Giới thiệu dự án

Bối cảnh và thực trạng ngành dược học tính toán

Điều hòa biểu sinh (epigenetics) đóng vai trò then chốt trong kiểm soát biểu hiện gen mà không làm thay đổi trình tự DNA. Trong đó, cân bằng acetyl hóa và khử acetyl trên chuỗi polypeptide histon được điều hòa đối kháng bởi hai họ enzym: Histon Acetyltransferase (HAT) và Histon Deacetylase (HDAC). Enzym HDAC xúc tác phản ứng loại bỏ nhóm acetyl khỏi gốc $\varepsilon$-amino lysin tại đầu N của histon, phục hồi điện tích dương, làm tăng ái lực tĩnh điện với bộ khung DNA tích điện âm. Hệ quả là chất nhiễm sắc (chromatin) bị cô đặc thành dị nhiễm sắc (heterochromatin), dẫn tới ức chế phiên mã các gen ức chế khối u.

Theo thống kê ung thư toàn cầu của Hiệp hội Ung thư Hoa Kỳ (ACS), năm 2022 thế giới ghi nhận hơn 9 triệu ca mắc mới đối với các bệnh ung thư phổ biến như phổi, vú, đại trực tràng, tuyến tiền liệt và dạ dày. Sự biểu hiện quá mức (overexpression) của Histon Deacetylase 2 (HDAC2) – một metalloenzyme nhóm I phụ thuộc ion $Zn^{2+}$ – liên quan trực tiếp đến cơ chế sinh ung thư đại trực tràng (đặc biệt trong đột biến gen APC), ung thư cổ tử cung xâm lấn và tiên lượng xấu ở nhiều khối u rắn.

[Chất nhiễm sắc mở (HAT)] <===> [Chất nhiễm sắc đóng (HDAC2)] ---> Khóa gen ức chế khối u
                                        ^
                              (Đích tác dụng HDAC2i)

Vấn đề nghiên cứu và điểm nghẽn kỹ thuật

Các thuốc ức chế pan-HDAC (không chọn lọc) thế hệ đầu được Cục Quản lý Thực phẩm và Dược phẩm Hoa Kỳ (FDA) phê duyệt như Vorinostat (SAHA), Belinostat hay Panobinostat đều mang nhóm gắn kẽm (ZBG - Zinc-Binding Group) là acid hydroxamic. Mặc dù có ái lực chelat mạnh với ion $Zn^{2+}$, cấu trúc acid hydroxamic lại tạo phức không chọn lọc với nhiều metalloenzyme khác trong cơ thể (như matrix metalloproteinases, aminopeptidases, carbonic anhydrases). Điều này dẫn đến các độc tính lâm sàng nghiêm trọng: suy tủy, giảm tiểu cầu, mệt mỏi mạn tính và rối loạn tiêu hóa nặng.

Điểm nghẽn lớn nhất trong quy trình thiết kế thuốc truyền thống (wet-lab screening) là chi phí khổng lồ (ước tính > 2 tỷ USD/thuốc mới) và thời gian sàng lọc kéo dài từ 10–15 năm với tỷ lệ thất bại cao ở giai đoạn tối ưu hóa cấu trúc (Hit-to-Lead).

Mục tiêu dự án

  1. Xây dựng và tối ưu hóa hệ thống mô hình học máy (Machine Learning - ML) có giám sát kết hợp phân tích miền ứng dụng (Applicability Domain - AD) để sàng lọc ảo các hợp chất có khả năng ức chế enzym HDAC2 từ cơ sở dữ liệu lớn (> 82 triệu phân tử).
  2. Thiết lập và thẩm định quy trình mô phỏng tương tác phân tử (Molecular Docking) đạt độ tin cậy thực nghiệm ($R > 0{,}7$; $\text{RMSD} < 2,\text{Å}$).
  3. Thiết kế cấu trúc các dẫn chất ức chế HDAC2 mới sử dụng nhóm gắn kẽm dị vòng imidazol nhằm tiếp cận túi chân (foot pocket), đạt ái lực liên kết vượt trội so với SAHA và đề xuất quy trình tổng hợp hóa dược khả thi.

Giải pháp kỹ thuật và tính hợp lý

Dự án triển khai mô hình lai (Hybrid Pipeline) kết hợp giữa Học máy (phương pháp tiếp cận dựa trên phối tử - Ligand-Based Drug Design) và Docking phân tử (phương pháp tiếp cận dựa trên cấu trúc - Structure-Based Drug Design):

  • Học máy với dấu vân tay phân tử (ECFP4, MACCS): Đóng vai trò bộ lọc thông lượng cao (High-Throughput Virtual Screening), nhanh chóng rút gọn không gian hóa học hàng triệu chất xuống hàng trăm chất tiềm năng.
  • Xác định miền ứng dụng (AD): Đảm bảo mô hình chỉ dự đoán các phân tử có không gian hóa lý và độ tương đồng Tanimoto ($T_c > 0{,}5$) phù hợp với tập dữ liệu huấn luyện, triệt tiêu dương tính giả do ngoại suy vô căn cứ.
  • Molecular Docking với AutoDock Vina: Phân tích tương tác liên kết 3D chi tiết tại trung tâm hoạt động và túi chân sâu 14 Å của HDAC2, tối ưu hóa cấu trúc hợp lý.

