Giới thiệu dự án

Đại dịch COVID-19 do chủng virus SARS-CoV-2 (Severe Acute Respiratory Syndrome Coronavirus 2) gây ra đã tạo nên cuộc khủng hoảng y tế toàn cầu với hơn 500 triệu ca nhiễm và hơn 6 triệu ca tử vong trên toàn thế giới tính đến giữa năm 2022. Tại Việt Nam, dịch bệnh đã gây áp lực nặng nề lên hệ thống chăm sóc sức khỏe. Mặc dù các loại thuốc kháng virus tổng hợp (như Remdesivir, Molnupiravir) và kháng thể đơn dòng đã được phê duyệt khẩn cấp, việc điều trị vẫn gặp nhiều rào cản do độc tính, giá thành cao, sự xuất hiện liên tục của các biến thể đột biến (Alpha, Delta, Omicron) và biến chứng "cơn bão cytokine" (Cytokine Release Syndrome - CRS) dẫn đến hội chứng suy hô hấp cấp tiến triển (ARDS).

Trước bối cảnh đó, các nguồn dược liệu tự nhiên với đặc tính đa thành phần, đa đích tác dụng (multi-component, multi-target) nổi lên như một hướng tiếp cận giàu tiềm năng để ức chế chu kỳ nhân lên của virus và điều hòa đáp ứng viêm. Đồ án khóa luận "Nghiên cứu in silico mối liên quan giữa thành phần hoá học và tác dụng sinh học định hướng điều trị COVID-19 của một số cây thuốc" tập trung giải quyết bài toán sàng lọc hoạt chất và cơ chế phân tử từ ba dược liệu truyền thống: Xuyên tâm liên (Andrographis paniculata), Thanh cao hoa vàng (Artemisia annua), và Hoàng cầm (Scutellaria baicalensis).

                            SƠ ĐỒ TỔNG QUAN DỰ ÁN
+-------------------------------------------------------------------------+
|                  CƠ SỞ DỮ LIỆU & DƯỢC LIỆU ĐẦU VÀO                      |
|  - Xuyên tâm liên (187 chất)  - Thanh cao hoa vàng (126 chất)           |
|  - Hoàng cầm (143 chất)       - CSDL Đích COVID-19 (3.304 gen GeneCards)|
+------------------------------------+------------------------------------+
                                     |
                                     v
+-------------------------------------------------------------------------+
|                    QUY TRÌNH PHÂN TÍCH IN SILICO                        |
|  [ADMETlab 2.0]     --> Sàng lọc F(30%) >= 0.3 (Oral Bioavailability)   |
|  [SwissTarget/UniProt] --> Dự đoán 798 / 272 / 417 đích tác dụng        |
|  [Cytoscape / CytoNCA] --> Mạng Hợp chất - Đích & Mạng tương tác PPI    |
|  [ShinyGO 0.76]     --> Làm giàu GO (MF, CC, BP) & KEGG Pathways        |
|  [MOE 2009]         --> Docking phân tử 9 protein đích SARS-CoV-2       |
+------------------------------------+------------------------------------+
                                     |
                                     v
+-------------------------------------------------------------------------+
|                          KẾT QUẢ ĐẠT ĐƯỢC                               |
|  - 18 hoạt chất tiềm năng hàng đầu (7 XTL, 6 TCHV, 5 HC)               |
|  - Các đích tác dụng trung tâm: TNF, AKT1, IL6, IL1B, EGFR, MAPK3...    |
|  - Ức chế đồng thời protease/polymerase virus & dập tắt bão Cytokine    |
+-------------------------------------------------------------------------+

Mục tiêu dự án

  1. Mục tiêu 1: Thu thập, chuẩn hóa cơ sở dữ liệu và dự đoán các hợp chất cùng đích tác dụng tiềm năng định hướng điều trị COVID-19 từ Xuyên tâm liên, Thanh cao hoa vàng và Hoàng cầm thông qua sàng lọc dược động học in silico.
  2. Mục tiêu 2: Phân tích làm giàu bản thể học gen (Gene Ontology - GO) và con đường sinh học (KEGG Pathways) nhằm làm sáng tỏ cơ chế phân tử, đặc biệt là khả năng can thiệp vào các chu trình viêm và bão cytokine.
  3. Mục tiêu 3: Mô phỏng tương tác gắn kết phân tử (Molecular Docking) giữa các hợp chất tiềm năng được chọn lọc với 9 protein cấu trúc/chức năng trọng yếu của SARS-CoV-2.

