ức chế AChE hiệu quả, thường được dùng làm chất đối chứng để đánh giá mức độ hiệu quả của các hợp chất mới. Quy trình này giúp thu hẹp đáng kể số lượng ứng viên, tập trung vào những hợp chất có cấu trúc phù hợp và tương tác mạnh với mục tiêu, từ đó đẩy nhanh quá trình phát triển thuốc.

5.2. Đánh giá dược động học và dược lực học ADMET ban đầu bằng tính toán

Ngoài việc dự đoán hoạt tính ức chế AChE và tương tác với enzyme, việc đánh giá các đặc tính dược động học và độc tính (ADMET) sớm là cực kỳ quan trọng. Các công cụ tính toán ADMET, như pkCSM, SwissADME, thường được sử dụng để dự đoán các thông số như khả năng hấp thu qua đường tiêu hóa, phân bố trong cơ thể, chuyển hóa bởi các enzyme, khả năng thâm nhập hàng rào máu não (blood-brain barrier - BBB), và độc tính. Ví dụ, các thông số như thể tích phân bố (VDss), tỷ lệ không liên kết protein (Fu), khả năng thấm vào hệ thần kinh trung ương (logPS, logBB) và tổng độ thanh thải được tính toán để đánh giá mức độ phù hợp của các hợp chất làm thuốc cho Bệnh Alzheimer. Một chất ức chế AChE lý tưởng cần có khả năng thâm nhập tốt vào hệ thần kinh trung ương và có hồ sơ ADMET an toàn. Phân tích ADMET ban đầu giúp loại bỏ sớm các hợp chất có đặc tính không mong muốn, giảm thiểu rủi ro thất bại trong các giai đoạn thử nghiệm lâm sàng sau này, từ đó nâng cao hiệu quả tổng thể của quá trình phát triển thuốc và đảm bảo các ứng viên tiềm năng có khả năng trở thành thuốc thực sự.

VI. Tương lai tươi sáng Học máy và mô phỏng phân tử định hình ngành Hóa dược

Sự hội tụ của học máy và mô phỏng phân tử đang mở ra một kỷ nguyên mới cho ngành Hóa dược, đặc biệt trong việc tìm chất ức chế AChE và các loại thuốc khác. Những tiến bộ này không chỉ giúp tăng tốc quá trình khám phá thuốc mà còn mang lại khả năng thiết kế các phân tử thuốc với độ chính xác chưa từng có, tối ưu hóa các đặc tính mong muốn và giảm thiểu tác dụng phụ. Với sự phát triển không ngừng của các thuật toán học máy tiên tiến hơn (ví dụ: học sâu - deep learning), khả năng xử lý dữ liệu phức tạp và phát hiện các mẫu ẩn sẽ càng được nâng cao. Đồng thời, sự gia tăng về sức mạnh tính toán cho phép thực hiện các mô phỏng động lực học phân tử trong thời gian dài hơn và trên các hệ thống lớn hơn, cung cấp cái nhìn sâu sắc hơn về cơ chế tương tác ở cấp độ nguyên tử. Các thách thức hiện tại như sự thiếu hụt dữ liệu chất lượng cao và khả năng giải thích của một số mô hình học máy đang dần được khắc phục thông qua các nghiên cứu và phát triển liên tục. Tương lai hứa hẹn một quy trình phát triển thuốc tích hợp hoàn toàn, từ thiết kế hợp chất dựa trên AI đến dự đoán chính xác hiệu quả lâm sàng, đưa ngành Hóa dược tiến xa hơn trong cuộc chiến chống lại các bệnh nan y.

6.1. Tiềm năng mở rộng ứng dụng và những hướng nghiên cứu mới

Tiềm năng của học máy và mô phỏng phân tử không chỉ giới hạn trong việc tìm kiếm chất ức chế AChE. Các phương pháp này có thể mở rộng để khám phá thuốc cho vô số mục tiêu sinh học khác, từ các bệnh truyền nhiễm đến ung thư và các rối loạn chuyển hóa. Các hướng nghiên cứu mới đang tập trung vào việc phát triển các mô hình học máy có khả năng tạo ra các cấu trúc phân tử mới (de novo design) với các đặc tính mong muốn, thay vì chỉ sàng lọc các thư viện hiện có. Ngoài ra, việc tích hợp dữ liệu đa omics (genomics, proteomics, metabolomics) vào các mô hình dự đoán sẽ cho phép hiểu biết sâu sắc hơn về cơ chế bệnh và phát hiện các mục tiêu thuốc mới. Hướng tiếp cận đa quy mô, kết hợp mô phỏng cấp độ nguyên tử với mô hình cấp độ tế bào hoặc cơ quan, cũng đang được khám phá để dự đoán hiệu quả và độc tính của thuốc một cách toàn diện hơn. Những nỗ lực này hứa hẹn sẽ tối ưu hóa toàn bộ chuỗi giá trị trong phát triển thuốc, từ ý tưởng ban đầu đến sản phẩm cuối cùng.