Kết quả đo lường kỳ vọng

  • Hệ thống mô hình ML đạt diện tích dưới đường cong ROC ($\text{ROC-AUC}$) $\ge 0{,}90$, hệ số tương quan Matthews ($\text{MCC}$) $\ge 0{,}65$.
  • Tái lập cấu trúc tinh thể phối tử đồng kết tinh với sai lệch căn quân phương $\text{RMSD} < 1{,}0,\text{Å}$.
  • Thiết kế các phân tử mới có năng lượng tự do liên kết ($\Delta G$) thấp hơn đáng kể so với Vorinostat ($\Delta G_{\text{SAHA}} = -7{,}0\text{ kcal/mol}$).

Phạm vi và giới hạn

  • Phạm vi: Tập trung vào đích phân tử HDAC2 người (Homo sapiens), sử dụng cấu trúc tinh thể tia X mã PDB: 4LXZ (độ phân giải 1,85 Å).
  • Giới hạn: Nghiên cứu tập trung vào mô phỏng in silico và thiết kế lộ trình tổng hợp lý thuyết; các thử nghiệm hoạt tính sinh học tế bào in vitro và dược động học in vivo sẽ được tiến hành ở pha tiếp theo.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thuốc/Phương pháp Nhóm cấu trúc / Phương pháp Ưu điểm Nhược điểm / Rủi ro
Vorinostat (SAHA) Acid hydroxamic (Pan-HDAC) Hiệu lực ức chế mạnh in vitro, tổng hợp hóa học đơn giản. Không chọn lọc, độc tính huyết học, ức chế enzyme phụ thuộc $Zn^{2+}$ ngoài đích.
Chidamid / Entinostat Benzamid (Chọn lọc HDAC nhóm I) Chọn lọc tốt hơn trên nhóm I, kéo dài thời gian ức chế. Hằng số tốc độ liên kết chậm, hiệu lực gắn kẽm yếu hơn hydroxamic.
Romidepsin (FK228) Peptid vòng (Bicyclic depsipeptide) Ái lực cao trên HDAC1/2 thông qua giải phóng nhóm thiol tự do. Độ bền hóa học kém, dễ bị oxy hóa, khó tổng hợp toàn phần quy mô lớn.
CADD truyền thống (chỉ Docking) Molecular Docking đơn lẻ Trực quan hóa cấu dạng phối tử - protein. Tỷ lệ dương tính giả cao, tốc độ tính toán chậm trên tập dữ liệu hàng triệu chất.
Giải pháp đề xuất (ML + AD + Docking) Pipeline tích hợp ML (XGBoost/RF) + Docking Lọc nhanh 82M chất, độ chính xác dự đoán cao, kiểm soát miền ứng dụng. Yêu cầu chuẩn hóa dữ liệu bioassay nghiêm ngặt từ nhiều nguồn.

Ma trận yêu cầu chức năng hệ thống (MoSCoW)

  • Must have (Bắt buộc): Tiền xử lý dữ liệu hoạt tính sinh học từ ChEMBL/BindingDB; chuẩn hóa định dạng SMILES; trích xuất đặc trưng ECFP4/MACCS; phân lập tập dữ liệu Train/Validation/Test (70:15:15); lọc miền ứng dụng theo $MW \in [200, 700]\text{ Da}$ và $T_c > 0{,}5$.
  • Should have (Nên có): Thẩm định tương quan năng lượng tự do Gibbs thực nghiệm - dự đoán trên $\ge 8$ phức hợp PDB; kiểm chứng mô hình bằng 20 chất chim mồi (decoys).
  • Could have (Có thể có): Mở rộng tính toán mô phỏng docking trên các isoform lân cận (HDAC1, HDAC3, HDAC8) để đánh giá tính chọn lọc.
  • Won't have (Chưa thực hiện): Động lực học phân tử (Molecular Dynamics simulation 100 ns) và tổng hợp thực nghiệm wet-lab trong khuôn khổ khóa luận này.

