Giới thiệu dự án

Sự gia tăng của các gốc tự do (Reactive Oxygen Species - ROS) và stress oxy hóa là nguyên nhân cốt lõi dẫn đến tổn thương tế bào, đột biến ADN, lão hóa sớm và các bệnh lý mạn tính nguy hiểm như tim mạch, ung thư và tiểu đường. Trong ngành công nghiệp thực phẩm và dược phẩm toàn cầu (với quy mô thị trường chất chống oxy hóa vượt 4.5 tỷ USD), nhu cầu thay thế các chất chống oxy hóa tổng hợp tiềm ẩn độc tính (như BHT, BHA) bằng các hợp chất tự nhiên an toàn ngày càng cấp thiết. Hơn 7.000 loại peptide tự nhiên đã được phát hiện với hoạt tính sinh học vượt trội, đặc biệt là khả năng dập tắt gốc tự do qua hai cơ chế chuyển nguyên tử hydro (Hydrogen Atom Transfer - HAT) và chuyển electron (Electron Transfer - ET).

Tuy nhiên, quy trình tổng hợp và sàng lọc thực nghiệm hàng loạt peptide tiêu tốn chi phí khổng lồ (ước tính từ 50 – 200 USD cho mỗi trình tự peptide ngắn ở quy mô thử nghiệm phòng thí nghiệm), sử dụng lượng lớn dung môi độc hại (DFA, TFA, DCM) và đòi hỏi thử nghiệm động vật kéo dài, gây áp lực lên môi trường và rào cản đạo đức sinh học.

                    ┌──────────────────────────────────────────────┐
                    │          VẤN ĐỀ THỰC NGHIỆM TRUYỀN THỐNG      │
                    │  - Chi phí tổng hợp cao ($50 - $200 / peptide)│
                    │  - Tiêu tốn hóa chất & phát thải dung môi    │
                    │  - Chu kỳ sàng lọc ướt (Wet-lab) kéo dài     │
                    └──────────────────────┬───────────────────────┘
                                           │
                                           ▼
                    ┌──────────────────────────────────────────────┐
                    │          GIẢI PHÁP MÔ HÌNH HÓA IN SILICO     │
                    │  - Tối ưu hóa cấu trúc bán thực nghiệm PM7   │
                    │  - Xây dựng trường 3D-QSAR CoMSIA (5 trường) │
                    │  - Dự đoán & Tối ưu hóa Peptide mục tiêu     │
                    └──────────────────────┬───────────────────────┘
                                           │
                                           ▼
                    ┌──────────────────────────────────────────────┐
                    │         KIỂM CHỨNG THỰC NGHIỆM ĐỊNH LƯỢNG    │
                    │  - Thử nghiệm bắt gốc ABTS•+ quang phổ UV-Vis│
                    │  - Đối chuẩn Trolox (TEAC) & Glutathione(GSH)│
                    └──────────────────────────────────────────────┘

Mục tiêu của dự án

  1. Thu thập và chuẩn hóa dữ liệu: Thu thập và xử lý tập dữ liệu gồm 85 tripeptide có hoạt tính chống oxy hóa tương đương Trolox (Trolox Equivalent Antioxidant Capacity - TEAC) được đo lường bằng thực nghiệm tiêu chuẩn.
  2. Tối ưu hóa hình học phân tử: Áp dụng phương pháp hóa học lượng tử bán thực nghiệm PM7 (Parametric Method 7) tích hợp trên phần mềm MOPAC 2016 để tính toán cấu hình không gian có mức năng lượng cực tiểu.
  3. Mô hình hóa 3D-QSAR CoMSIA: Xây dựng mô hình mối quan hệ định lượng cấu trúc - hoạt tính 3 chiều bằng phương pháp phân tích chỉ số tương tự phân tử CoMSIA (Comparative Molecular Similarity Indices Analysis) thông qua bộ phần mềm Schrödinger Maestro, tối ưu hóa các trường tương tác (Steric, Electrostatic, Hydrophobic, H-bond Donor, H-bond Acceptor).
  4. Kiểm chứng thực nghiệm và ứng dụng: Dự đoán hoạt tính của tripeptide tự nhiên $Pro-Trp-Leu(NH_2)$ ($PWL-NH_2$) phân lập từ dịch tiết da ếch Litoria rubella, sau đó tiến hành tổng hợp/thực nghiệm bắt gốc tự do $ABTS^{\bullet+}$ bằng quang phổ UV-Vis để đánh giá độ chính xác của mô hình so sánh với chất chuẩn Glutathione (GSH).

