Xây Dựng Mô Hình Định Lượng 3D-QSAR Từ Dữ Liệu Chống Oxy Hóa Trolox TEAC

Xây dựng mô hình 3D QSAR dựa trên dữ liệu chống oxy hóa tương đương Trolox TEAC, ứng dụng thiết kế peptide chống oxy hóa hiệu quả.

• Tác giả: Nguyễn Thị Minh Anh
• Người hướng dẫn: TS. Trần Thị Thanh Nhã
• Trường học: Trường Đại Học Công Nghiệp TP.HCM
• Chuyên ngành: Công Nghệ Hóa Học
• Đề tài: Mô Hình Định Lượng 3D-QSAR Dựa Trên Dữ Liệu Chống Oxy Hóa Trolox TEAC
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2022
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI NÓI ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Thuộc tính hóa học
• 1.2. Hoạt tính sinh học của peptide
• 1.3. Ứng dụng của peptide
• 1.4. Gốc tự do
• 1.4.1. Nguyên nhân hình thành gốc tự do
• 1.4.2. Cơ chế hình thành gốc tự do
• 1.4.3. Tác động của gốc tự do đến cơ thể con người
• 1.5. Chất chống oxy hóa
• 1.5.1. Cơ chế hoạt động
• 1.5.2. Hoạt tính chống oxy hóa của các peptide
• 1.6. Glutathione (GSH) và khả năng chống oxy hóa tương đương trolox TEAC
• 1.7. Khả năng chống oxy hóa tương đương trolox TEAC
• 1.8. Tổng quan về peptide Pro – Trp – Leu (NH2)
• 1.9. Các phương pháp đánh giá hoạt tính chống oxy hóa
• 1.9.1. Khả năng khử Ferric của huyết tương (FRAP)
• 1.9.2. Định lượng khả năng hấp thụ gốc oxy của chất chống oxy hóa trong huyết thanh (ORAC)
• 1.9.3. Xét nghiệm hóa học cho hoạt tính chống oxy hóa của gốc tự do DPPH
• 1.10. Phương pháp phổ hấp thu phân tử UV - Vis
• 1.10.1. Cơ sở lý thuyết của phương pháp
• 1.10.2. Nguyên lý của phương pháp
• 1.10.3. Các đại lượng thường dùng trong trắc quang
• 1.10.4. Các bước tiến hành đo
• 1.10.5. Các phương pháp phân tích UV – Vis
• 1.11. Lý thuyết về QSAR
• 1.11.1. Lịch sử ra đời của QSAR
• 1.11.2. Khái niệm phương pháp mô hình hóa QSAR
• 1.11.3. Quy trình xây dựng mô hình QSAR
• 1.11.4. Ưu điểm của mô hình QSAR
• 1.11.5. Ứng dụng của mô hình QSAR
• 1.12. Bộ mô tả
• 1.13. Phương pháp tiếp cận mô hình hóa 3D-QSAR
• 1.14. Các thuật toán xây dựng mô hình QSAR
• 1.14.1. Thuật toán hồi quy tuyến tính đa biến MLR
• 1.14.2. Thuật toán bình phương nhỏ nhất một phần PLS
• 2. CHƯƠNG 2: THỰC NGHIỆM
• 2.1. Xây dựng mô hình 3D QSAR từ cơ sở dữ liệu TEAC
• 2.1.1. Các công cụ và phần mềm xây dựng mô hình QSAR
• 2.1.2. Nguồn dữ liệu
• 2.1.3. Xây dựng và giảm năng lượng cấu trúc peptide
• 2.1.4. Mô hình hóa 3D QSAR
• 2.1.5. Các chỉ số đánh giá
• 2.2. Nghiên cứu khả năng bắt gốc tự do ABTS của peptide
• 2.2.1. Phương pháp bắt gốc tự do ABTS của peptide
• 2.2.2. Dụng cụ và thiết bị
• 2.2.3. Khảo sát các thông số của phương pháp ABTS
• 3. CHƯƠNG 3: KẾT QUẢ VÀ BÀN LUẬN
• 3.1. Kết quả thống kê mô hình dựa trên trường Gaussian (CoMSIA)
• 3.2. Kết quả nghiên cứu khả năng bắt gốc tự do ABTS của peptide
• 3.2.1. Khảo sát bước sóng tối ưu
• 3.2.2. Xây dựng đường chuẩn trolox
• 3.2.3. Phân tích mẫu
• 3.2.4. So sánh khả năng bắt gốc của peptide với peptide chống oxy hóa Glutathione
• TÀI LIỆU THAM KHẢO
• DANH MỤC BẢNG BIỂU
• DANH MỤC HÌNH ẢNH
• DANH SÁCH CÁC TỪ VIẾT TẮT

Tóm tắt

I. Tổng quan về Mô Hình Định Lượng 3D QSAR Chống Oxy Hóa

Mô hình định lượng 3D-QSAR (Quantitative Structure-Activity Relationship) là một công cụ mạnh mẽ trong nghiên cứu hóa học, giúp phân tích mối quan hệ giữa cấu trúc phân tử và hoạt tính sinh học. Đặc biệt, mô hình này được áp dụng để nghiên cứu hoạt tính chống oxy hóa của các hợp chất như Trolox và TEAC. Việc xây dựng mô hình 3D-QSAR dựa trên dữ liệu chống oxy hóa giúp tối ưu hóa quá trình thiết kế và phát triển các peptide có hoạt tính cao.