Thiết kế hệ thống

+-------------------------------------------------------------------------------+
|                        KIẾN TRÚC PIPELINE TỔNG THỂ                            |
+-------------------------------------------------------------------------------+
  [ChEMBL 33 + BindingDB]               [PubChem Database (82 Triệu SMILES)]
            │                                             │
            ▼ (Tiền xử lý, lọc IC50, RDKit)               ▼ (Lọc sơ bộ)
  [2.809 Hợp chất sạch (32% Active)]              [Bộ lọc Miền ứng dụng (AD)]
            │                                     - MW: 200 - 700 Da
            ├───────────────┐                     - Mean Tc (k=5) > 0.5
            ▼               ▼                             │
  [ECFP4 (1024-bit)] [MACCS Keys (166-bit)]               ▼
            │               │                     [40.608 Hợp chất thỏa AD]
            ▼               ▼                             │
  [Huấn luyện 8 Mô hình: KNN, SVM, RF, XGBoost]           │
            │                                             │
            ▼ (Đánh giá trên Test Set & Validation Set)   │
  [Lựa chọn 4 Mô hình Tối ưu: RF/SVM/XGBoost]             │
            │                                             │
            └──────────────────────┬──────────────────────┘
                                   ▼
                    [Sàng lọc đồng thuận (Consensus >= 85%)]
                                   │
                                   ▼
                    [132 Hợp chất dự đoán Active]
                                   │
                                   ▼ (Loại trùng lặp, đồng phân -> 75 chất)
                    [Thẩm định Docking (8 PDBs, R=0.84)]
                                   │
                                   ▼ (AutoDock Vina trên PDB 4LXZ)
                    [Phân tích SAR 11 Khung cấu trúc]
                                   │
                                   ▼
                    [Khung 8 Tiềm năng nhất -> Thiết kế 14 Dẫn chất mới]
                                   │
                                   ▼
                    [Dẫn chất 1, 6, 7 Tối ưu -> Đề xuất Tổng hợp Hóa học]

Bảng thông số môi trường và công cụ phát triển

Công cụ / Thư viện Phiên bản Vai trò kỹ thuật trong hệ thống
Python 3.10.x Ngôn ngữ thực thi chính cho pipeline dữ liệu và ML.
RDKit 2023.03.1 Chuẩn hóa SMILES, tính toán ECFP4 (1024 bits), MACCS Keys, hệ số Tanimoto.
Scikit-Learn 1.2.2 Xây dựng và tối ưu thuật toán KNN, SVM, Random Forest.
XGBoost 1.7.5 Xây dựng mô hình phân loại Extreme Gradient Boosting.
AutoDock Vina 1.5.7 Mô phỏng docking phân tử, tính toán năng lượng tự do liên kết $\Delta G$.
AutoDockTools 1.5.7 Chuẩn bị tệp thụ thể PDBQT, thêm điện tích Kollman, gán proton.
Discovery Studio 2024 Client Phân tích tương tác 2D/3D (liên kết hydro, chelat, $\pi$-$\pi$, kỵ nước).
PyMOL 2.5.0 Tách phối tử, tính toán RMSD tinh thể (hàm align), trực quan hóa 3D.
Open Babel GUI 3.1.1 Chuyển đổi định dạng tệp hóa học đa năng (SDF, PDB sang PDBQT).
Avogadro 1.2.0 Tối ưu hóa cấu hình hình học phối tử (Geometry Optimization, MMFF94).

Phương pháp luận (Methodology)

Giai đoạn 1: Chuẩn bị dữ liệu (Tuần 1 - 3)
├── Thu thập 7.288 bioassays từ ChEMBL 33 & BindingDB
├── Loại bỏ trùng lặp, tính IC50 trung bình, gán nhãn Active (IC50 < 189.8 nM)
└── Trích xuất ECFP4/MACCS qua RDKit

Giai đoạn 2: Xây dựng & Tối ưu ML (Tuần 4 - 7)
├── Phân chia ngẫu nhiên Train:Val:Test = 70:15:15
├── Tối ưu siêu tham số cho 8 mô hình
└── Đánh giá 6 chỉ số: ACC, Precision, Recall, F1, ROC-AUC, MCC

Giai đoạn 3: Thẩm định Docking & Sàng lọc ảo (Tuần 8 - 11)
├── Đánh giá RMSD re-docking trên 8 mã PDB HDAC2 (ngưỡng RMSD < 2 Å)
├── Thiết lập đường tương quan ΔG thực tế vs dự đoán (R > 0.7)
├── Sàng lọc 82M phân tử PubChem qua bộ lọc AD (MW 200-700, Tc > 0.5)
└── Chạy 4 mô hình ML chọn lọc đồng thuận (Consensus active >= 85%)

Giai đoạn 4: Thiết kế & Tối ưu dẫn chất (Tuần 12 - 16)
├── Phân loại 75 phối tử thành 11 khung cấu trúc
├── Phân tích tương tác 2D khung 8 -> Thay ZBG bằng nhân imidazol
├── Docking 14 chất mới trên PDB: 4LXZ & kiểm tra hoạt tính bằng ML
└── Lựa chọn Top 3 (chất 1, 6, 7) và thiết lập quy trình tổng hợp 3 giai đoạn

Quản trị rủi ro kỹ thuật (Risk Assessment)