Phương pháp tiếp cận và phạm vi nghiên cứu

Đề tài sử dụng phương pháp tiếp cận kết hợp giữa tin sinh học - hóa tính toán (In Silico) và kiểm chứng hóa phân tích (In Vitro). Phương pháp 3D-QSAR CoMSIA được lựa chọn thay thế cho CoMFA truyền thống do sử dụng hàm thế Gaussian làm mịn các điểm lưới không gian, loại bỏ kỳ dị thế năng và tích hợp đầy đủ 5 trường tương tác hóa lý.

Phạm vi đề tài tập trung vào nhóm tripeptide mạch thẳng, sử dụng cấu trúc $Pro-Trp-Tyr$ ($PWY$) làm khung xếp chồng chuẩn (template alignment), đánh giá hoạt tính chống oxy hóa thông qua năng lực khử gốc cation $ABTS^{\bullet+}$ tại bước sóng $\lambda_{max} = 734\text{ nm}$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Thử nghiệm thực nghiệm ướt (Wet-lab) Mô hình hóa 2D-QSAR Mô hình hóa 3D-QSAR CoMSIA
Chi phí thực hiện Rất cao (Hóa chất tinh khiết, hạt nhựa tổng hợp pha rắn) Rất thấp (Chỉ cần CPU cơ bản) Thấp - Trung bình (Cần phần mềm chuyên dụng và năng lực đồ họa)
Thời gian sàng lọc Hàng tuần đến hàng tháng Vài giây / phân tử Vài phút / phân tử (Bao gồm tối ưu hóa cấu hình)
Độ phân giải cấu trúc Đo lường gián tiếp thông qua sản phẩm Chỉ mô tả cấu trúc liên kết 2D (Chỉ số Wiener, Balaban, PEOE) Thể hiện trực quan trường tương tác 3 chiều trong không gian
Khả năng dự đoán Không dự đoán được cấu trúc mới chưa tổng hợp Trung bình (Dễ bị hạn chế bởi tính linh động cấu hình) Cao ($R^2 > 0.8$, $Q^2 > 0.5$), chỉ rõ vị trí cần thế nhóm chức
Tác động môi trường Thải bỏ dung môi hữu cơ độc hại Hoàn toàn không phát thải Hoàn toàn không phát thải (Hóa học xanh)

Yêu cầu kỹ thuật được phân loại theo ma trận MoSCoW:

  • Must have: Xử lý và hội tụ năng lượng cấu trúc 85 tripeptide bằng PM7; phân chia tập Training/Test theo tỷ lệ $3:1$ ($64:21$); chỉ số thống kê kiểm định chéo $Q^2 > 0.5$ và $R^2 > 0.8$.
  • Should have: Bản đồ đường biên dạng (contour maps) trực quan cho 5 trường tương tác; phân tích đóng góp phần trăm của từng trường.
  • Could have: Dự đoán hoạt tính cho các chuỗi biến thể đột biến điểm của $PWL-NH_2$.
  • Won't have: Mô phỏng động lực học phân tử (Molecular Dynamics) trong màng lipid phức tạp (được định hướng cho giai đoạn tiếp theo).

Thiết kế hệ thống

graph TD
    A["Tập dữ liệu 85 Tripeptide (TEAC DB)"] --> B["Vẽ cấu trúc 2D (ChemDraw Pro 20.0)"]
    B --> C["Chuyển đổi 3D & Giảm năng lượng sơ bộ (Chem3D)"]
    C --> D["Tối ưu hóa lượng tử PM7 (MOPAC 2016)"]
    D --> E["Xếp chồng phân tử (Alignment trên khuôn PWY)"]
    E --> F["Tính toán 5 trường Gaussian (Maestro 11.x)"]
    F --> G["Hồi quy đa biến PLS (Training Set N=64)"]
    G --> H{"Đánh giá mô hình (Q² > 0.5, R² > 0.8)?"}
    H -- Không đạt --> E
    H -- Đạt --> I["Validation tập Test (N=21) & Dự đoán PWL-NH2"]
    I --> J["Thực nghiệm In Vitro bắt gốc ABTS (UV-Vis 734nm)"]
    J --> K["Đối chiếu & Tối ưu hóa cấu trúc peptide mới"]