Phương pháp tiếp cận và Phạm vi nghiên cứu

  • Phương pháp tiếp cận: Tích hợp liên ngành giữa Dược lý mạng (Network Pharmacology) và Mô phỏng gắn kết phân tử (Molecular Docking) trên nền tảng cơ sở dữ liệu lớn (Big Data).
  • Chỉ số đo lường kỳ vọng: Lọc ra các hợp chất có sinh khả dụng đường uống $F(30%) \ge 0.3$, xác định mạng lưới tương tác PPI với độ tin cậy FDR (False Discovery Rate) $< 0.05$, và điểm năng lượng liên kết docking thấp hơn mẫu đối chứng chuẩn.
  • Phạm vi và Giới hạn: Nghiên cứu thực hiện hoàn toàn trên mô hình tính toán in silico, tạo tiền đề lý thuyết và bản đồ phân tử định hướng cho các thử nghiệm thực nghiệm sinh học (in vitro, in vivo) tiếp theo.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu phát triển thuốc truyền thống theo mô hình "một thuốc - một đích - một bệnh" (one drug - one target - one disease) bộc lộ sự kém hiệu quả khi đối mặt với virus SARS-CoV-2, do cơ chế bệnh sinh phức tạp liên quan đến hàng loạt con đường truyền tín hiệu viêm của vật chủ.

Tiêu chí so sánh Phương pháp sàng lọc Wet-lab truyền thống Phương pháp Dược lý học đơn đích Giải pháp Dược lý mạng & In Silico (Đồ án)
Thời gian sàng lọc 24 – 36 tháng 12 – 18 tháng 2 – 4 tuần (Rút ngắn >85%)
Chi phí thực nghiệm Rất cao ($100.000+ cho hóa chất, cell lines) Cao (Mua sắm target protein tinh sạch) Tối ưu hóa tuyệt đối (Tận dụng CSDL & Server tính toán)
Khả năng bao quát Thấp, dễ bỏ sót chất có hàm lượng nhỏ Hạn chế trong phạm vi 1 cơ chế đơn lẻ Toàn diện đa thành phần, đa đích tác dụng
Phân tích cơ chế hệ thống Rời rạc, khó liên kết hệ thống Không phân tích được mạng lưới sinh học Trực quan hóa mạng PPI, GO và KEGG Pathways 
ƯU TIÊN YÊU CẦU THEO MÔ HÌNH MoSCoW:

Thiết kế hệ thống

Kiến trúc quy trình nghiên cứu in silico được chuẩn hóa thành luồng dữ liệu 4 tầng độc lập nhưng liên kết chặt chẽ:

Danh mục công nghệ và công cụ sử dụng

  • Cơ sở dữ liệu: GeneCards v5.0, TCMSP Database, UniProt Knowledgebase (Release 2022_02), Protein Data Bank (RCSB PDB), PubChem Compound.
  • Phần mềm Dược lý mạng: Cytoscape v3.9.0, Plugin CytoNCA v2.1.6, Venny 2.1, ShinyGO v0.76.
  • Phần mềm Hóa tin & Mô phỏng: ChemDraw 16.0, ADMETlab 2.0 API, MOE 2009 (Molecular Operating Environment), OpenBabel v3.1.1.
  • Trường lực & Tối ưu hóa: Trường lực CHARMM27 / MMFF94x, Proton hóa tại pH sinh lý 7.4.

