Luận Văn Thạc Sĩ: Mô Hình Toán Học Nhận Biết Chất Ức Chế Enzym Histon Deacetylase 2 Chống Ung Thư

Luận văn thạc sĩ kỹ thuật nghiên cứu xây dựng mô hình toán học giúp nhận biết chất ức chế enzym histon deacetylase 2 có tác dụng chống, khảo sát thực trạng, phân tích nguyên nhân,

• Tác giả: Nguyễn Thị Hiền
• Người hướng dẫn: Ts. Lê Thị Thu Hường
• Trường học: Đại học Quốc Gia Hà Nội Khoa Y Dược
• Chuyên ngành: Dược Học
• Đề tài: Xây Dựng Mô Hình Toán Học Giúp Nhận Biết Chất Ức Chế Enzym Histon Deacetylase 2 Có Tác Dụng Chống Ung Thư
• Loại tài liệu: Khóa Luận Tốt Nghiệp Đại Học
• Năm xuất bản: 2017
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• DANH MỤC KÝ HIỆU VIẾT TẮT
• DANH MỤC HÌNH VẼ
• DANH MỤC BẢNG
• MỤC LỤC
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Thực trạng ung thư và tử vong do ung thư
• 1.2. Thực trạng ung thư và tử vong do ung thư trên thế giới
• 1.3. Thực trạng ung thư và tử vong do ung thư ở Việt Nam
• 1.4. Thuốc điều trị ung thư
• 1.5. Tổng quan histon deacetylase
• 1.5.1. Khái niệm histon deacetylase
• 1.5.2. Phân loại các HDAC
• 1.5.3. HDAC2 và vai trò trong ung thư
• 1.5.4. Các chất ức chế HDAC
• 1.5.5. Cơ chế tác dụng của các chất ức chế HDAC
• 1.6. Tổng quan phương pháp QSAR
• 1.6.1. Lịch sử QSAR
• 1.6.2. Đại cương về QSAR
• 1.6.3. Quy trình xây dựng mô hình QSAR
• 2. CHƯƠNG 2: NGUYÊN LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 2.1. Cơ sở dữ liệu
• 2.2. Phần mềm sử dụng
• 2.3. Phương pháp nghiên cứu
• 2.3.1. Tính toán tham số mô tả phân tử
• 2.3.2. Phân chia tập huấn luyện / Tập kiểm tra
• 2.3.3. Xây dựng mô hình QSAR
• 2.4. Sàng lọc và dự đoán hoạt tính một số dẫn xuất HDAC2 sử dụng mô hình QSAR đã xây dựng được
• 3. CHƯƠNG 3: KẾT QUẢ VÀ BÀN LUẬN
• 3.1. Mô hình toán học thu được
• 3.2. Đánh giá mô hình theo các tiêu chí của OECD
• 3.3. Sàng lọc ảo đánh giá khả năng ức chế HDAC2 sử dụng mô hình xây dựng được
• 3.3.1. Về mô hình QSAR
• 3.3.2. Về quy trình sàng lọc ảo
• KẾT LUẬN VÀ KIẾN NGHỊ
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Tổng quan về mô hình toán học nhận biết chất ức chế enzym HDAC2

Mô hình toán học nhận biết chất ức chế enzym HDAC2 là một trong những phương pháp tiên tiến trong nghiên cứu chống ung thư. HDAC2 đóng vai trò quan trọng trong việc điều chỉnh biểu hiện gen và có liên quan đến nhiều loại ung thư. Việc xây dựng mô hình này giúp dự đoán khả năng ức chế của các hợp chất mới, từ đó hỗ trợ trong việc phát triển thuốc chống ung thư hiệu quả.

1.1. Khái niệm về enzym HDAC2 và vai trò trong ung thư

Enzym HDAC2 thuộc nhóm I của histon deacetylase, có vai trò quan trọng trong việc điều chỉnh biểu hiện gen. HDAC2 tham gia vào quá trình deacetyl hóa histon, từ đó ảnh hưởng đến sự phát triển và tiến triển của ung thư. Nghiên cứu cho thấy HDAC2 biểu hiện quá mức trong nhiều loại ung thư, gây ra sự ức chế các gen ức chế khối u.

1.2. Tại sao cần mô hình toán học trong nghiên cứu HDAC2

Mô hình toán học giúp tối ưu hóa quá trình tìm kiếm chất ức chế HDAC2 bằng cách dự đoán hoạt tính của các hợp chất mới. Phương pháp này không chỉ tiết kiệm thời gian mà còn giảm thiểu chi phí nghiên cứu, đồng thời nâng cao tỷ lệ thành công trong phát triển thuốc chống ung thư.

II. Thách thức trong việc nhận biết chất ức chế enzym HDAC2

Việc nhận biết chất ức chế enzym HDAC2 gặp nhiều thách thức do sự phức tạp trong cấu trúc và hoạt động của enzym này. Các chất ức chế HDAC2 cần phải có tính chọn lọc cao để tránh tác dụng phụ không mong muốn. Hơn nữa, việc phát hiện và phát triển các hợp chất mới cũng gặp khó khăn trong việc đánh giá hiệu quả và độ an toàn.