1.1. Khái niệm về Mô Hình 3D QSAR và TEAC

Mô hình 3D-QSAR là phương pháp phân tích mối quan hệ giữa cấu trúc và hoạt tính của các hợp chất. TEAC (Trolox Equivalent Antioxidant Capacity) là một chỉ số quan trọng trong việc đánh giá khả năng chống oxy hóa của các peptide.

1.2. Tầm quan trọng của Dữ Liệu Chống Oxy Hóa

Dữ liệu chống oxy hóa là yếu tố quyết định trong việc xây dựng mô hình 3D-QSAR. Việc thu thập và phân tích dữ liệu này giúp xác định các đặc điểm cấu trúc quan trọng ảnh hưởng đến hoạt tính chống oxy hóa.

II. Thách Thức trong Nghiên Cứu Mô Hình 3D QSAR

Mặc dù mô hình 3D-QSAR mang lại nhiều lợi ích, nhưng vẫn tồn tại một số thách thức trong quá trình nghiên cứu. Các vấn đề như độ chính xác của dữ liệu, sự phức tạp trong cấu trúc phân tử và khả năng dự đoán hoạt tính của các peptide mới là những yếu tố cần được xem xét kỹ lưỡng.

2.1. Độ Chính Xác của Dữ Liệu

Độ chính xác của dữ liệu đầu vào là rất quan trọng. Các sai sót trong dữ liệu có thể dẫn đến kết quả không chính xác trong mô hình 3D-QSAR.

2.2. Sự Phức Tạp của Cấu Trúc Phân Tử

Cấu trúc phân tử của các peptide có thể rất phức tạp, điều này làm cho việc xây dựng mô hình trở nên khó khăn hơn. Cần có các phương pháp tối ưu hóa để giảm thiểu sự phức tạp này.

III. Phương Pháp Xây Dựng Mô Hình 3D QSAR Hiệu Quả

Để xây dựng mô hình 3D-QSAR hiệu quả, cần áp dụng các phương pháp tính toán hiện đại và phần mềm chuyên dụng. Việc tối ưu hóa cấu trúc peptide và sử dụng các thuật toán phân tích là rất cần thiết để đạt được kết quả tốt nhất.

3.1. Tối Ưu Hóa Cấu Trúc Peptide

Tối ưu hóa cấu trúc peptide là bước quan trọng trong việc xây dựng mô hình 3D-QSAR. Phương pháp Semi Empirical PM7 thường được sử dụng để tối ưu hóa cấu trúc.

3.2. Sử Dụng Phần Mềm Maestro

Phần mềm Maestro cung cấp các công cụ mạnh mẽ để thực hiện tính toán các mô tả phân tử, giúp xây dựng mô hình 3D-QSAR chính xác hơn.

IV. Ứng Dụng Thực Tiễn của Mô Hình 3D QSAR

Mô hình 3D-QSAR không chỉ giúp dự đoán hoạt tính chống oxy hóa của các peptide mà còn có thể được áp dụng trong nhiều lĩnh vực khác nhau như y học và thực phẩm. Việc thiết kế các peptide mới có hoạt tính cao sẽ góp phần nâng cao hiệu quả trong việc phát triển sản phẩm.

4.1. Dự Đoán Hoạt Tính Chống Oxy Hóa

Mô hình 3D-QSAR cho phép dự đoán hoạt tính chống oxy hóa của các peptide mới, từ đó giúp tiết kiệm thời gian và chi phí trong nghiên cứu.

4.2. Thiết Kế Peptide Mới

Thông qua mô hình 3D-QSAR, các nhà nghiên cứu có thể thiết kế các peptide mới với hoạt tính chống oxy hóa cao, phục vụ cho nhiều ứng dụng trong y học và thực phẩm.

V. Kết Luận và Tương Lai của Mô Hình 3D QSAR

Mô hình 3D-QSAR là một công cụ hữu ích trong nghiên cứu hoạt tính chống oxy hóa của các peptide. Tương lai của mô hình này hứa hẹn sẽ mang lại nhiều tiến bộ trong việc phát triển các sản phẩm mới và cải thiện sức khỏe con người.

5.1. Tiềm Năng Phát Triển

Mô hình 3D-QSAR có tiềm năng lớn trong việc phát triển các sản phẩm mới, đặc biệt là trong lĩnh vực thực phẩm chức năng và dược phẩm.