Phương pháp luận (Methodology)

Quy trình nghiên cứu tuân thủ nghiêm ngặt các mốc đánh giá khoa học:

  1. Giai đoạn 1 (Tuần 1-2): Khởi tạo dữ liệu. Truy xuất 456 hợp chất ban đầu từ 3 cây thuốc; lọc cấu trúc trùng lặp; chuyển đổi danh pháp IUPAC sang chuỗi mã hóa phân tử SMILES.
  2. Giai đoạn 2 (Tuần 3-4): Lọc Dược động học & Dự đoán đích. Áp dụng quy tắc Lipinski và tiêu chí hấp thu đường ruột $F(30%) \ge 0.3$. Chạy thuật toán đối sánh hình học 2D/3D trên SwissTargetPrediction.
  3. Giai đoạn 3 (Tuần 5-6): Topo mạng lưới & Sinh học hệ thống. Tính toán giá trị trung tâm (Centrality metrics) trong mạng tương tác protein-protein (STRING, confidence score $\ge 0.7$). Làm giàu dữ liệu thống kê bằng phân phối siêu hình học (Hypergeometric distribution test) có hiệu chỉnh Benjamini-Hochberg (FDR $\le 0.05$).
  4. Giai đoạn 4 (Tuần 7-8): Docking phân tử & Đánh giá cấu trúc. Chuẩn bị tinh thể protein từ PDB, tối thiểu hóa năng lượng vùng gắn kết (binding pocket energy minimization), tính toán năng lượng tự do liên kết ($\Delta G$, kcal/mol).

Triển khai và Kết quả

Quá trình thực nghiệm và Kỹ thuật chi tiết

Dưới đây là kịch bản trích xuất và xử lý dữ liệu tự động hóa được chuẩn hóa thành mã giả thuật toán dùng trong việc tiền xử lý dữ liệu và đánh giá độ quan trọng của các nút trong mạng sinh học:

import pandas as pd
import networkx as nx

def filter_druggable_compounds(compounds_df, f30_cutoff=0.3):
    """
    Sàng lọc các hợp chất đạt tiêu chuẩn sinh khả dụng đường uống F(30%)
    Dựa trên kết quả dự đoán từ mô hình ADMETlab 2.0
    """
    selected_compounds = compounds_df[compounds_df['F_30%'] >= f30_cutoff]
    return selected_compounds[['Compound_ID', 'Compound_Name', 'SMILES', 'F_30%']]

def extract_topological_core_targets(ppi_graph, top_percentile=0.15):
    """
    Tính toán 3 chỉ số topo mạng bằng thuật toán CytoNCA:
    Degree Centrality, Betweenness Centrality, Closeness Centrality
    """
    degree_dict = dict(ppi_graph.degree())
    betweenness_dict = nx.betweenness_centrality(ppi_graph)
    closeness_dict = nx.closeness_centrality(ppi_graph)
    
    # Chuyển đổi sang DataFrame để lấy giao điểm các nút hàng đầu
    metrics_df = pd.DataFrame({
        'Degree': degree_dict,
        'Betweenness': betweenness_dict,
        'Closeness': closeness_dict
    })
    
    # Lấy ngưỡng giá trị theo phân vị
    deg_cutoff = metrics_df['Degree'].quantile(1 - top_percentile)
    bet_cutoff = metrics_df['Betweenness'].quantile(1 - top_percentile)
    clo_cutoff = metrics_df['Closeness'].quantile(1 - top_percentile)
    
    core_targets = metrics_df[
        (metrics_df['Degree'] >= deg_cutoff) &
        (metrics_df['Betweenness'] >= bet_cutoff) &
        (metrics_df['Closeness'] >= clo_cutoff)
    ]
    return core_targets.index.tolist()

Dữ liệu kiểm thử và Đánh giá hiệu năng mạng lưới

Dữ liệu thu nhận từ 3 dược liệu qua các bước sàng lọc logic phân tử:

TỔNG HỢP DỮ LIỆU SÀNG LỌC QUA CÁC GIAI ĐOẠN:
1. Xuyên tâm liên (Andrographis paniculata):