6.2. Khuyến nghị để tối ưu hóa quá trình phát triển thuốc bằng công nghệ tiên tiến

Để tối ưu hóa quá trình phát triển thuốc bằng Học máy và mô phỏng phân tử, cần có một số khuyến nghị chiến lược. Thứ nhất, việc xây dựng và chia sẻ các cơ sở dữ liệu chất lượng cao, có chú thích đầy đủ về hoạt tính sinh học và đặc tính dược lý là vô cùng quan trọng. Dữ liệu chất lượng là nền tảng cho các mô hình học máy mạnh mẽ. Thứ hai, cần tiếp tục phát triển các thuật toán học máy tiên tiến, đặc biệt là các mô hình học sâu có khả năng giải thích (interpretable AI) để các nhà hóa dược có thể hiểu rõ hơn về các yếu tố quyết định hoạt tính của hợp chất. Thứ ba, tăng cường sự hợp tác đa ngành giữa các nhà khoa học máy tính, hóa học, sinh học và dược học để tạo ra các giải pháp tích hợp hiệu quả. Cuối cùng, việc chuẩn hóa các quy trình sàng lọc ảo và mô phỏng phân tử sẽ giúp tăng tính tái lặp và tin cậy của kết quả. Bằng cách áp dụng những khuyến nghị này, ngành Hóa dược có thể khai thác tối đa tiềm năng của các công nghệ tính toán, đẩy nhanh việc khám phá và đưa ra thị trường các chất ức chế AChE và các loại thuốc mới quan trọng khác.

Nội dung chính

Tổng quan nghiên cứu

Bệnh Alzheimer hiện đang là một trong những thách thức y tế và kinh tế xã hội nghiêm trọng nhất trên toàn cầu. Theo báo cáo y tế năm 2024, ước tính có khoảng 7,2 triệu người từ 65 tuổi trở lên tại Mỹ đang sống chung với căn bệnh này (chiếm khoảng 11% dân số cao tuổi) và dự kiến sẽ tăng lên 13,8 triệu người vào năm 2060. Trên phạm vi toàn cầu, số lượng người mắc Alzheimer ghi nhận khoảng 50 triệu người vào năm 2020 và dự báo vượt ngưỡng 152 triệu người vào năm 2050 do tốc độ già hóa dân số nhanh chóng.

Trong bối cảnh các liệu pháp miễn dịch loại bỏ mảng bám amyloid mới chỉ làm chậm tiến trình suy giảm nhận thức từ 27% đến 35%, việc can thiệp vào enzyme Acetylcholinesterase (AChE) nhằm duy trì nồng độ acetylcholin tại khe synap thần kinh vẫn là chiến lược điều trị triệu chứng then chốt. Tuy nhiên, quy trình nghiên cứu và phát triển một hoạt chất ức chế AChE mới theo phương pháp thực nghiệm truyền thống thường đòi hỏi kinh phí lên tới hàng trăm triệu USD và kéo dài từ 10 đến 15 năm.

Đề tài luận văn thạc sĩ dược học chuyên ngành Hóa dược tại Trường Đại học Dược Hà Nội (năm 2025) được triển khai nhằm giải quyết bài toán tối ưu hóa quy trình sàng lọc thuốc. Nghiên cứu tập trung vào 3 mục tiêu cụ thể:

1. Xây dựng và đánh giá các mô hình học máy phân loại hoạt tính ức chế AChE từ tập dữ liệu cấu trúc hóa học.
2. Ứng dụng mô hình học máy kết hợp sàng lọc ảo và đánh giá dược động học để tìm kiếm các hợp chất tiềm năng từ cơ sở dữ liệu tự nhiên.
3. Thiết lập quy trình mô phỏng tương tác và động lực học phân tử để khảo sát độ bền phức hợp giữa phối tử và enzyme mục tiêu.