2.1. Những khó khăn trong việc phát triển thuốc chống ung thư

Quá trình phát triển thuốc chống ung thư thường gặp phải nhiều vấn đề như độc tính cao, tỷ lệ kháng thuốc và chi phí nghiên cứu lớn. Những yếu tố này làm giảm khả năng thành công của các nghiên cứu và phát triển thuốc mới.

2.2. Sự cần thiết của các phương pháp nghiên cứu hiện đại

Để vượt qua những thách thức này, việc áp dụng các phương pháp nghiên cứu hiện đại như mô hình toán học QSAR là rất cần thiết. Phương pháp này giúp dự đoán hoạt tính của các hợp chất mới một cách nhanh chóng và hiệu quả.

III. Phương pháp xây dựng mô hình toán học nhận biết chất ức chế HDAC2

Xây dựng mô hình toán học nhận biết chất ức chế enzym HDAC2 bao gồm nhiều bước quan trọng. Các bước này bao gồm thu thập dữ liệu, phân tích cấu trúc và hoạt tính của các hợp chất, và cuối cùng là áp dụng các phương pháp hồi quy để tạo ra mô hình dự đoán.

3.1. Quy trình thu thập và phân tích dữ liệu

Quy trình này bao gồm việc thu thập dữ liệu từ các cơ sở dữ liệu hóa học và thực hiện phân tích thống kê để xác định các yếu tố ảnh hưởng đến hoạt tính của các chất ức chế HDAC2. Dữ liệu này sẽ được sử dụng để xây dựng mô hình toán học.

3.2. Ứng dụng phương pháp hồi quy trong mô hình QSAR

Phương pháp hồi quy tuyến tính đa biến được sử dụng để xây dựng mô hình QSAR. Phương pháp này giúp xác định mối quan hệ giữa cấu trúc hóa học và hoạt tính sinh học của các hợp chất, từ đó dự đoán khả năng ức chế HDAC2 của các chất mới.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn của mô hình

Kết quả từ mô hình toán học cho thấy khả năng dự đoán chính xác hoạt tính của các chất ức chế HDAC2. Những hợp chất được xác định qua mô hình này có tiềm năng cao trong việc phát triển thành thuốc chống ung thư mới, giúp cải thiện hiệu quả điều trị và giảm thiểu tác dụng phụ.

4.1. Đánh giá hiệu quả của mô hình QSAR

Mô hình QSAR đã được đánh giá theo các tiêu chí của Tổ chức kinh tế thế giới (OECD). Kết quả cho thấy mô hình có độ chính xác cao trong việc dự đoán hoạt tính của các hợp chất, từ đó khẳng định tính khả thi của phương pháp này trong nghiên cứu chống ung thư.

4.2. Ứng dụng mô hình trong phát triển thuốc mới

Mô hình toán học không chỉ giúp nhận biết chất ức chế HDAC2 mà còn hỗ trợ trong việc phát triển các hợp chất mới. Những hợp chất này có thể được đưa vào thử nghiệm lâm sàng để đánh giá hiệu quả điều trị ung thư, mở ra hướng đi mới trong nghiên cứu dược phẩm.

V. Kết luận và triển vọng tương lai của nghiên cứu

Nghiên cứu về mô hình toán học nhận biết chất ức chế enzym HDAC2 có ý nghĩa quan trọng trong việc phát triển thuốc chống ung thư. Với những kết quả đạt được, mô hình này hứa hẹn sẽ mở ra nhiều cơ hội mới trong nghiên cứu và điều trị ung thư trong tương lai.

5.1. Tương lai của mô hình toán học trong nghiên cứu dược phẩm

Mô hình toán học sẽ tiếp tục được cải tiến và áp dụng rộng rãi trong nghiên cứu dược phẩm. Việc kết hợp giữa công nghệ thông tin và sinh học phân tử sẽ tạo ra những bước tiến mới trong việc phát triển thuốc chống ung thư.

5.2. Khuyến nghị cho các nghiên cứu tiếp theo

Cần tiếp tục nghiên cứu và phát triển các mô hình toán học mới, đồng thời mở rộng ứng dụng của chúng trong các lĩnh vực khác nhau của y học. Việc hợp tác giữa các nhà nghiên cứu và ngành công nghiệp dược phẩm cũng là yếu tố quan trọng để nâng cao hiệu quả nghiên cứu.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Theo thống kê của Tổ chức Y tế Thế giới (WHO) tính đến hết năm 2012, ung thư là một trong những nguyên nhân gây tử vong hàng đầu với khoảng 14 triệu ca mắc mới và 8,2 triệu trường hợp tử vong mỗi năm trên toàn cầu. Tại Việt Nam, gánh nặng bệnh tật do ung thư ở mức cao với ước tính khoảng 150.000 đến 200.000 ca mắc mới và khoảng 70.000 đến 91.600 ca tử vong ghi nhận trong năm 2012. Quá trình nghiên cứu và phát triển thuốc điều trị ung thư truyền thống chủ yếu dựa trên phương pháp thực nghiệm "thử và lỗi" (trial and error), bộc lộ nhiều nhược điểm như tiêu tốn thời gian, kinh phí lớn và tỷ lệ thành công thấp, đồng thời các thuốc hóa trị hiện hành thường đi kèm độc tính tế bào cao và nguy cơ kháng thuốc nghiêm trọng.