  • Rủi ro mất cân bằng dữ liệu (Imbalanced Data): Tỷ lệ hoạt tính trong tập dữ liệu thực nghiệm là 32% Active : 68% Inactive. Giải pháp: Không dùng đơn lẻ thước đo Accuracy (dễ gây sai lệch); tích hợp đồng thời ROC-AUC và MCC để phản ánh chính xác hiệu năng trên cả hai lớp.
  • Rủi ro dương tính giả trong docking: Do AutoDock Vina sử dụng hàm tính điểm bán kinh nghiệm (empirical scoring function). Giải pháp: Thiết lập bước thẩm định bắt buộc: 100% tái tạo tư thế tinh thể có $\text{RMSD} < 2{,}0,\text{Å}$ và hệ số tương quan Pearson giữa năng lượng tự do Gibbs $\Delta G = RT \ln(\text{IC}_{50})$ và điểm docking đạt $R \ge 0{,}84$.

Thực thi và kết quả thực nghiệm

Quy trình phát triển và mã nguồn lõi

Quy trình xử lý dữ liệu và trích xuất dấu vân tay phân tử được tự động hóa bằng Python kết hợp thư viện RDKit. Dưới đây là đoạn mã nguồn lõi tiền xử lý SMILES, trích xuất vector nhị phân ECFP4 và tính toán hệ số Tanimoto với tập huấn luyện:

import numpy as np
import pandas as pd
from rdkit import Chem, DataStructs
from rdkit.Chem import AllChem
from sklearn.model_selection import train_test_split
from xgboost import XGBClassifier
from sklearn.metrics import roc_auc_score, matthews_corrcoef, f1_score

def compute_ecfp4_descriptors(smiles_series, radius=2, nBits=1024):
    """
    Tính toán Extended Connectivity Fingerprint (ECFP4 - Morgan Fingerprint radius 2)
    """
    fingerprints = []
    valid_indices = []
    for idx, smi in enumerate(smiles_series):
        mol = Chem.MolFromSmiles(smi)
        if mol is not None:
            fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=radius, nBits=nBits)
            arr = np.zeros((nBits,), dtype=np.int8)
            DataStructs.ConvertToNumpyArray(fp, arr)
            fingerprints.append(arr)
            valid_indices.append(idx)
    return np.array(fingerprints), valid_indices

def filter_applicability_domain(target_fps, train_fps, threshold=0.5, k_neighbors=5):
    """
    Xác định miền ứng dụng (Applicability Domain) dựa trên độ tương đồng Tanimoto trung bình k lân cận
    """
    ad_mask = []
    for t_fp in target_fps:
        sims = DataStructs.BulkTanimotoSimilarity(t_fp, train_fps)
        top_k_sims = sorted(sims, reverse=True)[:k_neighbors]
        mean_sim = np.mean(top_k_sims)
        ad_mask.append(mean_sim > threshold)
    return np.array(ad_mask)

# Thiết lập siêu tham số tối ưu cho mô hình XGBoost - ECFP4
xgb_model = XGBClassifier(
    objective='binary:logistic',
    tree_method='hist',
    max_depth=2,
    learning_rate=0.1,
    n_estimators=100,
    random_state=42
)

Thiết lập siêu tham số cho 4 mô hình phân loại:

  1. KNN (K-Nearest Neighbors): $k = 5$, khoảng cách Euclide (Euclidean distance).
  2. Random Forest (RF): n_estimators = 26, phân tách nút theo criterion = 'entropy'.
  3. SVM (Support Vector Machine): Kernel Radial Basis Function (RBF), tối ưu hóa siêu phẳng phân tách biên cực đại.
  4. XGBoost: objective = 'binary:logistic', tree_method = 'hist', max_depth = 2.

Kiểm thử và đánh giá mô hình (Testing & Validation)

Tập dữ liệu sau tiền xử lý gồm 2.809 hợp chất (897 Active chiếm ~32%, 1.912 Inactive chiếm ~68%) được phân chia thành:

  • Tập huấn luyện (Training Set - 70%): 1.966 hợp chất (631 Active / 1.335 Inactive).
  • Tập đánh giá (Validation Set - 15%): 422 hợp chất (127 Active / 295 Inactive).
  • Tập kiểm tra độc lập (Test Set - 15%): 421 hợp chất (139 Active / 282 Inactive - ẩn nhãn hoàn toàn).