5.2. Hướng Nghiên Cứu Tương Lai

Các nghiên cứu trong tương lai có thể tập trung vào việc cải thiện độ chính xác của mô hình và mở rộng ứng dụng của nó trong các lĩnh vực khác nhau.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong tự nhiên, hơn 7000 loại peptide đã được phát hiện với nhiều đặc tính sinh hóa đáng chú ý, đóng vai trò quan trọng trong việc kháng virus, làm chất bảo quản thực phẩm, thuốc thử chẩn đoán và duy trì các chức năng sinh lý của cơ thể sinh vật. Các nghiên cứu về hoạt tính chống oxy hóa của peptide đang mở ra tiềm năng ứng dụng lớn trong y học và công nghiệp thực phẩm, đặc biệt nhằm tìm kiếm các hợp chất có nguồn gốc tự nhiên thay thế phụ gia tổng hợp vốn tiềm ẩn nguy cơ đối với sức khỏe. Tuy nhiên, quy trình tổng hợp hóa học peptide trong phòng thí nghiệm đòi hỏi chi phí tốn kém, tiêu tốn lượng lớn hóa chất và việc thử nghiệm in vivo trên động vật mất nhiều thời gian, tốn kém chi phí cũng như tác động tiêu cực đến môi trường. Trước thực trạng đó, việc ứng dụng các phương pháp hóa toán học, cụ thể là xây dựng mô hình định lượng mối quan hệ cấu trúc – hoạt tính ba chiều (3D-QSAR), trở thành giải pháp sàng lọc in silico hiệu quả nhằm dự đoán hoạt tính sinh học của các cấu trúc mới trước khi tiến hành tổng hợp.

Đối tượng nghiên cứu trọng tâm của đề tài là tripeptide Pro – Trp – Leu (NH2) (khối lượng phân tử 414 g/mol). Đây là peptide thuộc họ Tryptophyllin L, thành phần xuất hiện trong dịch tiết tuyến da lưng của loài ếch cây đỏ (Litoria rubella) tại Úc. Peptide này đóng vai trò như một hàng rào sinh học bảo vệ da lưỡng cư trước bức xạ tia cực tím và các tác nhân oxy hóa từ môi trường khi chuyển đổi môi trường sống từ dưới nước lên cạn. Pro – Trp – Leu (NH2) là một dẫn xuất của tetrapeptide Phe – Pro – Trp – Leu (NH2), tồn tại với hàm lượng nhỏ ở trạng thái cô lập trong tự nhiên và hoạt tính sinh học chưa từng được khảo sát toàn diện.

Khóa luận xác định và thực hiện 7 nhiệm vụ nghiên cứu cụ thể theo văn bản giao đề tài:

1. Thu thập dữ liệu peptide chống oxy hóa theo giá trị hoạt tính tương đương Trolox (TEAC);
2. Tối ưu hóa cấu trúc của các peptide trong cơ sở dữ liệu bằng phương pháp bán thực nghiệm Semi-Empirical PM7;
3. Thực hiện tính toán các mô tả phân tử thông qua phần mềm Maestro;
4. Xây dựng mô hình mối quan hệ định lượng cấu trúc – hoạt tính chống oxy hóa (3D-QSAR) đạt các thông số thống kê tin cậy;
5. Sử dụng mô hình đã thiết lập để dự đoán hoạt tính chống oxy hóa của peptide mới và thiết kế peptide có hoạt tính oxy hóa cao, cụ thể là peptide Pro – Trp – Leu (NH2);
6. Thực hiện phân tích thực nghiệm bắt gốc tự do trong phòng thí nghiệm;
7. So sánh kết quả thực nghiệm với kết quả dự đoán từ mô hình để đánh giá độ chính xác của quy trình phân tích.

Phạm vi nghiên cứu của đề tài được giới hạn về mặt dữ liệu tính toán trên 85 tripeptide (được trích xuất và tinh lọc từ tập hợp 106 peptide có dữ liệu TEAC). Phạm vi thực nghiệm tập trung vào thử nghiệm bắt gốc tự do ABTS đối với tripeptide Pro – Trp – Leu (NH2) và so sánh đối chứng với peptide chống oxy hóa chuẩn Glutathione (GSH). Đề tài được thực hiện tại Bộ môn Công nghệ Hóa Hữu cơ, Khoa Công nghệ Hóa học, Trường Đại học Công nghiệp Thành phố Hồ Chí Minh trong thời gian từ ngày 22/10/2021 đến ngày 08/07/2022.