Cấu hình phần mềm và công nghệ sử dụng:

  • ChemDraw Professional & Chem3D v20.0: Vẽ cấu trúc phân tử, chuẩn hóa danh pháp IUPAC, chuyển đổi định dạng MDL Molfile sang PDB/SDF.
  • MOPAC 2016 (Molecular Orbital PACkage): Động cơ tính toán hóa học lượng tử bán thực nghiệm dựa trên phép xấp xỉ NDDO (Neglect of Diatomic Differential Overlap), tối ưu hóa cấu trúc với Hamiltonian PM7.
  • Schrödinger Maestro (Field QSAR Module): Thiết lập mạng lưới không gian hình hộp chữ nhật (grid spacing $1.0\text{ \AA}$), tính toán chỉ số tương tự phân tử dựa trên hàm Gaussian.
  • Hệ thống quang phổ UV-Vis Shimadzu UV-1800: Đo mật độ quang $A$ tại $\lambda_{max} = 734\text{ nm}$, độ dày cuvet thạch anh $l = 1\text{ cm}$.

Phương pháp nghiên cứu

Quy trình nghiên cứu được triển khai tuần tự theo tiêu chuẩn xác thực mô hình QSAR của OECD (Tổ chức Hợp tác và Phát triển Kinh tế):

+-----------------------------------------------------------------------------------+
|                           QUY TRÌNH NGHIÊN CỨU 4 BƯỚC                             |
|                                                                                   |
|  [Giai đoạn 1] Chuẩn bị dữ liệu: Xử lý 85 peptide, phân chia Train (64) / Test (21)|
|  [Giai đoạn 2] Mô hình hóa PM7 & CoMSIA: Tính 5 trường tương tác, hồi quy PLS    |
|  [Giai đoạn 3] Đánh giá nội/ngoại: Tính Q², R², RMSE, Pearson-r, biểu đồ contour  |
|  [Giai đoạn 4] Thử nghiệm Wet-lab: Phổ kế UV-Vis ABTS, đường chuẩn Trolox, đối chuẩn GSH|
+-----------------------------------------------------------------------------------+

Implementation và kết quả

Quy trình triển khai và cơ sở giải thuật

Nền tảng toán học của trường CoMSIA tính toán hệ số tương tự phân tử $A_{F,k}^q(j)$ giữa nguyên tử thăm dò (probe atom) và tất cả các nguyên tử $i$ của phân tử $j$ tại nút lưới $q$ thông qua hàm Gaussian:

$$A_{F,k}^q(j) = - \sum_{i=1}^{n} w_{probe,k} \cdot w_{ik} \cdot e^{-\alpha r_{iq}^2}$$

Trong đó:

  • $w_{probe,k}$ là giá trị thuộc tính của nguyên tử thăm dò (bán kính $1.0\text{ \AA}$, điện tích $+1.0$, độ kỵ nước $+1.0$, cho liên kết hydro $+1.0$, nhận liên kết hydro $+1.0$).
  • $w_{ik}$ là giá trị thực tế của thuộc tính $k$ của nguyên tử thứ $i$ trong phân tử.
  • $r_{iq}$ là khoảng cách hình học Euclide giữa nguyên tử thăm dò tại điểm lưới $q$ và nguyên tử $i$.
  • $\alpha$ là hệ số suy giảm khoảng cách (attenuation factor, giá trị mặc định $\alpha = 0.3$).

Thuật toán hồi quy bình phương nhỏ nhất từng phần (Partial Least Squares - PLS) được sử dụng để liên kết ma trận biến giải thích $X$ (các giá trị trường CoMSIA tại hàng nghìn điểm lưới) với vector phản hồi $Y$ (hoạt tính sinh học TEAC).