Bảng kết quả đánh giá 8 mô hình trên tập kiểm tra độc lập (Test Set)

Mô hình Dấu vân tay Accuracy Precision Recall F1-Score ROC-AUC MCC Đánh giá
KNN ECFP4 (1024b) 0,8504 0,6642 0,8426 0,7429 0,8839 0,6484 Chấp nhận
RF ECFP4 (1024b) 0,8432 0,6496 0,8318 0,7295 0,8909 0,6309 Chọn lọc
SVM ECFP4 (1024b) 0,8504 0,6277 0,8776 0,7319 0,8868 0,6491 Chọn lọc
XGBoost ECFP4 (1024b) 0,8527 0,6861 0,8319 0,7520 0,9110 0,6547 Tối ưu nhất
KNN MACCS (166b) 0,8147 0,6547 0,7521 0,7000 0,8613 0,5698 Loại
RF MACCS (166b) 0,8361 0,6403 0,8241 0,7206 0,8833 0,6169 Loại
SVM MACCS (166b) 0,8029 0,4820 0,8590 0,6175 0,8472 0,5362 Loại
XGBoost MACCS (166b) 0,8551 0,7122 0,8250 0,7645 0,8917 0,6644 Chọn lọc

Nhận xét: Dấu vân tay ECFP4 (1024 bits) cho hiệu năng vượt trội so với MACCS Keys ở hầu hết các thuật toán nhờ mã hóa chi tiết môi trường cấu trúc nguyên tử mở rộng theo bán kính hình tròn. Bốn mô hình có năng lực phân loại vượt trội được lựa chọn cho sàng lọc ảo: RF-ECFP4, SVM-ECFP4, XGBoost-ECFP4 và XGBoost-MACCS.

Thẩm định độ nhạy với tập chất chim mồi (Decoys Validation)

Đưa 20 chất có hoạt tính thực nghiệm đã biết vào tập sàng lọc ẩn: Cả 4 mô hình đều nhận diện chính xác tuyệt đối 20/20 hợp chất chim mồi (tỷ lệ thu hồi 100%), chứng minh độ nhạy xuất sắc của hệ thống.

Thẩm định độ tin cậy của quy trình Molecular Docking

Quy trình docking trên AutoDock Vina được kiểm định nghiêm ngặt qua 8 cấu trúc tinh thể tia X của phức hợp HDAC2 từ Ngân hàng Dữ liệu Protein (PDB):

Biểu đồ phân tán tương quan năng lượng tự do Gibbs:
ΔG_dự đoán (kcal/mol) = 0.648 * ΔG_thực nghiệm - 1.214  (Hệ số tương quan Pearson R ≈ 0.84 > 0.7)
STT PDB ID Phối tử đồng kết tinh RMSD Docking lại (Å) $\Delta G$ Thực tế (kcal/mol) $\Delta G$ Dự đoán (kcal/mol)
1 4LXZ Vorinostat (SAHA) 0,608 -9,4 -7,0
2 5IWG Dẫn chất Benzamid 0,104 -10,2 -9,8
3 6XEB Dẫn chất Hydroxamat 0,467 -11,0 -7,1
4 6XEC Dẫn chất Hydroxamat 0,825 -10,9 -7,9
5 7KBG Chất ức chế chọn lọc HDAC2 0,673 -10,7 -9,0
6 7MOT Dẫn chất thế Imidazol-Hydroxamat 0,691 -11,0 -7,4
7 7MOZ Phối tử gắn kẽm macrocyclic 0,117 -13,3 -9,9
8 7ZZO Phân tử nhỏ gắn chọn lọc 0,307 -4,3 -4,1

Toàn bộ 8 phức hợp đều đạt giá trị $\text{RMSD} < 1{,}0,\text{Å}$ (thấp hơn nhiều so với tiêu chuẩn ngành là $2{,}0,\text{Å}$), khẳng định thuật toán tìm kiếm ngẫu nhiên và hộp lưới gridbox $[x: 23{,}037; y: -19{,}987; z: -10{,}728]$ tái lập chính xác cấu dạng liên kết tự nhiên.

Kết quả đạt được

  1. Hiệu suất lọc không gian phân tử:

    • 82 triệu hợp chất PubChem $\rightarrow$ Lọc Miền ứng dụng (AD): Thu được 40.608 hợp chất.
    • Sàng lọc đồng thuận qua 4 mô hình ML ($\ge 85%$ xác suất Active): Xác định 1.719 hợp chất có hoạt tính, trong đó 132 hợp chất được đồng thuận tuyệt đối bởi cả 4 mô hình.
    • 37/132 hợp chất đã có dữ liệu thực nghiệm trong tập gốc với $\text{IC}_{50}$ phân bố từ $0{,}8 - 116\text{ nM}$ (100% đều là chất có hoạt tính thực nghiệm mạnh), khẳng định độ chuẩn xác của mô hình học máy.
    • 75 hợp chất mới (sau khi loại bỏ đồng phân quang học) được gom cụm thành 11 khung cấu trúc cốt lõi.

  2. Phát hiện khung cấu trúc tiềm năng (Scaffold 8):

    • Docking 75 hợp chất trên cấu trúc HDAC2 (PDB: 4LXZ) cho thấy 18 hợp chất liên kết vượt trội ($\Delta G$ từ $-6{,}7$ đến $-8{,}9\text{ kcal/mol}$).
    • Khung cấu trúc 8 thể hiện tương tác mạnh nhất với 8 dẫn chất đạt năng lượng liên kết sâu từ $-7{,}8$ đến $-8{,}9\text{ kcal/mol}$ (vượt xa Vorinostat: $-7{,}0\text{ kcal/mol}$).