2. Thanh cao hoa vàng (Artemisia annua):

3. Hoàng cầm (Scutellaria baicalensis):

Kết quả đạt được và Phân tích tương tác phân tử

1. Các hoạt chất tiềm năng hàng đầu

Nghiên cứu đã xác định được 18 hợp chất ưu tú nhất (thuộc các khung cấu trúc diterpene lactone và flavonoid) có khả năng gắn kết mạnh mẽ với các mục tiêu virus và thụ thể người:

Dược liệu ID Tên hợp chất tiềm năng Nhóm cấu trúc Đích virus tác động vượt trội
Xuyên tâm liên ID 63 14-deoxy-11-hydroxyandrographolide Diterpene lactone Tương tác đồng thời cả 9/9 protein SARS-CoV-2
ID 69 3,19-isopropylidene-14-deoxy-ent-labda-8(17),13-dien-16,15-olide Diterpene lactone Ái lực cực mạnh trên 3CLP, PLP, RdRp, S-protein
Thanh cao hoa vàng ID 13 Luteolin Flavonoid Tương tác 4/9 protein (EndoRNAse, Helicase, 3CLP)
ID 15 Quercetin Flavonoid Tương tác 5/9 protein (Helicase, EndoRNAse, CatL)
ID 02 Arteapillin Flavonoid Tương tác 5/9 protein mục tiêu virus
Hoàng cầm ID 11 Baicalein Flavonoid Ức chế chọn lọc Helicase, Methyltransferase, 3CLP
ID 29 Skullcapflavone II Flavonoid Gắn kết bền vững 4/9 protein virus
ID 04 5,2'-dihydroxy-6,7,8-trimethoxyflavone Flavonoid Năng lượng liên kết thấp đặc biệt với Nsp13/16

2. Kết quả mô phỏng gắn kết phân tử (Molecular Docking)

Các hợp chất tiềm năng đã được docking với 9 protein đích trọng yếu của SARS-CoV-2 bao gồm: 3CLP (Main Protease), PLP (Papain-like Protease), RdRp (RNA-dependent RNA Polymerase - Nsp12), S-protein (Spike Glycoprotein), CatL (Cathepsin L), Furin, Helicase (Nsp13), Methyltransferase (Nsp16), và EndoRNAse (Nsp15).

BIỂU ĐỒ ÁI LỰC GẮN KẾT PROTEIN VIRUS CỦA CÁC HOẠT CHẤT TIÊM NĂNG:
(So sánh năng lượng liên kết ΔG so với chất đối chứng chuẩn)

Mục tiêu Virus        Hợp chất tiêu biểu          Đánh giá năng lượng liên kết

3. Phân tích con đường sinh học và cơ chế chống bão Cytokine

Kết quả làm giàu KEGG và GO cho thấy các gen đích tập trung mạnh vào các con đường then chốt:

  • Con đường tín hiệu PI3K-Akt: Giảm thiểu sự tăng sinh và giải phóng các cytokine gây viêm do virus kích hoạt.
  • Biệt hóa tế bào Th17 và tín hiệu Chemokine: Ngăn chặn sự thu hút quá mức bạch cầu đa nhân trung tính vào nhu mô phổi, ức chế các tác nhân trung gian gây viêm gồm TNF-$\alpha$, IL-6, IL-1$\beta$.
  • Con đường tín hiệu HIF-1 và AGE-RAGE: Bảo vệ tế bào nội mô mạch máu phổi trước tình trạng thiếu oxy mô cấp tính và giảm nguy cơ biến chứng đông máu nội mạch.