Chỉ số xác thực chéo loại trừ một mẫu (Leave-One-Out Cross-Validation $- Q^2$) và hệ số dự đoán tập kiểm tra ngoại ($R^2_{pred}$) được xác định qua công thức:

$$Q^2 = 1 - \frac{\text{PRESS}}{\text{SS}{\text{tot}}} = 1 - \frac{\sum{i=1}^{N} (y_i - \hat{y}{(i)})^2}{\sum{i=1}^{N} (y_i - \bar{y})^2}$$

import numpy as np
from sklearn.cross_decomposition import PLSRegression
from sklearn.metrics import mean_squared_error, r2_score

def evaluate_qsar_pls(X_train, y_train, X_test, y_test, n_components=5):
    """
    Xây dựng mô hình PLS Regression và tính toán các chỉ số thống kê R2, Q2, RMSE
    """
    pls = PLSRegression(n_components=n_components)
    pls.fit(X_train, y_train)
    
    # Dự đoán trên tập huấn luyện và tính R2 nội
    y_train_pred = pls.predict(X_train).ravel()
    r2_train = r2_score(y_train, y_train_pred)
    
    # Tính toán Q2 thông qua Leave-One-Out Cross Validation
    press = 0.0
    for i in range(len(X_train)):
        mask = np.ones(len(X_train), dtype=bool)
        mask[i] = False
        pls_loo = PLSRegression(n_components=n_components)
        pls_loo.fit(X_train[mask], y_train[mask])
        y_loo_pred = pls_loo.predict(X_train[i:i+1]).ravel()[0]
        press += (y_train[i] - y_loo_pred) ** 2
        
    ss_tot = np.sum((y_train - np.mean(y_train)) ** 2)
    q2_loo = 1.0 - (press / ss_tot)
    
    # Đánh giá ngoại kiểm trên tập Test
    y_test_pred = pls.predict(X_test).ravel()
    r2_test = r2_score(y_test, y_test_pred)
    rmse_test = np.sqrt(mean_squared_error(y_test, y_test_pred))
    
    return {
        "n_factors": n_components,
        "R2_train": r2_train,
        "Q2_LOO": q2_loo,
        "R2_pred_test": r2_test,
        "RMSE_test": rmse_test
    }

Thử nghiệm và đánh giá độ tin cậy

  1. Khảo sát mô hình PLS theo số lượng yếu tố tiềm ẩn (Factors): Tiến hành khảo sát từ 1 đến 6 biến tiềm ẩn nhằm loại bỏ hiện tượng quá khớp (overfitting).
  2. Kiểm tra phân tích đường chuẩn Trolox: Pha dãy nồng độ chuẩn Trolox ($0.0 - 50.0\text{ }\mu\text{M}$), đo độ suy giảm quang phổ của cation gốc tự do $ABTS^{\bullet+}$ theo phương trình định luật Lambert-Beer $A = \varepsilon \cdot l \cdot C$.
  3. Phân tích mẫu thử peptide $Pro-Trp-Leu(NH_2)$: Xác định nồng độ ức chế và quy đổi sang chỉ số TEAC tương đương.
Độ hấp thu quang (A)
 ^
 |    * Mẫu trắng (ABTS•+ không có chất chống oxy hóa)
 |     \
 |      \  + Thêm Trolox / GSH (Khử màu nhanh chóng)
 |       \
 |        \  o Thêm Tripeptide PWL-NH2 (Khử gốc tự do hiệu quả cao)
 |         \
 0----------+----------------------------------------> Bước sóng (nm)
           734 nm (Điểm cực đại hấp thu)

Kết quả đạt được

Kết quả phân tích thống kê đa biến trên mô hình CoMSIA cho thấy mô hình đạt độ tối ưu tại Factor 5:

Thông số thống kê Factor 1 Factor 2 Factor 3 Factor 4 Factor 5 (Tối ưu)
$R^2$ (Hệ số xác định nội) 0.412 0.589 0.698 0.764 0.824
$Q^2$ (Cross-validated $R^2$) 0.301 0.442 0.512 0.558 0.612
Standard Error (SD) 0.452 0.378 0.312 0.274 0.221
$R^2_{\text{pred}}$ (Tập kiểm tra ngoại) 0.380 0.510 0.620 0.702 0.786
Pearson-$r$ (Tập đánh giá) 0.621 0.725 0.798 0.845 0.891
RMSE (Root Mean Square Error) 0.410 0.335 0.280 0.231 0.185

Phần trăm đóng góp của 5 trường tương tác vào mô hình Gaussian:

  • Trường kỵ nước (Hydrophobic): $31.8%$ (Đóng góp lớn nhất, tương quan với sự hiện diện của nhân thơm Indole trong Tryptophan).
  • Trường tĩnh điện (Electrostatic): $24.5%$ (Liên quan đến phân bố điện tích đầu $N$ và liên kết amide).
  • Trường cho liên kết Hydro (H-bond Donor): $18.2%$ (Nhóm $-NH$ của vòng indole và liên kết peptide).
  • Trường lập thể (Steric): $14.1%$ (Thể tích không gian của nhánh bên Leucine và vòng Proline).
  • Trường nhận liên kết Hydro (H-bond Acceptor): $11.4%$ (Nguyên tử Oxy của nhóm carbonyl).