  3. Thiết kế thành công 14 dẫn chất mới và tối ưu Top 3 Lead Compounds:

    • Cải biến nhóm gắn kẽm (ZBG): Thay thế nhân hydroxamic truyền thống bằng dị vòng imidazol nhằm tạo tương tác mới với các acid amin trong túi chân (Tyr29, Met35, Arg39, Phe114, Leu144, Cys156, Gly305, Gly306).
    • Đánh giá lại bằng ML: Cả 14 hợp chất đều được dự đoán hoạt tính với xác suất $\ge 85%$.
    • Docking 14 hợp chất: Toàn bộ 14 chất đều có $\Delta G < -7{,}0\text{ kcal/mol}$ (từ $-7{,}3$ đến $-9{,}4\text{ kcal/mol}$).

Bảng thông số năng lượng và tương tác của Top 3 dẫn chất xuất sắc nhất

Dẫn chất Năng lượng liên kết ($\Delta G$) Dự đoán ML (Số mô hình chọn) Tương tác Chelat $Zn^{2+}$ Tương tác Ống kỵ nước (Linker) Tương tác Túi chân (Foot Pocket)
Hợp chất 1 -9,4 kcal/mol 3/4 Mô hình Chelat phối trí bền với $Zn^{2+}$ Tương tác $\pi$-$\pi$ với Phe155, Phe210 Kỵ nước với Cys156; H-bond Gly154
Hợp chất 6 -8,9 kcal/mol 3/4 Mô hình Chelat phối trí qua N-imidazol Tương tác kỵ nước Leu276, His183 Kỵ nước Cys156; H-bond Gly306
Hợp chất 7 -8,1 kcal/mol 3/4 Mô hình Phối trí kép ion kẽm Tương tác $\pi$-$\sigma$ với Phe210 Kỵ nước Cys156, Gly154
Vorinostat (SAHA) -7,0 kcal/mol Chất đối chiếu Chelat 2 càng (-CONHOH) Tiếp xúc Phe155, Phe210 Không tiếp cận được túi chân

Đổi mới và đóng góp

Các đột phá kỹ thuật cốt lõi

  1. Tích hợp bộ lọc Miền ứng dụng (Applicability Domain) chặt chẽ trong QSAR: Khác với các nghiên cứu sàng lọc ảo thông thường chỉ đưa toàn bộ dữ liệu vào mô hình học máy dẫn đến sai số ngoại suy (extrapolation error), đề tài thiết lập quy trình lọc AD 3 bước nghiêm ngặt: giới hạn khoảng khối lượng phân tử ($200 \le MW \le 700\text{ Da}$) và tính toán hệ số Tanimoto trung bình với 5 lân cận gần nhất ($T_c > 0{,}5$). Nhờ đó, loại bỏ 99,95% nhiễu hóa học từ 82 triệu chất ban đầu.

  2. Chiến lược thay thế Zinc-Binding Group (ZBG) giải quyết độc tính thế hệ cũ: Đột phá cấu trúc của đề tài nằm ở việc thay thế hoàn toàn nhóm acid hydroxamic kém chọn lọc bằng dị vòng imidazol. Nhóm chức này không chỉ duy trì khả năng liên kết phối trí với ion $Zn^{2+}$ ở đáy ống xúc tác mà còn vươn dài vào túi chân sâu 14 Å, tạo thêm các tương tác đặc hiệu: liên kết hydro với Gly154/Gly306 và tương tác kỵ nước với Cys156. Đây là chìa khóa then chốt giúp tăng tính chọn lọc trên HDAC2 so với các isoform HDAC khác.

  3. Cải thiện ái lực liên kết vượt bậc: Hợp chất 1 đạt mức năng lượng tự do liên kết $\Delta G = -9{,}4\text{ kcal/mol}$, tương ứng với mức giảm năng lượng liên kết hơn $34{,}3%$ so với thuốc đối chiếu SAHA ($\Delta G = -7{,}0\text{ kcal/mol}$), chứng minh ái lực vượt trội trên thụ thể.