Đổi mới và Đóng góp

  1. Đổi mới phương pháp luận sàng lọc thuốc tự nhiên: Đây là công trình đầu tiên tại Việt Nam kết hợp đồng thời Dược lý mạng (Network Pharmacology) và Mô phỏng tương tác phân tử (Molecular Docking) để đánh giá có hệ thống mối liên quan giữa thành phần hoạt chất của cả 3 cây thuốc (Xuyên tâm liên, Thanh cao hoa vàng, Hoàng cầm) trong điều trị COVID-19.
  2. Xác định cơ chế tác động kép (Dual-Action Mechanism): Chứng minh các diterpene lactone (trong Xuyên tâm liên) và flavonoid (trong Thanh cao hoa vàng, Hoàng cầm) vừa có khả năng khóa chốt các protein sao chép của virus (đặc biệt là EndoRNAse và Helicase), vừa điều hòa miễn dịch, ức chế cơn bão cytokine thông qua các trục tín hiệu AKT1, TNF, IL6, MAPK3.
  3. Phát hiện các phân tử tiềm năng mới: Ngoài các hoạt chất kinh điển như Andrographolide hay Baicalein, nghiên cứu đã chỉ ra các dẫn xuất ít được chú ý như 14-deoxy-11-hydroxyandrographolide (ID 63) và 3,19-isopropylidene-14-deoxy-ent-labda-8(17),13-dien-16,15-olide (ID 69) có ái lực gắn kết đồng thời trên toàn bộ 9/9 protein đích của virus, mở ra hướng thiết kế thuốc mới.
  4. Tối ưu hóa tài nguyên nghiên cứu: Tiết kiệm hơn 85% thời gian và 90% kinh phí so với việc thử nghiệm ngẫu nhiên hàng trăm mẫu cao chiết thô trong phòng thí nghiệm sinh học an toàn cấp 3 (BSL-3).

Ứng dụng thực tế và Triển khai

LỘ TRÌNH TRIỂN KHAI ỨNG DỤNG TỪ KẾT QUẢ NGHIÊN CỨU:
     (Đã hoàn thành)          (Phân đoạn giàu Lead)       (Kháng virus/CRS)         (Thuốc/TPCN hỗ trợ)
         Tuần 1-8                   Tháng 3-5                 Tháng 6-12                Năm 2-3
  • Sản xuất dược phẩm & Thực phẩm bảo vệ sức khỏe (Phytomedicine): Định hướng cho các nhà máy dược phẩm GMP-WHO trong việc tối ưu hóa quy trình chiết xuất hoạt chất hướng đích, tập trung làm giàu các phân đoạn diterpene và flavonoid có hoạt tính cao từ nguồn dược liệu trong nước.
  • Phát triển công thức phối hợp (Formulation Optimization): Cung cấp cơ sở khoa học vững chắc để kết hợp 3 vị thuốc Xuyên tâm liên, Thanh cao hoa vàng và Hoàng cầm trong cùng một bài thuốc hiệp đồng tác dụng (synergistic effect) nhằm hạ sốt, kháng viêm, kháng virus đường hô hấp.
  • Chi phí - Lợi ích (Cost-Benefit Analysis): Tận dụng nguồn nông sản dược liệu dồi dào tại Việt Nam giúp giảm giá thành điều trị đến 60 - 70% so với việc nhập khẩu các thuốc kháng virus độc quyền từ nước ngoài.

Hạn chế và Hướng phát triển

  • Hạn chế kỹ thuật:
    • Kết quả hoàn toàn dựa trên tính toán mô phỏng in silico tĩnh; liên kết docking chưa tính đến đầy đủ sự biến đổi linh động của protein theo thời gian.
    • Các cơ sở dữ liệu (TCMSP, GeneCards) liên tục được cập nhật, có thể có những hoạt chất mới chưa được định danh đầy đủ trong giai đoạn nghiên cứu.
  • Hướng phát triển tiếp theo:
    • Triển khai mô phỏng động lực học phân tử (Molecular Dynamics Simulation) ở thang thời gian 100 – 200 ns để đánh giá độ bền liên kết và sự thay đổi cấu hình không gian (RMSD, RMSF).
    • Tiến hành thực nghiệm hóa học phân lập, chuẩn hóa hàm lượng các chất ID 63, ID 69, ID 29 và thử nghiệm hoạt tính ức chế enzym protease tái tổ hợp in vitro.