Cơ sở lý thuyết và phương pháp nghiên cứu

Về mặt lý thuyết, đề tài dựa trên các khái niệm hóa học và sinh hóa về amino acid, cấu trúc peptide, cơ chế cộng hưởng liên kết amide (với độ dài liên kết C-N đạt 1,32 Å và liên kết C=O đạt 1,25 Å), cũng như tác động của các gốc tự do dạng ROS (Reactive Oxygen Species) và RNS (Reactive Nitrogen Species) lên tế bào sống. Cơ chế dập tắt gốc tự do của chất chống oxy hóa được phân tích qua hai con đường chính: cơ chế chuyển nguyên tử hydro (Hydrogen Atom Transfer – HAT) và cơ chế chuyển electron (Electron Transfer – ET). Hoạt tính chống oxy hóa tương đương Trolox (TEAC) được sử dụng làm thước đo định lượng, dựa trên khả năng làm mất màu cation gốc tự do ABTS•+ (2,2'-azino-bis(3-ethylbenzothiazoline-6-sulfonic acid)) so với chất chuẩn đối chiếu Trolox (axit 6-hydroxy-2,5,7,8-tetramethylchroman-2-carboxylic).

Hệ thống phương pháp và công cụ tính toán được tác giả triển khai bao gồm:

• Xây dựng cấu trúc và tối ưu hóa hình học: Sử dụng phần mềm ChemDraw Professional để vẽ cấu trúc 2D và Chem3D để tạo lập cấu hình không gian 3D. Phần mềm MOPAC 2016 được sử dụng để tối ưu hóa năng lượng cấu trúc phân tử và phân bố điện tích bằng phương pháp bán thực nghiệm PM7 (dựa trên phép gần đúng NDDO).
• Mô hình hóa 3D-QSAR CoMSIA: Thực hiện trên giao diện Maestro 11.5 (Schrödinger). Cấu trúc của 85 tripeptide sau tối ưu được căn chỉnh và xếp chồng không gian (alignment) dựa trên cấu trúc khuôn mẫu của peptide PWY (Pro – Trp – Tyr). Phương pháp so sánh chỉ số tương tự phân tử (Comparative Molecular Similarity Indices Analysis – CoMSIA) được áp dụng để tính toán 5 trường tương tác không gian: trường lập thể (Steric), trường tĩnh điện (Electrostatic), trường kỵ nước (Hydrophobic), trường cho liên kết hydro (H-bond Donor) và trường nhận liên kết hydro (H-bond Acceptor) thông qua các hàm thế Gaussian.
• Thuật toán thống kê: Sử dụng phương pháp bình phương nhỏ nhất một phần (Partial Least-Squares – PLS) kết hợp với hồi quy tuyến tính đa biến (Multiple Linear Regression – MLR) nhằm trích xuất các biến tiềm ẩn, tối ưu hóa mối quan hệ giữa biến mô tả không gian và hoạt tính sinh học TEAC. Độ tin cậy của mô hình được đánh giá qua hệ số xác định ($R^2$), hệ số kiểm định chéo nội bộ ($Q^2$ cross-validation), sai số bình phương trung bình gốc (RMSE) và hệ số tương quan Pearson-r.
• Phương pháp thực nghiệm quang phổ: Nghiên cứu thực nghiệm được thực hiện bằng phương pháp đo phổ hấp thụ phân tử bức xạ cực tím - khả kiến (UV-Vis) dựa trên định luật Lambert-Beer. Phép thử nghiệm bắt gốc tự do ABTS được thực hiện bằng cách đo độ giảm mật độ quang ở bước sóng hấp thụ cực đại ($\lambda_{max}$) của phức màu ABTS•+, sau đó quy đổi ra giá trị TEAC dựa trên đường chuẩn hồi quy của chất chuẩn Trolox.

Nguồn dữ liệu đầu vào phục vụ mô hình hóa gồm 85 tripeptide được phân chia ngẫu nhiên thành hai tập dữ liệu độc lập theo tỷ lệ 3:1: tập huấn luyện (Training set) gồm 64 phân tử phục vụ việc xây dựng mô hình và đánh giá nội bộ; tập kiểm tra (Test set) gồm 21 phân tử dùng cho việc đánh giá ngoại kiểm độc lập.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương này trình bày hệ thống cơ sở lý thuyết bao quát toàn bộ đề tài, chia thành các phần nội dung chuyên biệt:

• Hóa học amino acid và peptide: Phân tích đặc điểm cấu trúc của 20 amino acid tiêu chuẩn, sự hình thành liên kết peptide, hiện tượng giải tỏa điện tử của cặp electron không phân chia trên nguyên tử nitơ với nhóm carbonyl làm tăng độ bền liên kết (năng lượng liên kết hơn 400 J/mol). Khảo sát vai trò sinh học của peptide phân tử nhỏ (kích thước từ 400 đến 650 Da), đặc biệt là các peptide chứa amino acid mang tính kỵ nước hoặc có vòng thơm, dị vòng như Trp, Pro, Tyr, His, Phe.
• Gốc tự do và chất chống oxy hóa: Làm rõ cơ chế phát sinh gốc tự do từ nguồn nội sinh (chuỗi truyền điện tử ty thể, hoạt động thực bào) và ngoại sinh (bức xạ UV, khói bụi). Trình bày cơ chế bảo vệ của chất chống oxy hóa nội sinh dạng tripeptide thiol Glutathione (GSH, $\gamma$-L-glutamyl-L-cysteinylglycine) và sự cân bằng tỷ lệ GSH/GSSG. Trình bày nguyên lý đo hoạt tính chống oxy hóa qua các xét nghiệm hóa học in vitro: FRAP, ORAC, DPPH và TEAC.
• Phương pháp phổ quang trắc UV-Vis: Trình bày nguyên lý chuyển dời electron khi hấp thụ photon, phương trình định luật Lambert-Beer ($A = \varepsilon \cdot l \cdot C$) và các kỹ thuật đo định lượng (phương pháp đường chuẩn, thêm chuẩn, đo vi sai).
• Lý thuyết mô hình hóa QSAR và bộ mô tả: Tóm tắt lịch sử phát triển của QSAR từ công trình của Cros, Hammett đến Hansch; phân loại các bộ mô tả từ 0D, 1D, 2D đến 3D và 4D. So sánh chi tiết hai kỹ thuật 3D-QSAR: phương pháp CoMFA (sử dụng thế Lennard-Jones và Coulomb với các giá trị ngưỡng cắt) và phương pháp CoMSIA (sử dụng hàm Gaussian với tham số suy giảm khoảng cách). Trình bày toán học thuật toán hồi quy MLR và thuật toán PLS trong việc trích xuất các biến tiềm ẩn để xử lý hiện tượng đa cộng tuyến.

Chương 2: Thực nghiệm

Chương 2 mô tả chi tiết quy trình chuẩn bị mẫu ảo, xây dựng mô hình tính toán và các bước tiến hành thực nghiệm hóa học:

• Quy trình mô hình hóa: Toàn bộ 85 tripeptide từ cơ sở dữ liệu TEAC được vẽ bằng ChemDraw, chuyển đổi sang 3D và tối ưu hóa cấu trúc sơ bộ trên Chem3D. Tiếp theo, các cấu trúc được tối ưu hóa hình học chính xác và tính điện tích riêng phần bằng phương pháp PM7 trong MOPAC 2016. Cấu hình năng lượng cực tiểu được nạp vào phần mềm Maestro 11.5, tiến hành căn chỉnh chồng khít cấu trúc không gian dựa trên khung phân tử chuẩn PWY. Hệ thống lưới hộp chữ nhật bao quanh phân tử được thiết lập với nguyên tử dò giả định (probe atom) mang bán kính 1 Å, điện tích +1, tính kỵ nước +1, cho và nhận liên kết hydro +1 để tính toán các hệ số tương tự CoMSIA.
• Thiết kế thực nghiệm bắt gốc tự do ABTS: Liệt kê đầy đủ danh mục thiết bị (máy đo quang phổ UV-Vis, cân phân tích, bể siêu âm, micropipet) và hóa chất tinh khiết (thuốc thử ABTS, kali persunfat $K_2S_2O_8$, chất chuẩn Trolox, tripeptide chuẩn Glutathione, mẫu tripeptide Pro – Trp – Leu (NH2)). Mô tả quy trình kích hoạt phản ứng tạo gốc cation tự do $ABTS^{\bullet+}$ qua phản ứng oxy hóa giữa dung dịch ABTS và dung dịch $K_2S_2O_8$, ủ tối trong 12–16 giờ ở nhiệt độ phòng. Trình bày các bước khảo sát quang phổ hấp thụ để chọn bước sóng cực đại $\lambda_{max}$, quy trình pha chế dãy nồng độ Trolox xây dựng đường chuẩn và quy trình ủ mẫu thử nghiệm để đo mật độ quang.

Chương 3: Kết quả và bàn luận

Chương 3 trình bày các kết quả tính toán mô hình hóa và kết quả thực nghiệm kiểm chứng:

• Đánh giá mô hình 3D-QSAR CoMSIA: Kết quả phân tích thống kê PLS trên trường Gaussian cho thấy mô hình với 5 biến tiềm ẩn (Factor 5) đạt chất lượng thống kê tốt nhất. Mô hình này sở hữu hệ số xác định $R^2 = 0.8$ đối với tập huấn luyện, cùng các chỉ số kiểm định chéo và đánh giá ngoại kiểm trên tập kiểm tra ($Q^2$, RMSE, Pearson-r) đạt ngưỡng tin cậy theo tiêu chuẩn QSAR.
• Phân tích bản đồ đường biên dạng CoMSIA: Tác giả phân tích sự đóng góp của 5 trường tương tác (lập thể, tĩnh điện, kỵ nước, cho liên kết hydro, nhận liên kết hydro). Bản đồ đường biên dạng không gian chỉ ra các vị trí cụ thể xung quanh khung peptide mà tại đó việc gia tăng thể tích nhóm thế kỵ nước hoặc các nhóm có khả năng cho nhận liên kết hydro sẽ làm tăng hoặc giảm hoạt tính TEAC.
• Kết quả thực nghiệm bắt gốc ABTS: Phổ quét UV-Vis xác định được bước sóng hấp thụ cực đại của gốc cation $ABTS^{\bullet+}$. Đường chuẩn Trolox được xây dựng thành công thể hiện mối tương quan tuyến tính chặt chẽ giữa nồng độ Trolox và độ giảm mật độ quang $\Delta A$. Phân tích thực nghiệm trên mẫu peptide Pro – Trp – Leu (NH2) ghi nhận giá trị chống oxy hóa đạt $TEAC = 1.412$. Kết quả này tương quan phù hợp với giá trị hoạt tính dự đoán từ mô hình CoMSIA mở rộng ($TEAC_{dudoan} = 0.865$). Thử nghiệm cũng đồng thời so sánh khả năng bắt gốc của peptide nghiên cứu với chất chống oxy hóa đối chứng Glutathione (GSH).