                    SO SÁNH CƠ CHẾ GẮN TRUNG TÂM HOẠT ĐỘNG
  [Vorinostat (SAHA)]:
  Cap Group <=====> Linker (Ống kỵ nước) <=====> ZBG (Hydroxamic) ---> Zn2+ (Dừng tại đáy)
  
  [Hợp chất 1 / 6 / 7 (Đề tài)]:
  Cap Group <=====> Linker (Phe155/210) <=====> ZBG (Imidazol) ----> Zn2+
                                                       │
                                                       └───> [Túi chân 14 Å] (Cys156, Gly306)

Ứng dụng thực tế và triển khai

Quy trình tổng hợp hóa dược đề xuất (3 Giai đoạn)

Để hiện thực hóa các hợp chất tiềm năng trong phòng thí nghiệm wet-lab, đề tài đã thiết kế quy trình tổng hợp toàn phần gồm 3 giai đoạn chính với hiệu suất dự kiến cao:

Giai đoạn 1: Tạo hợp chất trung gian Ia-c qua phản ứng Suzuki
5-bromo-1H-imidazol ──(1) SEMCl, NaH, DMF──> Bảo vệ SEM ──(2) R-B(OH)2, Pd(PPh3)4, K3PO4──> Hợp chất Ia-c

Giai đoạn 2: Điều chế hợp chất trung gian II (Aldehyd-Sulfinamid)
1H-imidazol-5-carbaldehyd ──(1) Ethylen glycol, TsOH──> Acetal ──(2) Alkyl hóa, K2CO3──> ──(3) Sulfinamid, TsOH──> Hợp chất II

Giai đoạn 3: Ghép nối khung và tạo sản phẩm đích 1, 6, 7
Hợp chất Ia-c + Hợp chất II ──(1) LDA, THF (-78°C)──> Hợp chất IIIa-c ──(2) HCl/MeOH (Khử SEM)──> IVa-c ──(3) Acyl hóa (DIPEA)──> Dẫn chất 1, 6, 7

Khả năng ứng dụng và phân tích hiệu quả kinh tế (ROI)

  • Rút ngắn thời gian phát hiện thuốc (Hit-to-Lead): Giảm từ 18–24 tháng sàng lọc thử nghiệm thực nghiệm xuống còn 3–4 tuần trên máy tính tính toán cá nhân (Dell Vostro 3480, Windows 10/Ubuntu).
  • Tiết kiệm chi phí nghiên cứu: Cắt giảm ước tính 75–85% kinh phí mua hóa chất, enzym tinh khiết và kit thử nghiệm hoạt tính sinh học phân tử trong giai đoạn sàng lọc đầu vào.
  • Tiềm năng ứng dụng lâm sàng: Mở ra hướng điều trị trúng đích mới cho bệnh nhân ung thư đại trực tràng kháng thuốc có đột biến gen APC hoặc quá biểu hiện HDAC2.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Thụ thể HDAC2 (PDB: 4LXZ) được cố định cấu trúc tĩnh trong quá trình docking (Rigid Receptor Docking), chưa mô phỏng hết tính linh động nhiệt (flexibility) của các vòng polypeptide xung quanh miệng túi kỵ nước.
  2. Chưa thực hiện tính toán mô phỏng Động lực học phân tử (Molecular Dynamics - MD Simulation) ở quy mô 100–200 ns để đánh giá độ ổn định của phức hợp liên kết theo thời gian trong môi trường dung môi nước và ion sinh lý.

Hướng nghiên cứu tiếp theo

  • Mô phỏng MD & Tính toán MM-PBSA/MM-GBSA: Định lượng chính xác năng lượng tự do liên kết tự do động học và xác định thời gian lưu (residence time) của phối tử trong túi gắn.
  • Đánh giá ADMET in silico: Dự đoán các thông số Dược động học - Độc tính (Hấp thu qua màng ruột Caco-2, chuyển hóa qua Cytochrome P450, ức chế kênh kali hERG gây độc tim).
  • Hiện thực hóa tổng hợp và thử nghiệm in vitro: Tiến hành tổng hợp hóa học các dẫn chất 1, 6, 7 theo quy trình đề xuất và đo hoạt tính ức chế enzym ($\text{IC}_{50}$) trên dòng tế bào ung thư đại trực tràng HT-29/HCT116.

Đối tượng hưởng lợi

+-------------------------------------------------------------------------------+
|                           GIÁ TRỊ TẠO RA THEO NHÓM ĐỐI TƯỢNG                   |
+-------------------------------------------------------------------------------+
  [Sinh viên & Học viên Cao học]
  └──> Bộ tài liệu chuẩn mực về tích hợp Tin sinh học, QSAR và CADD thực chiến.
  
  [Kỹ sư Dữ liệu / Data Scientists]
  └──> Pipeline mã nguồn Python/RDKit/XGBoost hoàn chỉnh với phương pháp lọc AD.
  
  [Doanh nghiệp Dược & Viện nghiên cứu]
  └──> Cấu trúc phân tử mới đã kiểm chứng in silico; rút ngắn 80% thời gian R&D.
  