Nghiên cứu mang ý nghĩa thực tiễn lớn khi rút ngắn hơn 50% thời gian sàng lọc ban đầu, định hướng chính xác các khung cấu trúc hóa học tiềm năng trước khi tiến hành tổng hợp hóa dược và thử nghiệm sinh học in vitro.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên các nền tảng lý thuyết sinh học phân tử, hóa tin học và tính toán lượng tử:

• Cơ chế bệnh sinh Alzheimer và giả thuyết Cholinergic: Sự thoái hóa của các nơ-ron cholinergic dẫn đến thiếu hụt chất dẫn truyền thần kinh acetylcholin. Enzyme AChE xúc tác quá trình thủy phân acetylcholin với tốc độ cực đại lên tới 25.000 phân tử mỗi giây.
• Cấu trúc sinh học 3D của Acetylcholinesterase: Enzyme có dạng hình elip với kích thước khoảng 45Å x 60Å x 65Å, chứa một hốc sâu khoảng 20Å dẫn tới trung tâm hoạt động. Cấu trúc gồm bộ ba xúc tác Ser200 - His440 - Glu327, vị trí anion với gốc Trp84 liên kết cation-π, và vị trí anion ngoại vi (PAS) ở lối vào hốc gồm Trp279, Tyr70, Asp72, Tyr121, Tyr334.
• Lý thuyết học máy có giám sát (Supervised Machine Learning): Ứng dụng các thuật toán phân loại gồm Máy vector hỗ trợ (SVM), Rừng ngẫu nhiên (Random Forest) và Tăng cường độ dốc cực đại (XGBoost) dựa trên các bộ mô tả phân tử 2D/3D (fingerprints và molecular descriptors).
• Mô phỏng tương tác (Molecular Docking) và Động lực học phân tử (Molecular Dynamics - MD): Dựa trên các trường lực cơ học phân tử để đánh giá năng lượng tự do liên kết Gibbs (ΔG), sự biến đổi không gian - thời gian của hệ thống và độ ổn định liên kết qua phương trình chuyển động Newton.

Phương pháp nghiên cứu

Quy trình nghiên cứu kết hợp đa tầng tính toán in silico được thực hiện qua các bước chuẩn hóa:

• Thu thập và tiền xử lý dữ liệu: Cỡ mẫu gồm 1.055 phân tử có dữ liệu hoạt tính ức chế AChE in vitro được trích xuất từ cơ sở dữ liệu ChEMBL. Dữ liệu được làm sạch bằng cách loại bỏ các muối vô cơ, ion kim loại nặng, hợp chất trùng lặp và các mảnh phân tử lỗi.
• Gán nhãn hoạt tính: Ngưỡng phân loại nhị phân được xác lập dựa trên giá trị IC50 của hoạt chất đối chứng Galantamin (2055 nM). Phân tử có IC50 ≤ 2055 nM được gán nhãn hoạt tính (active), chiếm 674 hợp chất (63,88%); phân tử có IC50 > 2055 nM được gán nhãn không hoạt tính (inactive), chiếm 381 hợp chất (36,12%).
• Phân chia tập dữ liệu và huấn luyện mô hình: Bộ dữ liệu 1.055 chất được chia ngẫu nhiên theo tỷ lệ 80% cho tập huấn luyện (844 phân tử) và 20% cho tập kiểm tra độc lập (211 phân tử) với seed cố định (random_state = 42). Các mô hình SVM, Random Forest và XGBoost được tối ưu hóa siêu tham số bằng Hyperopt và kiểm định chéo 5 lần (5-fold cross-validation).
• Đánh giá và sàng lọc ảo: Hiệu năng mô hình được kiểm định qua các chỉ số Accuracy, Precision, Recall, ROC-AUC và PRC-AUC. Các mô hình tối ưu được áp dụng để sàng lọc 100 hợp chất từ cơ sở dữ liệu COCONUT (50 chất) và các dược liệu y học cổ truyền (50 chất).
• Mô phỏng Docking và MD 100 ns: Thực hiện docking phân tử trên phần mềm AutoDock Vina, dự đoán tính chất ADME/BBB qua SwissADME, pkCSM và PreADMET. Cuối cùng, thực hiện mô phỏng động lực học phân tử 100 ns để phân tích chi tiết các thông số RMSD, RMSF và năng lượng liên kết Gibbs trong 20 ns cuối.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích dữ liệu và tính toán mô phỏng mang lại các kết quả nổi bật:

• Hiệu năng vượt trội của thuật toán XGBoost và Random Forest: Sau quá trình tinh chỉnh siêu tham số, mô hình XGBoost và Random Forest thể hiện khả năng phân loại vượt trội trên tập kiểm tra 211 phân tử. Chỉ số diện tích dưới đường cong ROC-AUC đạt trên 0,87 và PRC-AUC đạt mức tiệm cận 0,90, cao hơn khoảng 5,8% so với mô hình Support Vector Machine (SVM) cơ sở.
• Sàng lọc thành công 8 hợp chất tự nhiên có ái lực cao: Từ 100 cấu trúc tự nhiên ban đầu, quá trình sàng lọc học máy và docking phân tử đã xác định được 8 hợp chất tiềm năng với mức năng lượng liên kết dao động từ -10,2 kcal/mol đến -12,4 kcal/mol, vượt trội hơn so với chất đối chứng Galantamin (-8,8 kcal/mol đến -9,8 kcal/mol).
• Đặc tính dược động học và độ thấm qua hàng rào máu não (BBB): Các hợp chất tiêu biểu như dẫn xuất alkaloid Huperzin A, Hookerianin, Galanthin và một số cấu trúc dị vòng pyrimidine đạt hệ số logPS > -3,0 (thấm tốt vào hệ thần kinh trung ương), giá trị logBB dương từ 0,11 đến 0,72 và tỷ lệ liên kết protein huyết tương (Fu) phù hợp cho việc phân bố tại mô não.
• Độ ổn định động học phân tử trong 100 ns mô phỏng: Phức hợp giữa các hợp chất được lựa chọn và enzyme AChE duy trì cấu hình ổn định với độ lệch bình phương trung bình (RMSD) dao động dưới 2,0 Å trong suốt 20 ns cuối của quá trình mô phỏng, không xuất hiện hiện tượng tách rời phối tử khỏi túi liên kết.

Thảo luận kết quả

Hiệu quả ức chế mạnh mẽ của các hợp chất tiềm năng bắt nguồn từ cơ chế gắn kết đa điểm (dual-site binding). Thay vì chỉ tương tác đơn thuần tại trung tâm xúc tác đáy hốc (Ser200, His440, Trp84), các phối tử được chọn còn hình thành liên kết π-π stacking và liên kết hydro vững chắc với các acid amin thuộc vị trí anion ngoại vi PAS (đặc biệt là Trp279 và Tyr70). Tương tác kép này không chỉ ngăn cản cơ chất acetylcholin tiếp cận bộ ba xúc tác mà còn ức chế quá trình kết tập mảng amyloid qua trung gian PAS của enzyme AChE.

Khi so sánh với các nghiên cứu quốc tế công bố trong giai đoạn 2023-2024 (với độ chính xác mô hình học máy đạt từ 85% đến 91%), kết quả của luận văn thể hiện sự tương đồng cao về độ tin cậy. Việc phân tích dữ liệu phân bố hoạt tính thông qua biểu đồ histogram log10(IC50) và biểu đồ phân tán năng lượng tự do Gibbs giúp chứng minh rằng quá trình tiền xử lý 1.055 mẫu dữ liệu đã triệt tiêu hiệu quả các yếu tố nhiễu thực nghiệm, mang lại giá trị dự đoán chuẩn xác.

Đề xuất và khuyến nghị

Dựa trên các kết quả tính toán in silico đã đạt được, luận văn đưa ra 4 khuyến nghị và định hướng hành động cụ thể:

1. Tiến hành tổng hợp hóa học và thử nghiệm sinh học in vitro: Ưu tiên thiết kế quy trình tổng hợp và thử nghiệm hoạt tính ức chế AChE trên mô hình enzyme tái tổ hợp đối với 3 dẫn xuất tự nhiên tiềm năng nhất (gồm khung cấu trúc pyrimidine chọn lọc và dẫn xuất alkaloid tương tự Huperzin A). Mục tiêu hướng đến việc đạt giá trị IC50 thực nghiệm < 100 nM, do nhóm nghiên cứu Bộ môn Hóa dược thực hiện trong lộ trình 6 đến 12 tháng.
2. Mở rộng quy mô cơ sở dữ liệu học máy: Nâng số lượng mẫu huấn luyện từ 1.055 hợp chất lên hơn 5.000 hợp chất thông qua việc tích hợp thêm dữ liệu từ BindingDB và PubChem. Đồng thời, bổ sung các bộ mô tả không gian 3D nâng cao (như WHIM, GETAWAY, 3D-MoRSE) nhằm nâng cao độ chính xác dự đoán tổng thể lên trên 92% trước quý 4 năm 2026.
3. Kéo dài thời gian mô phỏng động lực học phân tử: Tận dụng hệ thống máy chủ tính toán hiệu năng cao (HPC) để gia tăng thời gian mô phỏng MD từ 100 ns lên 500 ns hoặc 1.000 ns (1 µs) đối với các phức hợp hàng đầu. Điều này giúp tính toán chính xác năng lượng liên kết tự do bằng phương pháp MM-PBSA/MM-GBSA và khảo sát các thay đổi cấu hình allosteric dài hạn.
4. Đánh giá độc tính tế bào và kiểm tra dược động học tiền lâm sàng: Phối hợp cùng các đơn vị dược lý thực hiện các thử nghiệm độc tính tế bào thần kinh (neurotoxicity) và kiểm tra khả năng vượt hàng rào máu não trên mô hình động vật gặm nhấm, hoàn thành trong giai đoạn 18 đến 24 tháng tới.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị học thuật và ứng dụng cao cho 4 nhóm đối tượng chính:

• Giảng viên, nghiên cứu sinh và học viên cao học ngành Dược học, Hóa dược: Nguồn tư liệu tham khảo giá trị về phương pháp luận kết hợp giữa Hóa tính toán (Computational Chemistry), Hóa tin học (Cheminformatics) và mô hình hóa sinh học phân tử.
• Kỹ sư tin sinh học và chuyên gia khoa học dữ liệu y sinh: Tham khảo chi tiết quy trình xử lý dữ liệu cấu trúc hóa học, tối ưu hóa thuật toán XGBoost/Random Forest và phương pháp đánh giá đường cong Precision-Recall trên tập dữ liệu mất cân bằng.
• Các viện nghiên cứu và trung tâm R&D tại các doanh nghiệp dược phẩm: Ứng dụng quy trình sàng lọc ảo tích hợp nhằm rút ngắn thời gian và cắt giảm từ 40% đến 60% chi phí thử nghiệm thực nghiệm ban đầu trong các dự án phát triển thuốc hướng thần kinh.
• Dược sĩ lâm sàng và bác sĩ chuyên khoa thần kinh: Cung cấp cái nhìn chuyên sâu ở cấp độ nguyên tử về cơ chế tác động của các thuốc ức chế AChE, giúp hiểu rõ động học tương tác của các hoạt chất điều trị Alzheimer thế hệ mới.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại chọn mốc IC50 = 2055 nM để phân loại hoạt tính?
Ngưỡng 2055 nM được thiết lập dựa trên giá trị IC50 thực nghiệm của Galantamin – một thuốc ức chế AChE đã được FDA phê duyệt và sử dụng phổ biến trên lâm sàng. Việc lấy mốc này làm ranh giới giúp mô hình học máy tập trung nhận diện những cấu trúc có hiệu lực sinh học tương đương hoặc vượt trội hơn các loại thuốc hiện hành.

2. Mô hình học máy nào cho hiệu quả sàng lọc chất ức chế AChE tốt nhất trong luận văn?
Thuật toán XGBoost kết hợp kỹ thuật tinh chỉnh siêu tham số và đánh giá chéo 5 lần mang lại hiệu năng cao nhất. Mô hình đạt chỉ số ROC-AUC trên 0,87 và PRC-AUC tiệm cận 0,90 trên tập kiểm tra độc lập gồm 211 phân tử, thể hiện khả năng phân biệt chính xác giữa nhóm hoạt tính và không hoạt tính.

3. Ý nghĩa của việc thực hiện mô phỏng động lực học phân tử (MD) 100 ns là gì?
Molecular Docking chỉ cung cấp cấu hình tĩnh tại một thời điểm, trong khi mô phỏng MD 100 ns cho phép quan sát sự chuyển động của toàn bộ hệ thống protein - phối tử trong môi trường nước và ion sinh lý. Điều này giúp kiểm chứng độ ổn định liên kết thông qua chỉ số RMSD < 2,0 Å và xác nhận liên kết hydro bền vững theo thời gian.

4. Khả năng vượt qua hàng rào máu não của các chất tìm được có đảm bảo không?
Các phân tử tiềm năng được chọn lọc đều trải qua quy trình đánh giá khắt khe bằng công cụ pkCSM và PreADMET. Kết quả cho thấy các hoạt chất đều có chỉ số logPS > -3,0 và logBB dương (từ 0,11 đến 0,72), đáp ứng đầy đủ tiêu chuẩn thấm qua hàng rào máu não để phát huy tác dụng tại hệ thần kinh trung ương.

5. Luận văn đã sàng lọc từ những nguồn dữ liệu hóa học tự nhiên nào?
Nghiên cứu đã tiến hành sàng lọc trên 100 hợp chất nguồn gốc tự nhiên, bao gồm 50 phân tử trích xuất từ cơ sở dữ liệu COCONUT và 50 hợp chất hoạt tính có nguồn gốc từ các cây thuốc y học cổ truyền (như Thông đất, Tỏi, Nghệ, Saffron, Hương thảo).

Kết luận

• Luận văn xây dựng thành công quy trình sàng lọc in silico đa tầng kết hợp học máy, docking phân tử, dự đoán ADME/BBB và mô phỏng động lực học phân tử 100 ns.
• Bộ dữ liệu 1.055 hợp chất từ ChEMBL được làm sạch và phân loại chuẩn xác với 674 chất active (63,88%) và 381 chất inactive (36,12%).
• Các thuật toán XGBoost và Random Forest thể hiện hiệu năng phân loại xuất sắc với ROC-AUC trên 0,87 và PRC-AUC xấp xỉ 0,90.
• Phát hiện 8 cấu trúc tự nhiên tiềm năng có năng lượng gắn kết vượt trội (-10,2 đến -12,4 kcal/mol) và duy trì độ ổn định cao (RMSD < 2,0 Å) trong mô phỏng MD.
• Đóng góp giải pháp tính toán khoa học đáng tin cậy, giúp định hướng hiệu quả cho các nghiên cứu tổng hợp hóa dược và thử nghiệm sinh học in vitro trong giai đoạn 6 đến 12 tháng tiếp theo.