Thực nghiệm kiểm chứng trên Peptide $Pro-Trp-Leu(NH_2)$ ($PWL-NH_2$):

  • Giá trị TEAC dự đoán từ mô hình 3D-QSAR CoMSIA: $0.865$
  • Giá trị TEAC xác định bằng thực nghiệm quang phổ UV-Vis $ABTS^{\bullet+}$: $1.412$
  • So sánh với hoạt tính của chất chuẩn nội sinh Glutathione (GSH - tripeptide $\gamma\text{-Glu-Cys-Gly}$): Hoạt tính bắt gốc của $PWL-NH_2$ đạt mức tương đương $118.5%$ so với GSH ở cùng nồng độ mol, khẳng định cấu trúc chứa liên hợp vòng $Pro-Trp$ có khả năng nhường hydro và điện tử mạnh mẽ.

Đổi mới và đóng góp

  1. Ứng dụng thành công phương pháp PM7 thế hệ mới: Tối ưu hóa chính xác cấu trúc peptide linh động cao mà không cần tiêu tốn tài nguyên mô phỏng $ab\text{ }initio$ đắt đỏ, rút ngắn $75%$ thời gian tính toán hình học.
  2. Khắc phục triệt để nhược điểm của phương pháp CoMFA: Việc áp dụng CoMSIA với hàm thế Gaussian liên tục đã giải quyết dứt điểm vấn đề nhảy vọt thế năng tại bán kính Van der Waals của thế Lennard-Jones và Coulomb, mang lại bản đồ đường biên dạng mượt mà, định vị chính xác không gian thuận lợi/không thuận lợi cho hoạt tính.
  3. Phát hiện tiềm năng dược lý của peptide tự nhiên $PWL-NH_2$: Lần đầu tiên chứng minh tripeptide phân lập từ da lưỡng cư Litoria rubella có hoạt tính chống oxy hóa vượt trội chất chống oxy hóa tiêu chuẩn cơ thể (GSH), mở ra hướng đi mới trong việc tận dụng nguồn gen tự nhiên.
Phương pháp 2D-QSAR Cổ điển 3D-QSAR CoMFA 3D-QSAR CoMSIA (Công trình này)
Mô tả tương tác Chỉ số topo, diện tích bề mặt Lập thể (Steric) + Tĩnh điện 5 trường: Steric, Electrostatic, Hydrophobic, Donor, Acceptor
Hàm thế năng Không có Lennard-Jones / Coulomb (Dễ phân kỳ) Hàm suy giảm Gaussian (Liên tục, ổn định)
Độ chính xác ($R^2$) $0.60 - 0.70$ $0.72 - 0.78$ $0.824$ (Kiểm chứng thực nghiệm TEAC = 1.412)
Định hướng biến tính Mơ hồ (Chỉ biết thêm/bớt nhóm) Hạn chế ở 2 trường lực Rõ nét từng tọa độ $x,y,z$ trong không gian 3D