Trước yêu cầu cấp thiết về phát triển các liệu pháp trúng đích phân tử có tính chọn lọc cao và ít độc tính hơn, enzym Histon Deacetylase 2 (HDAC2) thuộc nhóm I đã được xác định là một đích tác động sinh học quan trọng. HDAC2 xúc tác quá trình khử nhóm acetyl ở đuôi histon (đặc biệt là H3K56 và H4K16), gây đóng xoắn chất nhiễm sắc (chromatin) và ức chế phiên mã các gen ức chế khối u. Sự biểu hiện quá mức của HDAC2 xuất hiện phổ biến trong nhiều dòng tế bào ung thư như ung thư đại trực tràng, dạ dày, cổ tử cung, tuyến tiền liệt, phổi không tế bào nhỏ và ung thư biểu mô tế bào gan. Việc ứng dụng phương pháp tương quan định lượng cấu trúc – tác dụng (QSAR) kết hợp sàng lọc ảo (in silico) cho phép dự đoán hoạt tính sinh học từ cấu trúc phân tử, rút ngắn thời gian và tối ưu hóa chi phí nghiên cứu phát triển thuốc mới.

Khóa luận xác định mục tiêu chung và các nhiệm vụ nghiên cứu cụ thể như sau:

1. Mục tiêu chung: Xây dựng mô hình toán học giúp nhận biết chất ức chế enzym histon deacetylase 2 có tác dụng chống ung thư.
2. Mục tiêu và nhiệm vụ cụ thể:
   • Xây dựng mô hình QSAR mới sử dụng phương pháp hồi quy tuyến tính đa biến nhằm dự đoán khả năng ức chế HDAC2.
   • Đánh giá mô hình xây dựng được theo 5 tiêu chí thẩm định của Tổ chức Hợp tác và Phát triển Kinh tế (OECD).
   • Vận dụng mô hình xây dựng được để sàng lọc ảo, xác định các hợp chất dẫn đường tiềm năng ức chế HDAC2 từ cơ sở dữ liệu hóa học nhằm định hướng phát triển thuốc chống ung thư.

• Đối tượng nghiên cứu: Các thông số cấu trúc phân tử và hoạt tính ức chế enzym HDAC2 thực nghiệm (thể hiện qua giá trị $\text{IC}_{50}$) của 45 dẫn xuất acid hydroxamic, cùng tập hợp các hợp chất đồng dạng thu thập từ cơ sở dữ liệu hóa học.
• Phạm vi nghiên cứu: Dữ liệu hoạt tính sinh học được thu thập từ 6 công trình khoa học đã công bố có chung quy trình định lượng in vitro (sử dụng Kit Bioscience®); không gian sàng lọc ảo được thực hiện trên cơ sở dữ liệu PubChem với chất đối chứng mẫu là SAHA (Vorinostat); thời gian hoàn thành nghiên cứu vào năm 2017 tại Khoa Y Dược, Đại học Quốc gia Hà Nội.

Cơ sở lý thuyết và phương pháp

Khóa luận được xây dựng dựa trên nền tảng lý thuyết sinh học phân tử về điều hòa biểu hiện gen biểu sinh (epigenetics) và lý thuyết mô hình hóa hóa tin học (chemoinformatics):

• Khung lý thuyết sinh học và đích phân tử: Cấu trúc cơ bản của nhiễm sắc thể là nucleosom, gồm 146 cặp base ADN bao quanh lõi protein histon octamer (H2A, H2B, H3, H4). Sự cân bằng giữa hai enzym Histon Acetyltransferase (HAT) và Histon Deacetylase (HDAC) điều hòa trạng thái mở hoặc đóng xoắn của chromatin. Hệ thống HDAC ở người gồm 18 enzym chia thành 4 nhóm: Nhóm I (HDAC1, 2, 3, 8), Nhóm II (IIa: HDAC4, 5, 7, 9; IIb: HDAC6, 10), Nhóm III (SIRT1–7, phụ thuộc $\text{NAD}^+$), và Nhóm IV (HDAC11). Các nhóm I, II và IV phụ thuộc ion $\text{Zn}^{2+}$ tại trung tâm hoạt động. Trung tâm hoạt động của HDAC2 gồm một kênh dạng túi hình ống có đáy chứa ion $\text{Zn}^{2+}$ liên kết với nhóm nhận diện bề mặt. Dẫn xuất acid hydroxamic (như thuốc SAHA/Vorinostat đã được FDA phê duyệt năm 2006) có khả năng tạo phức chelat bền vững với ion $\text{Zn}^{2+}$, qua đó ức chế enzym mạnh.
• Khung lý thuyết mô hình toán học QSAR: Dựa trên nguyên lý của Hansch, Crum-Brown, Fraser và Hammett, hoạt tính sinh học ($Y = \log \text{IC}_{50}$) là một hàm số toán học của các tham số mô tả phân tử ($x_i$): $Y = f(x_1, x_2, ..., x_n)$.
• Khung tiêu chuẩn thẩm định OECD: Đánh giá mô hình dựa trên 5 nguyên tắc: (1) Đích sinh học xác định; (2) Thuật toán rõ ràng; (3) Xác định miền ứng dụng cấu trúc; (4) Đảm bảo độ khớp ($R^2$), độ ổn định ($Q^2$) và khả năng dự đoán ngoại ($Q^2_{\text{ext}}$); (5) Khả năng giải thích cơ chế hóa lý/hóa lượng tử của các biến số.