Công trình là bước đệm quan trọng thúc đẩy ứng dụng trí tuệ nhân tạo trong hóa dược, mở ra hướng đi triển vọng cho công cuộc nghiên cứu thuốc điều trị bệnh Alzheimer tại Việt Nam.

Trích đoạn nội dung tài liệu

CHƯƠNG 1.1 Tổng quan về bệnh Alzheimer Chứng mất trí nhớ là sự suy giảm chức năng não bộ, thường xuất hiện ban đầu với biểu hiện hay quên, và ảnh hưởng đến nhiều lĩnh vực nhận thức như ngôn ngữ, trí nhớ, tư duy, hành vi, cảm xúc, tính cách và các kỹ năng nhận thức cao cấp (ví dụ: tính toán, tư duy trừu tượng, phán đoán). Hầu hết các loại chứng mất trí, bao gồm cả bệnh Alzheimer (AD), đều là các rối loạn thoái hóa thần kinh không thể đảo ngược, nghĩa là những tổn thương não gây ra tình trạng này không thể phục hồi hay ngăn chặn hoàn toàn [2, 3]. Bệnh tiến triển âm thầm với sự suy giảm dần dần trong nhiều lĩnh vực nhận thức, bao gồm trí nhớ gần, thay đổi tâm trạng và hành vi, ngôn ngữ, khả năng thực hiện các động tác có mục đích và sự chú ý. Triệu chứng sớm phổ biến nhất là khó khăn trong việc ghi nhớ thông tin mới [6].

Các vùng não bị ảnh hưởng bao gồm vùng nền não trước, vỏ não và hạch hạnh nhân, những khu vực đóng vai trò quan trọng trong học tập, trí nhớ, sự chú ý và điều chỉnh cảm xúc. Có hai dạng AD chính: AD không di truyền (sporadic AD) và AD di truyền (familial AD - FAD) [7]. AD không di truyền có đặc điểm là sự suy giảm nhận thức tiến triển và tăng chết tế bào thần kinh, trong khi FAD thường tiến triển nhanh hơn và liên quan đến các đột biến gen trong các thành phần của con đường amyloid như protein tiền chất amyloid (APP), apolipoprotein E4 (ApoE4), presenilin-1 và presenilin-2 (PS1 và PS2), cũng như thụ thể liên quan đến sortilin 1 (SORL1) [8]. Tính đến năm 2020, có khoảng 50 triệu người mắc Alzheimer trên thế giới, và con số này dự kiến sẽ tăng lên 152 triệu người vào năm 2050 do tốc độ già hoá nhanh chóng.

Đây không chỉ là một thách thức y tế công cộng, mà còn là gánh nặng kinh tế xã hội to lớn. Trong bối cảnh đó, mục tiêu điều trị bệnh Alzheimer đang dần chuyển từ điều trị triệu chứng sang kiểm soát và làm chậm tiến trình bệnh. Các mục tiêu hiện nay tập trung vào việc can thiệp sớm – đặc biệt từ giai đoạn suy giảm nhận thức nhẹ (MCI) – và làm chậm quá trình thoái hoá thần kinh thông qua các liệu pháp mô bệnh (DMTs) Về điều trị, trong vài năm trở lại đây, thế giới chứng kiến bước tiến quan trọng khi Cục quản lí Thực phẩm và Dược phẩm Hoa Kỳ (FDA) phê duyệt ba loại thuốc nhắm vào 𝛽- amyloid: aducanumab (2021), lecanemab (2023), donanemab (2024). Các thuốc này hoạt động theo cơ chế miễn dịch, giúp loại bỏ mảng 𝛽- amyloid tích tụ trong não – yếu tố liên quan đến bệnh sinh của Alzheimer.

Kết quả thử nghiệm cho thấy các thuốc 2 này có thể làm chậm tiến triển nhận thức khoảng 27-35% ở bệnh nhân Alzheimer giai đoạn nhẹ đến trung bình. Song song với đó, các thuốc điều trị truyền thống – đặc biệt như nhóm ức chế Acetylcholinesterase (AChE Inhibitors) đóng vai trò quan trọng trong giai đoạn nhẹ và trung bình của bệnh. Các thuốc donepezil, rivastigmin, và galantamin hoạt động bằng cách ngăn chặn sự phân huỷ acetycholine. Trong thực tế lâm sàng, donepezil thường là lựa chọn đầu tiên do hiệu quả rõ ràng.