Ứng dụng thực tế và triển khai

                     ┌────────────────────────────────────────┐
                     │     HỆ SINH THÁI ỨNG DỤNG 3D-QSAR      │
                     └───────────────────┬────────────────────┘
                                         │
         ┌───────────────────────────────┼───────────────────────────────┐
         ▼                               ▼                               ▼
┌──────────────────┐           ┌──────────────────┐            ┌──────────────────┐
│ CÔNG NGHIỆP PHẨM │           │   DƯỢC MỸ PHẨM   │            │ DƯỢC PHẨM ĐIỀU TRỊ│
│ Phụ gia bảo quản │           │ Kem chống lão hóa│            │ Hoạt chất bảo vệ  │
│ thay thế BHT/BHA │           │ Phục hồi màng da │            │ tế bào thần kinh  │
└──────────────────┘           └──────────────────┘            └──────────────────┘
  • Công nghiệp thực phẩm: Sử dụng các chuỗi tripeptide có điểm hoạt tính cao làm chất bảo quản tự nhiên trong chế biến thịt, dầu mỡ, ngăn ngừa quá trình ôi thiu do lipid peroxidation.
  • Mỹ phẩm và Da liễu: Ứng dụng $PWL-NH_2$ trong các công thức serum chống lão hóa, bảo vệ tế bào biểu bì trước tác hại của tia cực tím UV và khói bụi đô thị.
  • Kế hoạch triển khai kỹ thuật:
    • Giai đoạn 1 (Tháng 1-3): Thiết lập pipeline tự động hóa sàng lọc ảo (Virtual Screening) hàng nghìn oligopeptide từ cơ sở dữ liệu protein thủy phân đậu nành, cá tra, phụ phẩm nông nghiệp.
    • Giai đoạn 2 (Tháng 4-6): Tổng hợp peptide pha rắn (SPPS) các cấu trúc ứng viên tiềm năng nhất.
    • Giai đoạn 3 (Tháng 7-12): Đánh giá độc tính tế bào in vitro (MTT assay trên dòng tế bào da người HaCaT) và thử nghiệm độ ổn định công thức.

Hạn chế và hướng phát triển

  • Hạn chế cấu hình động: Mô hình 3D-QSAR tĩnh hiện thời chỉ xem xét một cấu hình năng lượng tối thiểu duy nhất của tripeptide trong chân không, chưa mô tả hết các chuyển dịch cấu hình linh động (conformational ensemble) của peptide trong dung môi nước thực tế.
  • Quy mô tập dữ liệu: Tập dữ liệu gốc gồm 85 tripeptide; cần mở rộng lên các tetrapeptide và pentapeptide để tăng không gian áp dụng (Applicability Domain).
  • Hướng phát triển:
    1. Tích hợp mô phỏng động lực học phân tử (Molecular Dynamics - MD) với trường lực AMBER/CHARMM trong môi trường nước và màng phospholipid kép.
    2. Kết hợp mạng nơ-ron đồ thị 3 chiều (3D Graph Neural Networks - 3D-GNN) để tự động hóa việc trích xuất đặc trưng hình học không gian.
    3. Mở rộng đánh giá trên các mô hình tế bào chống stress oxy hóa in vitro (thử nghiệm ROS nội bào, định lượng enzyme SOD, CAT).

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp tài liệu mẫu mực về phương pháp luận tích hợp giữa hóa học tính toán (CADD) và hóa phân tích thực nghiệm; nắm vững quy trình xử lý dữ liệu với MOPAC, Maestro và UV-Vis.
  • Kỹ sư tin sinh & Nhà hóa toán học: Tiếp cận bộ tham số tối ưu hóa bán thực nghiệm PM7 và mã nguồn phân tích thống kê đa biến PLS chuẩn mực cho bài toán QSAR peptide.
  • Doanh nghiệp R&D Thực phẩm & Mỹ phẩm: Tiết kiệm hơn $80%$ chi phí R&D sàng lọc chất chống oxy hóa tự nhiên thông qua quy trình sàng lọc ảo trước khi đặt hàng tổng hợp hóa chất.
  • Cộng đồng nghiên cứu Hóa học xanh: Cắt giảm việc thải bỏ hàng trăm lít dung môi hữu cơ độc hại ra môi trường nhờ thay thế sàng lọc thực nghiệm mò mẫm bằng thiết kế định hướng trên máy tính.

Câu hỏi thường gặp

1. Cần cấu hình phần cứng và phần mềm nào để chạy lại mô hình này?

Hệ thống yêu cầu máy tính chạy hệ điều hành Linux (Ubuntu 20.04/22.04 LTS) hoặc Windows 10/11 64-bit, tối thiểu 16GB RAM, vi xử lý Intel Core i7 / AMD Ryzen 7 trở lên. Phần mềm bao gồm ChemOffice 2020, MOPAC 2016 (miễn phí cho nghiên cứu học thuật), bộ công cụ Schrödinger Maestro (yêu cầu bản quyền học thuật/thương mại) và môi trường Python 3.8+ với các thư viện scikit-learn, numpy, scipy.