Phương pháp nghiên cứu thực nghiệm và công cụ tính toán được triển khai đồng bộ:

• Phần mềm sử dụng: ChemDraw 10.0 (chuyển đổi cấu trúc thành mã SMILES), Dragon 6.0 (tính toán hơn 2.000 tham số mô tả phân tử 0D, 1D, 2D), Mobydigs 1.0 (lựa chọn biến tối ưu bằng thuật giải di truyền - Genetic Algorithm), STATISTICA 10.0 (xây dựng phương trình hồi quy tuyến tính đa biến - MLR), và Microsoft Excel 2007 (quản trị, xử lý số liệu).
• Phân chia tập dữ liệu: Phương pháp chia ngẫu nhiên CSDL 45 hợp chất thành Tập huấn luyện (Training set - Tr, chiếm 75%, gồm 34 chất) dùng để xây dựng mô hình và Tập kiểm tra (Test set - Te, chiếm 25%, gồm 11 chất) dùng để đánh giá độc lập khả năng dự đoán ngoại suy.
• Nguồn dữ liệu: CSDL 45 chất ức chế HDAC2 dẫn xuất hydroxamic thu thập từ 6 bài báo khoa học quốc tế có cùng điều kiện thực nghiệm đo $\text{IC}_{50}$ bằng Kit Bioscience®; CSDL sàng lọc ảo PubChem (>31.000 hợp chất) sử dụng thuật toán tìm kiếm đồng dạng dựa trên hệ số Tanimoto.

Nội dung chính theo từng chương

Chƣơng 1 - Tổng quan

Chương 1 hệ thống hóa toàn diện các y văn liên quan đến dịch tễ học ung thư, cơ chế tác dụng của thuốc chống ung thư, sinh học phân tử của họ enzym HDAC và lịch sử phương pháp luận QSAR:

• Phân tích thực trạng tử vong do ung thư toàn cầu (8,2 triệu ca năm 2012) và tại Việt Nam (91.600 ca tử vong năm 2012, trong đó nam giới chiếm 58.200 ca với tỷ lệ cao nhất là ung thư gan 26,9% và phổi 24,4%; nữ giới chiếm 33.400 ca).
• Phân loại các nhóm thuốc hóa trị kinh điển: tác nhân alkyl hóa, kháng sinh kháng u, chất kháng chuyển hóa, chất ức chế gián phân, taxane, camptothecin và hormone.
• Trình bày chi tiết sinh học phân tử của 18 loại HDAC, cấu tạo trung tâm hoạt động dạng kênh túi liên kết $\text{Zn}^{2+}$ và vai trò bệnh học chuyên biệt của HDAC2 trong các khối u đại trực tràng, vú, tuyến tiền liệt, phổi, gan và bệnh phổi tắc nghẽn mạn tính (COPD).
• Tổng hợp các nhóm chất ức chế HDAC đang thử nghiệm lâm sàng hoặc đã được FDA cấp phép (như SAHA, Romidepsin/FK228, PXD101, LBH-589, MS-275), đồng thời chỉ ra ưu điểm dễ tổng hợp, tạo phức $\text{Zn}^{2+}$ mạnh của nhóm acid hydroxamic.
• Khái quát lịch sử phát triển QSAR từ các nghiên cứu sơ khai của Crum-Brown & Fraser (1868), Richet (1893), Hammett (1935) đến mô hình hồi quy đa biến của Hansch (thập niên 1960), đồng thời giải thích chi tiết 5 nguyên tắc chuẩn hóa mô hình theo hướng dẫn của OECD.