Tính đến đầu năm 2025, có hơn 180 thử nghiệm lâm sàng đang diễn ra với hơn 130 loại thuốc ở các giai đoạn phát triển khác nhau. Các hướng tiếp cận bao gồm tác động lên protein tau, ức chế enzyme AChE, điều hoà viêm thần kinh, cải thiện chức năng mạch máu não, và tái tạo thần kinh. Nguyên nhân gây ra bệnh Alzheimer Giả thuyết Cholinergic Sự thoái hóa của các nơ-ron có liên quan đến sự mất chức năng trí nhớ. Việc Peter Davies phát hiện ra mối liên hệ giữa các triệu chứng lâm sàng của bệnh (mất trí nhớ) và sự thiếu hụt cholinergic cụ thể trong não của những người mắc AD vào năm 1976 là một cột mốc quan trọng vì đã mở ra cánh cửa cho hóa học thần kinh hiện đại [9].

Trong giả thuyết này, sự thiếu hụt một chất dẫn truyền thần kinh quan trọng, acetylcholin, trong não được quan sát thấy do sản xuất chất dẫn truyền thần kinh giảm hoặc hoạt động acetylcholinesterase tăng cường. Mức độ chất dẫn truyền thần kinh giảm này gây ra sự suy giảm dẫn truyền thần kinh cholinergic dẫn đến mất khả năng trí tuệ. Giả thuyết này thường cho rằng sự tăng cường cholinergic sẽ cải thiện nhận thức trong AD [9]. Giả thuyết Amyloid Năm 1984, thành phần cơ sở tạo nên peptid amyloidogenic được tìm thấy là protein 𝛽- amyloid tạo thành các sợi amyloid trong mảng bám 𝛽 - amyloid.

Giả thuyết amyloid cho rằng AD là do quá trình xử lý bất thường của 𝛽-amyloid [10]. Trong giả thuyết amyloid, một dạng gấp sai của 𝛽 - amyloid, một loài oligomeric, chủ yếu là hình vòng hoặc hình sao tồn tại trong não có thể kích thích quá trình apoptosis bằng cách phá vỡ màng tế bào. Sự lắng đọng mảng bám 𝛽 - amyloid hoặc 𝛽 -amyloid hòa tan, kết tụ một phần sau đó khởi động chuỗi thần kinh gây độc, thoái hóa thần kinh dẫn đến AD[11, 12]. Sự mất cân bằng oxy hóa, stress oxy hóa và những thay đổi chức năng trong sản xuất 𝛽-amyloid là những bước đầu tiên phát triển của bệnh này [13].

Sự chuyển hóa bất thường của 𝛽 -amyloid tạo thành các loài thần kinh độc do đột biến trong một số thành phần của con đường amyloid, chẳng hạn như APP, ApoE4, presenilin-1 và presenilin-2 (PS1 và PS2) và SORL1, là nguyên nhân chính gây nên 3 bệnh Alzheimer trên nhiễm sắc thể thông thường [14, 15]. Do đó, các chất ức chế sự kết tập 𝛽 - amyloid xuất hiện trở thành ứng cử viên tiềm năng để điều trị AD trong giai đoạn đầu [16, 17]. Vào những năm 1990, lý thuyết amyloid trở thành một động lực mạnh mẽ chi phối hướng nghiên cứu [11, 18]. Giả thuyết Tau Năm 1985, J.

Brion và André Delacourte là những người đầu tiên đề xuất rằng Tau có thể là thành phần chính của đám rối sợi thần kinh [19]. Ngay sau đó, vào năm 1988, Michel Goedert và cộng sự đã nhân bản cDNA của PHF-tau. Protein tau, có nhiều trong nơ-ron trong hệ thần kinh trung ương, ổn định các vi ống. Trong quá trình này, tau bị tăng phosphoryl hóa (protein bị biến đổi) bắt đầu kết hợp với các sợi tau khác.

Cuối cùng, tạo thành đám rối sợi thần kinh bên trong thân tế bào thần kinh [20]. Sự hình thành đám rối sợi thần kinh dẫn đến sự phân rã của vi ống, làm hỏng hệ thống vận chuyển của nơ-ron [21]. Điều này có thể dẫn đến trục trặc trong giao tiếp sinh hóa giữa các nơ-ron và sau đó dẫn đến cái chết của các tế bào [22]. Đây là một trong những lý do khiến cho sự lắng đọng mảng bám 𝛽 - amyloid trong não.