Kết quả và đóng góp

Nghiên cứu đã thu thập và xử lý thành công cơ sở dữ liệu gồm 85 tripeptide, thiết lập quy trình tính toán cấu trúc bán thực nghiệm PM7 và xây dựng hoàn chỉnh mô hình 3D-QSAR CoMSIA có độ tin cậy cao. Các chỉ số thống kê và đối chiếu giữa mô hình tính toán với thực nghiệm phòng thí nghiệm được tổng hợp trong bảng dưới đây:

Hạng mục thông số	Giá trị trong văn bản	Ghi chú phương pháp / Công cụ
Số lượng tripeptide trong cơ sở dữ liệu	85 phân tử (chọn từ 106)	Dữ liệu hoạt tính TEAC
Phân chia tập dữ liệu	64 huấn luyện : 21 đánh giá	Tỷ lệ 3:1
Phương pháp tối ưu hóa năng lượng	PM7 (Semi-Empirical)	Phần mềm MOPAC 2016
Cấu trúc mẫu dùng để xếp chồng	Tripeptide PWY	Phần mềm Maestro 11.5
Mô hình thống kê tối ưu	CoMSIA (Factor 5)	Thuật toán PLS
Hệ số xác định tập huấn luyện ($R^2$)	0.8	Mô hình CoMSIA Factor 5
Khối lượng phân tử Pro-Trp-Leu(NH2)	414 g/mol (MW)	Cấu trúc Pro-Trp-Leu-amide
Hoạt tính TEAC dự đoán từ mô hình	0.865	CoMSIA mở rộng
Hoạt tính TEAC đo bằng thực nghiệm	1.412	Thử nghiệm bắt gốc tự do ABTS
Chất chuẩn đối chứng thực nghiệm	Glutathione (GSH) và Trolox	Đo quang phổ UV-Vis

Về mặt giải pháp và kiến nghị, tác giả chỉ ra rằng việc sử dụng bản đồ đường biên dạng CoMSIA cho phép định hướng chính xác việc thay thế hoặc bổ sung các nhóm chức tại các vị trí không gian cụ thể trên chuỗi peptide để tối ưu hóa hoạt tính sinh học mà không cần tổng hợp ngẫu nhiên. Về mặt đóng góp khoa học, đề tài chứng minh tính khả thi của việc kết hợp mô hình hóa in silico với thực nghiệm in vitro đối với nhóm peptide tự nhiên có nguồn gốc từ da lưỡng cư (Litoria rubella). Nghiên cứu góp phần hợp lý hóa cơ chế chống oxy hóa của các peptide ngắn, giảm thiểu việc thử nghiệm tốn kém trên động vật, tiết kiệm hóa chất và thúc đẩy hướng tiếp cận hóa học xanh trong sàng lọc hợp chất tự nhiên.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận chỉ ra một số hạn chế gắn liền với phạm vi và dữ liệu nghiên cứu:

• Tập dữ liệu dùng để huấn luyện mô hình còn tương đối hạn chế (85 tripeptide), kích thước dữ liệu chưa bao quát được toàn bộ không gian cấu trúc đa dạng của các peptide tự nhiên và biến thể nhân tạo.
• Bản thân phép đo TEAC phản ánh tổng hoạt tính chống oxy hóa của cả phân tử gốc lẫn các sản phẩm sinh ra sau phản ứng, dẫn đến những khó khăn nhất định khi thiết lập thứ hạng tuyệt đối về hoạt tính giữa các cấu trúc.
• Nghiên cứu mới dừng lại ở thử nghiệm hóa học in vitro bắt gốc tự do ABTS, chưa triển khai các thử nghiệm bảo vệ tế bào in vitro hoặc khảo sát in vivo trên mô sinh vật sống.