Chƣơng 2 - Nguyên liệu và phƣơng pháp nghiên cứu

Chương 2 mô tả chi tiết quy trình thiết kế in silico từ chuẩn bị dữ liệu đến xây dựng và ứng dụng mô hình:

• Xây dựng CSDL chuẩn: Thu thập cấu trúc và giá trị thực nghiệm $\text{IC}_{50}$ của 45 dẫn xuất acid hydroxamic từ 6 công trình đã công bố, chuẩn hóa cấu trúc 2D và xuất chuỗi ký tự SMILES qua phần mềm ChemDraw 10.0.
• Tính toán và sàng lọc tham số phân tử (TSPT): Sử dụng phần mềm Dragon 6.0 trích xuất ban đầu 3.764 TSPT cho mỗi phân tử. Sau quá trình xử lý lọc bỏ biến gây nhiễu và kiểm tra quan hệ phi tuyến với biến đáp ứng $\log \text{IC}_{50}$, giữ lại 534 TSPT 2D (thuộc các nhóm thông số topo, ma trận kề, tự tương quan 2D).
• Phân tập dữ liệu: Tách ngẫu nhiên 45 hợp chất thành tập Tr (34 chất) và tập Te (11 chất).
• Lựa chọn biến bằng thuật giải di truyền (GA): Ứng dụng phần mềm Mobydigs 1.0 với toán tử lai ghép chéo (crossover), đột biến (mutation) và hàm mục tiêu thích nghi là hệ số tương quan chéo $Q^2$ cao nhất để chọn ra bộ 6 TSPT tối ưu.
• Thiết lập mô hình hồi quy MLR: Sử dụng STATISTICA 10.0 để tính toán hệ số hồi quy cho phương trình đa biến liên kết 6 TSPT với $\log \text{IC}_{50}$.
• Quy trình sàng lọc ảo (Virtual Screening) 2 bước:
  • Bước 1: Dùng SAHA làm phân tử khuôn mẫu (query molecule), truy vấn trên PubChem bằng thuật toán tương đồng cấu trúc với ngưỡng hệ số Tanimoto $\ge 0,85$, trích xuất được 120 dẫn xuất acid hydroxamic chưa từng có dữ liệu thử nghiệm ức chế HDAC2.
  • Bước 2: Tính toán 6 TSPT 2D bằng Dragon 6.0 cho 120 chất này và đưa vào mô hình QSAR đã lập để dự đoán giá trị $\text{IC}_{50}$.

Chƣơng 3 – Kết quả và bàn luận

Chương 3 trình bày các kết quả toán học thu được, thẩm định mô hình theo OECD và phân tích danh sách chất sàng lọc ảo:

• Phương trình QSAR tối ưu: Xây dựng thành công mô hình tuyến tính chứa 6 tham số mô tả phân tử 2D: $$\log \text{IC}_{50} = f(\text{ATS8m}, \text{JGI10}, \text{SM15_AEA(bo)}, \text{SM08_AEA(dm)}, \text{SM09_AEA(dm)}, \text{B06[N-O]})$$
• Thẩm định theo 5 tiêu chí OECD:
  • Tiêu chí 1 & 2: Thỏa mãn nhờ tính đồng nhất của dữ liệu đầu vào ($\text{IC}_{50}$ từ Kit Bioscience®) và quy trình thuật toán rõ ràng, có khả năng lặp lại.
  • Tiêu chí 3 (Miền ứng dụng): Thiết lập biểu đồ Williams biểu diễn tương quan giữa phần dư chuẩn (Standardized Residual) trong giới hạn $[-3, +3]$ và giá trị đòn bẩy $h$ so với ngưỡng cảnh báo $h^* = 3p/N = 3 \times 6 / 34 \approx 0,53$ (ngưỡng tính toán trong khóa luận đạt $0,62$). Kết quả $34/34$ chất tập Tr và $11/11$ chất tập Te đều nằm hoàn toàn bên trong miền ứng dụng.
  • Tiêu chí 4 (Độ khớp và khả năng dự đoán): Mô hình đạt $R^2 = 0,89$ (độ khớp nội), $Q^2 = 0,81$ (độ ổn định kiểm định chéo leave-one-out, tương đương khả năng dự đoán nội $88,85%$), và $Q^2_{\text{ext}} = 0,85$ (khả năng dự đoán ngoại trên tập Te đạt $84,64%$).
  • Tiêu chí 5 (Cơ chế hóa học): Biến ATS8m (tự tương quan Moreau-Broto bậc 8 theo khối lượng nguyên tử) và JGI10 (chỉ số topo cụm bậc 10) mang hệ số dương (làm tăng $\log \text{IC}_{50}$, tức làm giảm hoạt tính); biến B06[N-O] mang hệ số âm thể hiện sự hiện diện của cặp nguyên tử N-O ở khoảng cách topo phù hợp giúp tăng hoạt tính ức chế; các biến SM15_AEA(bo), SM08_AEA(dm), SM09_AEA(dm) thuộc nhóm chỉ số ma trận kề cạnh (Edge adjacency indices) phản ánh phân bố điện tử và mật độ liên kết.
• Kết quả sàng lọc ảo: Từ 120 chất PubChem, chọn lọc $10%$ hợp chất ($14$ chất) có $\text{IC}{50}$ dự đoán thấp nhất, trong đó có 3 hợp chất được dự đoán có hoạt tính mạnh hơn SAHA từ 60 đến 70 lần (hợp chất tiêu biểu nhất có mã CID 58624316 với $\text{IC}{50}$ dự đoán đạt $0,042486,\mu\text{M}$).
• Bàn luận chuyên sâu: Phân tích ưu thế của việc sử dụng TSPT 2D (ổn định, không phụ thuộc cấu dạng linh động 3D) và chỉ ra hạn chế của nghiên cứu khi chưa kết hợp kỹ thuật docking phân tử để quan sát tương tác trực tiếp với khoang gắn kết của HDAC2.