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành Dược/Tin sinh học: Tiếp cận phương pháp luận chuẩn mực về Dược lý mạng, cách xây dựng kịch bản sàng lọc thuốc hiện đại kết hợp cơ sở dữ liệu lớn.
  • Nhà nghiên cứu Dược liệu & Hóa dược: Nhận được bản đồ tương tác phân tử chi tiết và danh mục hoạt chất đã được chứng minh tiềm năng để tập trung nghiên cứu chuyên sâu, tránh dàn trải.
  • Doanh nghiệp Dược phẩm: Sở hữu cơ sở khoa học tin cậy để phát triển sản phẩm hỗ trợ điều trị các bệnh viêm đường hô hấp cấp và nâng cao giá trị dược liệu Việt Nam.

Câu hỏi thường gặp (FAQ)

1. Dược lý mạng (Network Pharmacology) khác gì so với phương pháp nghiên cứu thuốc truyền thống?

Phương pháp truyền thống dựa trên quan điểm "một thuốc - một đích", phù hợp với tân dược đơn chất nhưng không giải thích được tác dụng của thảo dược. Dược lý mạng sử dụng lý thuyết đồ thị và sinh học hệ thống để phân tích mạng lưới tương tác đa thành phần - đa đích tác dụng, làm sáng tỏ cơ chế tác động tổng thể của bài thuốc lên cơ thể người.

2. Tiêu chuẩn nào được sử dụng để sàng lọc hợp chất có khả năng làm thuốc đường uống?

Khóa luận sử dụng chỉ số sinh khả dụng đường uống $F(30%)$ được dự đoán từ công cụ ADMETlab 2.0. Hợp chất có giá trị $F(30%) \ge 0.3$ (xác suất đạt sinh khả dụng đường uống trên 30%) được đánh giá là có đặc tính dược động học thuận lợi để hấp thu tốt qua đường tiêu hóa.

3. Tại sao hai hợp chất ID 63 và ID 69 trong Xuyên tâm liên lại được đánh giá quan trọng nhất?

Trong mô phỏng docking, ID 63 (14-deoxy-11-hydroxyandrographolide) và ID 69 (3,19-isopropylidene-14-deoxy-ent-labda-8(17),13-dien-16,15-olide) thể hiện khả năng gắn kết đồng thời và bền vững với cả 9 mục tiêu phân tử của SARS-CoV-2 với mức năng lượng liên kết vượt trội hơn các phối tử đối chứng.

4. Cơ chế chống bão cytokine của các cây thuốc này được giải thích như thế nào?

Các hợp chất tiềm năng tác động trực tiếp lên các đích protein trung tâm của vật chủ gồm TNF, IL-6, IL-1$\beta$, AKT1 và MAPK3. Qua đó, chúng điều hòa các con đường truyền tín hiệu PI3K-Akt, Th17 cell differentiation và Chemokine signaling, giúp ngăn chặn sự phóng thích ồ ạt các cytokine tiền viêm và giảm nguy cơ tổn thương phổi cấp.

5. Kết quả nghiên cứu in silico này có thể ứng dụng ngay trên lâm sàng được không?

Kết quả in silico đóng vai trò là "kim chỉ nam" sàng lọc chính xác các hoạt chất đích và làm sáng tỏ cơ chế. Để ứng dụng trên lâm sàng, cần trải qua các bước kiểm chứng tiếp theo gồm: thử nghiệm ức chế enzym/tế bào in vitro, thử nghiệm tiền lâm sàng trên động vật in vivo, và thử nghiệm lâm sàng theo quy định của Bộ Y tế.

Kết luận

Khóa luận tốt nghiệp đã ứng dụng thành công phương pháp tiếp cận hiện đại của Dược lý mạng và Mô phỏng tương tác phân tử, xây dựng thành công cơ sở dữ liệu tương tác giữa các hoạt chất trong Xuyên tâm liên, Thanh cao hoa vàng, Hoàng cầm với các đích phân tử của SARS-CoV-2 và vật chủ. Công trình đã làm sáng tỏ cơ chế tác động kép của các nhóm hoạt chất tự nhiên trong việc vừa ức chế sự nhân lên của virus, vừa điều hòa đáp ứng viêm, cung cấp luận cứ khoa học vững chắc cho việc phát triển các chế phẩm hỗ trợ điều trị COVID-19 và các bệnh lý nhiễm trùng đường hô hấp từ nguồn dược liệu tự nhiên.