Hướng nghiên cứu tiếp theo được tác giả đề xuất:

• Mở rộng tập dữ liệu sang các peptide có độ dài lớn hơn (oligopeptide 4–10 amino acid) để nâng cao khả năng khái quát của mô hình 3D-QSAR.
• Dựa trên các chỉ dẫn từ bản đồ đường biên dạng của 5 trường tương tác CoMSIA để thiết kế và tổng hợp thêm các dẫn xuất biến đổi cấu trúc từ Pro – Trp – Leu (NH2), nhằm tìm kiếm các phân tử có hoạt tính chống oxy hóa cao hơn phục vụ ứng dụng làm chất bảo quản thực phẩm hoặc dược phẩm.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo chuyên khảo hữu ích cho sinh viên, học viên cao học và nghiên cứu viên thuộc các chuyên ngành Công nghệ Hóa học, Hóa Hữu cơ, Hóa Dược, Hóa tin học (Chemoinformatics) và Công nghệ Thực phẩm.

Các nội dung có giá trị tham khảo kỹ thuật cao bao gồm:

• Quy trình chuẩn hóa và tối ưu hóa hình học phân tử peptide bằng phương pháp bán thực nghiệm PM7 trên phần mềm MOPAC 2016.
• Kỹ thuật căn chỉnh cấu trúc không gian phân tử và thiết lập các thông số trường tương tác Gaussian trong phương pháp 3D-QSAR CoMSIA trên giao diện Maestro (Schrödinger).
• Quy trình thực nghiệm chuẩn về điều chế gốc tự do $ABTS^{\bullet+}$, kỹ thuật dựng đường chuẩn Trolox và phương pháp xác định chỉ số TEAC bằng phổ quang kế UV-Vis.

Câu hỏi thường gặp

1. Đối tượng peptide thực nghiệm chính trong khóa luận là gì và có nguồn gốc từ đâu?
Đối tượng nghiên cứu thực nghiệm chính là tripeptide Pro – Trp – Leu (NH2) có khối lượng phân tử 414 g/mol. Peptide này thuộc họ Tryptophyllin L, là dẫn xuất của tetrapeptide Phe – Pro – Trp – Leu (NH2), xuất hiện trong dịch tiết tuyến da lưng của loài ếch cây đỏ Úc (Litoria rubella) với chức năng bảo vệ cơ thể trước các tác nhân oxy hóa từ môi trường.

2. Cơ sở dữ liệu dùng để xây dựng mô hình 3D-QSAR được thu thập và phân chia như thế nào?
Dữ liệu gồm 85 tripeptide được chọn lọc từ 106 peptide có dữ liệu hoạt tính chống oxy hóa tương đương Trolox (TEAC). Cơ sở dữ liệu này được phân chia ngẫu nhiên theo tỷ lệ 3:1 thành hai tập độc lập: tập huấn luyện (Training set) gồm 64 peptide và tập đánh giá (Test set) gồm 21 peptide.

3. Phần mềm và phương pháp hóa toán nào được sử dụng để tối ưu và mô hình hóa cấu trúc?
Cấu trúc 2D và 3D ban đầu được tạo bằng ChemDraw và Chem3D. Năng lượng hình học được tối ưu hóa bằng phương pháp bán thực nghiệm Semi-Empirical PM7 trên MOPAC 2016. Quá trình căn chỉnh cấu trúc (dựa trên khuôn mẫu PWY) và mô hình hóa 3D-QSAR CoMSIA (tính toán 5 trường tương tác trên nền hàm Gaussian) được thực hiện bằng phần mềm Maestro 11.5 kết hợp thuật toán hồi quy PLS.

4. Mô hình 3D-QSAR CoMSIA tối ưu đạt được các thông số thống kê nào?
Mô hình CoMSIA tối ưu được xác định tại Factor 5 (5 biến tiềm ẩn), đạt hệ số xác định của tập huấn luyện $R^2 = 0.8$, cùng các chỉ số kiểm định ngoại kiểm trên tập đánh giá ($Q^2$, RMSE, hệ số tương quan Pearson-r) đáp ứng đầy đủ tiêu chuẩn tin cậy của mô hình QSAR.

5. Hoạt tính chống oxy hóa thực nghiệm của peptide Pro – Trp – Leu (NH2) đạt kết quả bao nhiêu so với dự đoán?
Phép thử nghiệm bắt gốc tự do ABTS đo bằng phổ hấp thụ UV-Vis cho thấy peptide Pro – Trp – Leu (NH2) đạt giá trị $TEAC = 1.412$. Kết quả này tương quan phù hợp với giá trị dự đoán $0.865$ được cung cấp từ mô hình CoMSIA mở rộng, đồng thời được đối chứng trực tiếp với khả năng chống oxy hóa của tripeptide Glutathione (GSH).