Kết quả và đóng góp

Khóa luận đã thu được các số liệu định lượng cụ thể qua các bảng tổng hợp sau:

Thông số thống kê	Ký hiệu	Giá trị thực nghiệm	Tiêu chuẩn chấp nhận
Hệ số xác định (Độ khớp)	$R^2$	$0,89$	$> 0,60$
Hệ số tương quan chéo (Leave-one-out)	$Q^2$	$0,81$	$> 0,50$
Hệ số xác định ngoại suy (Tập kiểm tra)	$Q^2_{\text{ext}}$	$0,85$	$> 0,50$
Tỷ lệ mẫu nằm trong miền ứng dụng ($h < h^*$)	Tập Tr / Tập Te	$100%$ ($34/34$ và $11/11$)	Đạt yêu cầu
Khả năng dự đoán nội	-	$88,85%$	Đạt độ tin cậy cao
Khả năng dự đoán ngoại	-	$84,64%$	Đạt độ tin cậy cao

Bảng 1: Kết quả thẩm định thống kê của mô hình QSAR theo tiêu chuẩn OECD.

STT	Mã PubChem CID	Cấu trúc hóa học cốt lõi	$\text{IC}_{50}$ dự đoán ($\mu\text{M}$)	So sánh hoạt tính với SAHA
1	58624316	Dẫn xuất hydroxamic	$0,042486$	Mạnh hơn $60 - 70$ lần
2	Các dẫn xuất khác (Top 14)	Khung acid hydroxamic	Dưới ngưỡng SAHA	Tương đương hoặc mạnh hơn
Đối chứng	SAHA (Vorinostat)	Acid hydroxamic	Đã lưu hành	Chuẩn đối chiếu lâm sàng

Bảng 2: Kết quả sàng lọc ảo các hợp chất tiềm năng ức chế HDAC2 từ PubChem.

Giải pháp và kiến nghị của tác giả:

• Áp dụng phương pháp mô phỏng gắn kết phân tử (Molecular Docking) để khảo sát không gian liên kết 3D và tương tác chelat với ion $\text{Zn}^{2+}$ của 14 hợp chất đã được sàng lọc.
• Triển khai tổng hợp hóa dược và thử nghiệm hoạt tính sinh học in vitro đối với các hợp chất có $\text{IC}_{50}$ dự đoán tối ưu (đặc biệt là 3 chất có hoạt tính dự đoán vượt trội hơn SAHA).

Đóng góp khoa học tự nêu:

• Xây dựng thành công một mô hình 2D-QSAR mới có độ tin cậy cao, tuân thủ chặt chẽ các nguyên tắc quốc tế của OECD, phục vụ dự đoán hoạt tính ức chế HDAC2 mà không đòi hỏi chi phí thực nghiệm ban đầu.
• Đề xuất quy trình sàng lọc in silico 2 bước kết hợp tìm kiếm đồng dạng Tanimoto trên PubChem và lọc hoạt tính qua mô hình QSAR, phát hiện được 14 hợp chất tiềm năng chưa từng được công bố hoạt tính kháng HDAC2 trước đó.

Hạn chế và hướng nghiên cứu tiếp

• Hạn chế đã được văn bản ghi nhận:
  • Cơ sở dữ liệu 45 hợp chất ban đầu được tổng hợp từ 6 công trình khoa học độc lập khác nhau, tuy cùng sử dụng một bộ kit thử nghiệm nhưng vẫn tiềm ẩn nguy cơ sai số ngoại cảnh.
  • Việc giải thích bản chất hóa lý của một số biến ma trận kề cạnh như SM15_AEA(bo), SM08_AEA(dm), SM09_AEA(dm) còn gặp khó khăn do cơ chế hóa lượng tử phức tạp và thiếu tài liệu chuyên khảo chuyên sâu.
  • Nghiên cứu chưa tích hợp phương pháp docking phân tử, dẫn đến việc thiếu thông tin về cấu dạng không gian 3D và cơ chế tương tác trực tiếp giữa phối tử với các acid amin trong túi xúc tác của enzym HDAC2.
• Hướng nghiên cứu tiếp theo:
  • Thực hiện docking phân tử để làm rõ cơ chế tương tác ở mức độ nguyên tử giữa 14 phối tử tiềm năng với enzym HDAC2.
  • Tiến hành thực nghiệm tổng hợp hóa học và đánh giá hoạt tính ức chế enzym in vitro trên các dòng tế bào ung thư thực tế nhằm kiểm chứng tính chính xác của mô hình dự đoán.