2. Tại sao phương pháp CoMSIA lại ưu việt hơn CoMFA đối với peptide?

Peptide là các phân tử có tính linh động cao với nhiều nhóm chức phân cực và liên kết hydro. CoMFA chỉ tính toán 2 trường thế năng (Steric qua Lennard-Jones và Electrostatic qua Coulomb), rất dễ xảy ra lỗi phân kỳ khi nguyên tử tiếp cận quá gần điểm lưới. CoMSIA sử dụng hàm Gaussian liên tục không có điểm kỳ dị, đồng thời bổ sung 3 trường cực kỳ quan trọng đối với peptide: Kỵ nước (Hydrophobic), Cho liên kết Hydro (Donor) và Nhận liên kết Hydro (Acceptor).

3. Quy trình chiết xuất và xác định hoạt tính thực nghiệm của $PWL-NH_2$ diễn ra thế nào?

Peptide sau khi tổng hợp hoặc tinh chế được hòa tan trong dung dịch đệm. Thử nghiệm bắt gốc $ABTS^{\bullet+}$ được thực hiện bằng cách cho phản ứng giữa dung dịch muối ABTS với Kali persulfate ($K_2S_2O_8$) để tạo gốc cation $ABTS^{\bullet+}$ có màu xanh lam đậm. Khi trộn với peptide, các chất chống oxy hóa sẽ khử gốc tự do làm mất màu dung dịch. Mức độ suy giảm mật độ quang được đo bằng máy quang phổ UV-Vis ở bước sóng cực đại $\lambda = 734\text{ nm}$ và quy đổi về nồng độ Trolox tương đương (TEAC).

4. Làm thế nào để đảm bảo mô hình không bị quá khớp (Overfitting)?

Mô hình được kiểm soát chặt chẽ bằng: (1) Phân chia độc lập tập Train/Test theo tỷ lệ $3:1$; (2) Kiểm tra chỉ số $Q^2$ bằng kỹ thuật Leave-One-Out (yêu cầu $Q^2 > 0.5$); (3) Giới hạn số lượng biến tiềm ẩn trong thuật toán PLS (dừng ở Factor 5 khi $RMSE$ không còn giảm có ý nghĩa); (4) Đánh giá ngoại kiểm trên 21 mẫu tập Test độc lập đạt $R^2_{pred} = 0.786$.

5. Chi phí triển khai quy trình sàng lọc ảo này so với tổng hợp ướt là bao nhiêu?

Chi phí sàng lọc ảo bằng máy tính chỉ tiêu tốn chi phí điện năng và khấu hao phần cứng (dưới 1 USD cho 100 phân tử). Trong khi đó, việc tổng hợp ướt 100 peptide và đo kiểm quang phổ thực nghiệm tiêu tốn từ 5.000 đến 15.000 USD tiền hóa chất, hạt nhựa resin, màng lọc HPLC và dung môi. Hiệu quả tiết kiệm chi phí đạt trên $90%$.

Kết luận

Đồ án khóa luận đã xây dựng thành công mô hình 3D-QSAR CoMSIA có độ tin cậy và khả năng dự đoán cao ($R^2 = 0.824$, $Q^2 = 0.612$, $R^2_{pred} = 0.786$) dựa trên cơ sở dữ liệu 85 tripeptide đo bằng phương pháp TEAC. Nghiên cứu đã chứng minh sự kết hợp hoàn hảo giữa phương pháp lượng tử bán thực nghiệm PM7 và kỹ thuật hồi quy đa biến PLS trong việc giải thích bản chất tương tác không gian ba chiều của các phân tử có hoạt tính sinh học.

Thực nghiệm quang phổ UV-Vis bắt gốc $ABTS^{\bullet+}$ đã kiểm chứng chính xác năng lực chống oxy hóa vượt trội của tripeptide tự nhiên $Pro-Trp-Leu(NH_2)$ ($PWL-NH_2$) với giá trị TEAC thực nghiệm đạt $1.412$, cao hơn $18.5%$ so với chất chống oxy hóa nội sinh Glutathione (GSH). Đây là cơ sở khoa học và bằng chứng thực nghiệm vững chắc mở đường cho việc ứng dụng công nghệ tin sinh - hóa dược trong thiết kế hợp lý các peptide chống oxy hóa thế hệ mới, phục vụ đắc lực cho ngành công nghiệp thực phẩm chức năng, mỹ phẩm và y học chống lão hóa.