Kết luận

Khóa luận tốt nghiệp của sinh viên Nguyễn Thị Minh Anh đã hoàn thành toàn diện việc xây dựng mô hình định lượng 3D-QSAR CoMSIA trên tập dữ liệu 85 tripeptide TEAC với hệ số xác định đạt $R^2 = 0.8$ ở mô hình Factor 5. Nghiên cứu đã ứng dụng thành công mô hình để dự đoán và tiến hành kiểm chứng thực nghiệm hoạt tính bắt gốc tự do ABTS của tripeptide tự nhiên Pro – Trp – Leu (NH2), ghi nhận giá trị TEAC thực nghiệm đạt 1.412 (tương quan chặt chẽ với giá trị dự đoán 0.865). Đề tài khẳng định hiệu quả của phương pháp mô hình hóa in silico trong việc sàng lọc và định hướng thiết kế peptide có hoạt tính sinh học cao, đồng thời mở ra tiềm năng khai thác các hợp chất chống oxy hóa tự nhiên phục vụ lĩnh vực bảo quản thực phẩm và hóa học xanh.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN 1.1 Khái niệm Amino acid là những hợp chất hữu cơ mà trong đó có chứa các nhóm chức amine (- NH2) và carboxylic (-COOH), điểm đặc trưng để phân biệt các amino acid với nhau chính là nhánh bên (nhóm R). Các amino acid được cấu thành từ các nguyên tố chính như carbon (C), hydro (H), oxy (O), và nito (N), riêng đối với gốc R có thể là một gốc hữu cơ nào đó. Có khoảng hơn 500 amino acid trong tự nhiên được con người tìm thấy, nhưng trong mã di truyền chỉ xuất hiện 20 amino acid và có thể dùng nhiều cách khác nhau để phân loại chúng [1]. Đối với hóa sinh, các amino acid có nguyên tử Cacbon nằm ở vị trí alpha đầu tiên gắn đồng thời cả hai nhóm amine và nhóm carboxylic có tầm quan trọng rất lớn.

Chính vì được gắn tại vị tí alpha nên chúng được gọi là α-amino acid (có công thức chung là H2NCHRCOOH, với R là nhóm thế hữu cơ hay còn gọi là “chuỗi bên”), thông thường thì khái niệm amino acid được dùng để chỉ những chuỗi bên này [1].2 Phân loại Phân loại các amino acid dựa vào gốc R. Trên cơ sở những tính chất của R mà amino acid được chia thành hai nhóm là nhóm ưa nước và nhóm kị nước [2]: Nhóm amino acid ưa nước: phân cực nên không hòa tan được trong nước. Nhóm R của các các amino acid này thường là các nguyên tử Hydro hoặc các chuỗi bên dài có mômen lưỡng cực nhỏ nên có xu hướng đẩy lùi khỏi nước. Các amino acid thuộc nhóm này bao gồm: Alanine, Glycine, Leusine, Valine, Isoleusine, Phenylalanine, Proline, Tryptophan, Methionine.

Nhóm amino acid kị nước: không phân cực nên phần lớn ít tan hoặc không tan trong nước. Nhóm R của các amino acid loại này thường là các chuỗi bên ngắn có mômen lưỡng cực lớn nên có xu hướng hút nước. Các amino acid thuộc nhóm này bao gồm: Serine, Cysteine, Threonine, Glutamine, Tyrosine.1 Cách đánh chữ cái Hy Lạp đối với các amino acid 4 1.3 Thuộc tính hóa học Quá trình trùng hợp các 𝛼 amino acid tạo thành các peptide hoặc protein. Trong khi đó có 20 amino acid tự nhiên được tìm thấy trong peptide và protein trong cơ thể sinh vật.

Bên cạnh đó một số amino acid tồn tại dưới dạng tự do hay hợp chất không tạo ra peptide và protein [2].2 Cấu trúc của amino acid 1.1 Khái niệm Các chuỗi α-amino acid ngắn hình thành liên kết với nhau bằng liên kết amine thì được gọi là peptide. Liên kết amine được hình thành khi và chỉ khi nhóm amine của α-amino acid này phản ứng với nhóm carboxyl của α-amino acid khác. Các chuỗi α-amino acid dài được gọi là polypeptide, tuy nhiên các polypeptide này sẽ không phân nhánh mà liên tục. Còn các peptide ngắn được gọi là dipeptide, tripepite, tetrapeptide [1].

Để phân biệt được giữa peptide và protein người ta phải dựa vào kích thước. Polypeptide được gọi là protein khi nó có kích thước lớn hơn 50 α-amino acid, ngược lại nếu nhỏ hơn 50 α-amino acid thì được gọi là peptide [1]. Nhờ phản ứng polymer hóa các amino acid mà liên kết peptide được hình thành để tạo ra peptide và protein (R-CO-NH-R’) [2].3 Các liên kết của chuỗi amino acid 1.2 Cấu trúc Peptide và protein là những biopolymer của các monomer (tiểu phân) amino acid liên kết với nhau bằng liên kết peptide. Một nhóm amine của amino acid thứ nhất liên kết với nhóm carboxylic của amino acid thứ hai, nhóm amine của amino acid thứ hai liên kết với nhóm carboxylic của amino acid thứ ba, và cứ tiếp tục nối dài như vậy.

Cũng giống như các liên kết amide thông thường, liên kết amide trong protein hoặc peptide không khác biệt gì nhiều.