Giá trị tham khảo

• Đối tượng thụ hưởng: Sinh viên, học viên cao học và nghiên cứu sinh thuộc các chuyên ngành Dược học, Hóa dược, Hóa tin học (Chemoinformatics), Thiết kế thuốc có máy tính hỗ trợ (CADD), cũng như các nhà nghiên cứu đang phát triển các chất ức chế enzym biểu sinh điều trị ung thư.
• Phần nội dung có giá trị tham khảo cao:
  • Quy trình xử lý dữ liệu và phương pháp xây dựng mô hình QSAR tuyến tính đa biến (MLR) kết hợp thuật giải di truyền (GA) trên bộ ba phần mềm Dragon – Mobydigs – STATISTICA.
  • Phương pháp luận thẩm định mô hình toán học theo 5 tiêu chí của OECD, đặc biệt là cách xác định miền ứng dụng (Applicability Domain) bằng biểu đồ Williams và ngưỡng đòn bẩy $h^*$.
  • Quy trình khai thác cơ sở dữ liệu PubChem để sàng lọc ảo dựa trên hệ số đồng dạng Tanimoto kết hợp dự đoán hoạt tính.

Câu hỏi thường gặp

1. Cơ sở dữ liệu 45 hợp chất ban đầu được lựa chọn dựa trên tiêu chí nào và xử lý ra sao?
Dữ liệu gồm 45 dẫn xuất acid hydroxamic ức chế HDAC2 được trích xuất từ 6 công trình khoa học quốc tế đã công bố. Tiêu chí lựa chọn bắt buộc là tất cả các hợp chất phải có giá trị hoạt tính thực nghiệm $\text{IC}{50}$ được xác định bằng cùng một phương pháp đo lường sinh học (Kit định lượng Bioscience®). Cấu trúc của 45 chất được chuẩn hóa sang chuỗi ký tự SMILES bằng ChemDraw 10.0 và chuyển đổi thành biến số $\log \text{IC}{50}$ bằng Microsoft Excel 2007.

2. Mô hình toán học cuối cùng sử dụng những loại tham số phân tử nào và ý nghĩa dấu của hệ số hồi quy là gì?
Mô hình chứa 6 tham số mô tả phân tử 2D gồm: ATS8m, JGI10, SM15_AEA(bo), SM08_AEA(dm), SM09_AEA(dm) và B06[N-O]. Hệ số hồi quy mang dấu dương (+) (như ATS8m, JGI10) chỉ ra rằng khi giá trị tham số tăng thì $\log \text{IC}{50}$ tăng, đồng nghĩa với hoạt tính ức chế enzym giảm. Ngược lại, hệ số mang dấu âm (-) (như B06[N-O]) thể hiện rằng giá trị tham số tăng sẽ làm giảm $\log \text{IC}{50}$, tức làm tăng hoạt tính ức chế enzym HDAC2.

3. Mô hình QSAR đã được thẩm định độ tin cậy và miền ứng dụng theo tiêu chí OECD như thế nào?
Mô hình thỏa mãn đầy đủ các chỉ số thống kê khắt khe: $R^2 = 0,89$, $Q^2 = 0,81$ (dự đoán nội đạt $88,85%$) và $Q^2_{\text{ext}} = 0,85$ (dự đoán ngoại đạt $84,64%$). Miền ứng dụng được xác định thông qua biểu đồ Williams với phần dư chuẩn trong khoảng $[-3, +3]$ và ngưỡng đòn bẩy $h^* = 0,62$. Toàn bộ 34 hợp chất tập huấn luyện và 11 hợp chất tập kiểm tra đều nằm trong miền ứng dụng, khẳng định các dự đoán ngoại suy là đáng tin cậy.

4. Quy trình sàng lọc ảo trên cơ sở dữ liệu PubChem được thực hiện như thế nào?
Quy trình gồm 2 giai đoạn: Đầu tiên, cấu trúc SMILES của thuốc SAHA (Vorinostat) được dùng làm khuôn mẫu truy vấn trên PubChem bằng công cụ tìm kiếm đồng dạng với hệ số Tanimoto $\ge 0,85$, thu được 120 dẫn xuất hydroxamic chưa từng có dữ liệu ức chế HDAC2. Sau đó, các hợp chất này được tính toán 6 TSPT 2D bằng phần mềm Dragon 6.0 và đưa vào phương trình QSAR để dự đoán giá trị $\text{IC}_{50}$.

5. Kết quả sàng lọc ảo đã phát hiện được những hợp chất nào có tiềm năng vượt trội?
Từ 120 hợp chất sàng lọc được, nghiên cứu đã chọn ra top $10%$ ($14$ hợp chất) có $\text{IC}{50}$ dự đoán thấp nhất. Đáng chú ý, có 3 hợp chất được dự đoán có hoạt tính ức chế HDAC2 mạnh hơn thuốc đối chứng SAHA từ 60 đến 70 lần, tiêu biểu nhất là hợp chất có mã định danh PubChem CID 58624316 với $\text{IC}{50}$ dự đoán đạt $0,042486,\mu\text{M}$.