Sơ đồ biểu diễn cơ chế bệnh AD dựa trên giả thuyết cholinergic, amyloid, và Tau [23] 1. Acetylcholinesterase Acetylcholinesterase (AChE) là một enzym thủy phân choline este quan trọng, đặc biệt là acetylcholin (ACh), đóng vai trò quan trọng trong việc kết thúc tín hiệu tại các synap cholinergic. Enzym này, được nghiên cứu sâu rộng từ loài cá đuối điện Thái Bình Dương (Torpedo californica) và cấu trúc 3D của enzym đã được công khai vào năm 1991, chịu trách nhiệm thủy phân nhanh chóng ACh thành choline và acetate trong khe synap, từ đó kiểm soát thời gian và cường độ của tín hiệu cholinergic [23]. ACh là chất 4 dẫn truyền thần kinh chính ở nhiều vùng não, bao gồm cả các vùng liên quan đến học tập và trí nhớ [24].

Hoạt động enzym của AChE diễn ra tại trung tâm hoạt động, nơi ACh liên kết và bị thủy phân bởi cơ chế xúc tác acid-base. Sự ức chế hoạt động của enzym này làm tăng nồng độ ACh tại synap, kéo dài tác dụng cholinergic. Do vai trò quan trọng của ACh trong dẫn truyền thần kinh, đặc biệt là ở hệ thần kinh trung ương, acetylcholine esterase là một mục tiêu dược lý quan trọng [25]. Sự tổng hợp acetylcholin được xúc tác bởi enzym choline acetyltransferase (ChAT) và diễn ra ở các điểm tiếp hợp của tế bào thần kinh cholinergic.

Acetylcholin được lưu trữ trong các túi synap. Khi có tín hiệu thần kinh, ACh được giải phóng vào khe synap, gắn vào các thụ thể cholinergic (muscarinic và nicotinic) trên màng sau synap, kích hoạt các quá trình dẫn truyền tín hiệu. Sau khi hoàn thành vai trò, ACh nhanh chóng bị thủy phân bởi AChE để kết thúc tín hiệu và tái chế choline [26] (Hình 1. Quá trình điều hòa nồng độ ACh này rất quan trọng cho chức năng thần kinh bình thường.

Cơ chế thuỷ phân Ach được xúc tác bởi AChE [27] Sự suy giảm chức năng của hệ thống cholinergic, đặc biệt là sự thiếu hụt ACh ở não, có liên quan mật thiết đến bệnh Alzheimer (AD). Các thuốc ức chế AChE hiện đang được sử dụng để điều trị triệu chứng của AD bằng cách làm tăng nồng độ ACh tại các synap còn hoạt động. Ngoài ra, ACh còn tham gia vào nhiều quá trình sinh lý khác ở hệ thần kinh trung ương, bao gồm điều hòa giấc ngủ, sự tỉnh táo, sự chú ý và chức năng nhận thức. Sự rối loạn của hệ thống cholinergic có thể dẫn đến các vấn đề về nhận thức, hành vi và giấc ngủ [27].

Cấu trúc của Acetylcholinesterase Acetylcholinesterase (AChE) sở hữu hoạt tính xúc tác đặc hiệu cực kỳ cao, đạt đến tốc độ khuếch tán đối với một serine hydrolase điển hình - mỗi phân tử enzym có khả năng phân hủy khoảng 25.000 phân tử acetylcholin (ACh) mỗi giây. Phân tử AChE có hình elip với kích thước xấp xỉ 45Å x 60Å x 65Å [28, 29]. Monomer enzym thuộc lớp protein 𝛼/𝛽, cấu trúc bao gồm 12 sợi 𝛽 trung tâm được bao quanh bởi 14 chuỗi xoắn 𝛼 [30]. Sơ đồ Các vị trí amino acid được tô màu xanh lam là bộ ba xúc tác, màu xanh dương là vị trí anion, màu xanh lá cây là vị trí anion ngoại vi, màu đỏ là túi acyl [31] Một đặc điểm cấu trúc nổi bật của AChE là một hốc sâu, hẹp và dài khoảng 20Å, nằm sâu vào enzym.

Trung tâm hoạt động của AChE nằm cách đáy phân tử 4Å và bao gồm hai vùng chính: vị trí anion ngoại vi và vị trí esteratic, tương ứng với bộ máy xúc tác và túi liên kết choline. Vị trí anion ngoại vi, không tích điện và ưa lipid, tương tác với nhóm amin bậc bốn mang điện tích dương của phần cholin trong ACh. Ở đây cũng là nơi liên kết của các chất ức chế cạnh tranh chứa nhóm amoni bậc bốn (như edrophonium, N- methylacridinium) và các oxime bậc bốn có khả năng tái hoạt hóa AChE bị ức chế bởi organophosphate [32, 33].