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Thị Hiền đã xây dựng thành công mô hình 2D-QSAR gồm 6 tham số phân tử nhằm dự đoán định lượng hoạt tính ức chế enzym Histon Deacetylase 2 (HDAC2) trong điều trị ung thư. Mô hình đạt độ tin cậy cao theo các tiêu chuẩn thẩm định của OECD với hệ số xác định $R^2 = 0,89$, độ ổn định $Q^2 = 0,81$ và khả năng dự đoán ngoại $Q^2_{\text{ext}} = 0,85$. Vận dụng mô hình vào quy trình sàng lọc ảo trên cơ sở dữ liệu PubChem, nghiên cứu đã xác định được 14 dẫn xuất acid hydroxamic tiềm năng, trong đó có 3 hợp chất có hoạt tính dự đoán cao hơn thuốc SAHA từ 60 đến 70 lần, tạo tiền đề khoa học giá trị cho các nghiên cứu tổng hợp và thử nghiệm sinh học tiếp theo.

Trích đoạn nội dung tài liệu

MỞ ĐẦU Theo thống kê của tổ chức Y tế giới (WHO), ung thư đã trở thành căn bệnh giết người hàng đầu thế giới, với khoảng 14 triệu ca mới phát hiện và 8,2 triệu trường hợp tử vong mỗi năm (số liệu tính đến hết năm 2012). So với thế giới thì Việt Nam thuộc nhóm nước có tỷ lệ mắc bệnh cao nhất đối với nhiều loại ung thư. ớc tính mỗi năm tại Việt Nam có khoảng 150 - 200 nghìn người phát hiện bị ung thư, trong đó 70.000 trường hợp tử vong. Trước tình hình đó, việc nghiên cứu và phát triển các thuốc mới chống lại ung thư luôn là mối quan tâm hàng đầu của ngành công nghiệp dược phẩm thế giới và Việt Nam.

Tuy nhiên, quá trình nghiên cứu phát triển thuốc nói chung và các thuốc điều trị ung thư nói riêng hiện nay vẫn chủ yếu dựa trên các phương pháp kinh điển hay phương pháp “thử và lỗi” với nhược điểm là tốn thời gian, tiền bạc và cho hiệu quả thấp [22]. Ngoài ra, các thuốc điều trị ung thư hiện đang gặp rất nhiều vấn đề liên quan đến độc tính và tỷ lệ kháng thuốc cao. Do đó yêu cầu cấp bách đặt ra là phải nghiên cứu và phát triển thuốc chống ung thư mới, có tác dụng chọn lọc trên đích phân tử nhằm phát huy tối đa hiệu quả, lâu bị kháng và ít độc hơn. Histon deacetylase (HDAC) là một trong những đích phân tử được ch hiện nay, enzym này x c tác cho quá trình deacetyl hoá nhóm -N acetyl lysine amino acid ở phần đuôi của histon.

Người ta đã chứng minh được trong nhiều tế bào ung thư có sự huy động quá mức các enzym HDAC, gây nên hiện tượng giảm sự acetyl hoá của histon. Các chất ức chế HDAC có thể ngăn chặn quá trình này thông qua việc làm thay đổi biểu hiện gen gây ung thư hay các gen ức chế khối u do gây cường acetyl hóa các protein histone [32]. Hiện nay người ta đã biết đến 18 loại HDAC khác nhau, chia thành 4 nhóm, trong đó HDAC2 thuộc nhóm I được đánh giá là một đích phân tử quan trọng do có vai trò trong quá trình deacetyl hoá của các histon H3K56 và H4K16 xảy ra trong hầu hết các dòng tế bào ung thư người [7,10]. Quá trình nghiên cứu tìm kiếm chất ức chế HDAC nhằm phát triển thành thuốc chống ung thư đã kéo dài hơn một thập kỷ [43].

Các mô hình liên LUAN VAN CHAT LUONG download : add [e-mail] quan mối quan hệ cấu trúc – tác dụng dược lý xuất hiện từ năm 1868, được biết đến là mô hình toán học định lượng mối liên quan tác dụng dược lý và cấu trúc hóa học của hợp chất hay còn gọi là QSAR. Xây dựng mô hình QSAR để dự đoán hoạt tính của những phân tử chưa từng được kiểm tra. Từ đó gi p tìm kiếm các hợp chất hóa học có tác dụng sinh học, tối ưu hóa cấu tr c các hợp chất này nhằm tăng hoạt tính sinh học, giảm độc tính, tăng các tính chất dược động học của thuốc. Phương pháp này nhìn chung nhanh có tính kinh tế và hỗ trợ rất tốt cho các nghiên cứu thực nghiệm, giúp nâng cao tỷ lệ thành công của nghiên cứu.

Từ các vấn đề nêu trên, mục tiêu chung của nghiên cứu này là “Xây dựng mô hình toán học giúp nhận biết chất ức chế enzym histon deacetylase 2 có tác dụng chống ung thư”. Với mục tiêu cụ thể: - Xây dựng mô hình QSAR mới sử dụng phương pháp hồi quy tuyến tính nhằm dự đoán khả năng ức chế HDAC2. - Đánh giá mô hình xây dựng được theo các tiêu chí của Tổ chức kinh tế thế giới (OECD).