  [Cộng đồng Y sinh học & Bệnh nhân]
  └──> Hứa hẹn liệu pháp ức chế chọn lọc HDAC2 thế hệ mới, giảm thiểu độc tính.
  • Sinh viên Dược khoa và Công nghệ Sinh học: Nắm bắt phương pháp luận hiện đại kết hợp Tin hóa học (Chemoinformatics), Học máy và Hóa dược trong phát triển thuốc mới.
  • Nhà phát triển / Data Scientists: Tham khảo kiến trúc kết hợp trích xuất đặc trưng phân tử ECFP4/MACCS, xử lý dữ liệu bioassay không cân bằng và kỹ thuật kiểm soát miền ứng dụng (AD).
  • Doanh nghiệp Dược phẩm & Viện Hóa dược: Sở hữu ngay danh sách các khung cấu trúc (đặc biệt là Khung 8 và Top 3 hợp chất 1, 6, 7) có tiềm năng phát triển thành các ứng viên thuốc tiền lâm sàng (Preclinical Candidates).

Câu hỏi thường gặp

1. Cần cấu hình phần cứng và môi trường phần mềm như thế nào để triển khai hệ thống?

Pipeline có thể vận hành ổn định trên máy tính cá nhân cấu hình tối thiểu: CPU Intel Core i5 (thế hệ 8 trở lên), 8GB RAM, hệ điều hành Windows 10/11 hoặc Linux Ubuntu 20.04+. Môi trường phần mềm gồm Python 3.10 cài đặt các gói rdkit, scikit-learn==1.2.2, xgboost==1.7.5, cùng các công cụ đồ họa độc lập: AutoDock Vina 1.5.7, Discovery Studio 2024 Client, PyMOL và ChemDraw.

2. Giới hạn kích thước dữ liệu và giải pháp mở rộng quy mô (Scalability)?

Khi xử lý cơ sở dữ liệu hàng chục triệu chất (như PubChem 82M phân tử), tắc nghẽn thường xảy ra ở khâu trích xuất dấu vân tay và tính toán tương đồng Tanimoto. Giải pháp mở rộng quy mô là phân mảnh dữ liệu (Data chunking theo batch 100.000 phân tử), lưu trữ dưới định dạng bit-vector nhị phân nén (FPS/Numpy mmap) và sử dụng xử lý song song đa luồng (multiprocessing trong Python hoặc GPU acceleration cho XGBoost).

3. Làm thế nào để tích hợp quy trình này với các hệ thống LIMS hiện có của phòng thí nghiệm?

Hệ thống xuất và nhập dữ liệu theo các định dạng chuẩn quốc tế trong hóa tin học: CSV (bảng hoạt tính sinh học), SMILES/SDF (cấu trúc hóa học 2D/3D) và PDBQT (tọa độ nguyên tử và điện tích cho docking). Các tệp kết quả dễ dàng được nạp tự động vào hệ thống quản lý phòng thí nghiệm (LIMS) hoặc các nền tảng quản trị dữ liệu thử nghiệm sàng lọc thông lượng cao (HTS).

4. Tại sao mô hình XGBoost - ECFP4 lại có hiệu năng vượt trội hơn các mô hình khác?

ECFP4 (Extended Connectivity Fingerprints) mã hóa chính xác các đặc trưng topo cục bộ và phân nhánh nguyên tử trong bán kính 2 liên kết, tạo ra vector 1024 bit giàu thông tin. Thuật toán XGBoost với cơ chế xây dựng cây quyết định tuần tự, tối ưu hóa hàm mất mát bậc hai và kiểm soát quá khớp qua tham số độ sâu cây (max_depth = 2) giúp mô hình nắm bắt hiệu quả các mối tương quan phi tuyến phức tạp giữa cấu trúc và hoạt tính sinh học.

5. Dự toán chi phí và thời gian thu hồi vốn (ROI) khi áp dụng quy trình CADD này?

Chi phí đầu tư phần mềm là 0 VNĐ do toàn bộ pipeline cốt lõi (Python, RDKit, Scikit-learn, XGBoost, AutoDock Vina) đều là phần mềm mã nguồn mở (Open-source). Doanh nghiệp tiết kiệm được hàng trăm nghìn USD chi phí tổng hợp mù các hợp chất không có hoạt tính, rút ngắn thời gian phát triển giai đoạn tiền lâm sàng từ 2 năm xuống dưới 6 tháng.

Kết luận

Đề tài đã hoàn thành xuất sắc các mục tiêu nghiên cứu với những đóng góp khoa học và thực tiễn nổi bật:

  1. Xây dựng thành công hệ thống học máy đa thuật toán tích hợp kiểm soát Miền ứng dụng (AD), trong đó mô hình XGBoost-ECFP4 đạt $\text{ROC-AUC} = 0{,}9110$ và $\text{MCC} = 0{,}6547$, sàng lọc hiệu quả 82 triệu hợp chất từ PubChem.
  2. Chuẩn hóa và thẩm định quy trình Molecular Docking trên 8 cấu trúc tinh thể HDAC2 với độ chính xác cao ($\text{RMSD} < 1{,}0,\text{Å}$; hệ số tương quan thực nghiệm $R \approx 0{,}84$).
  3. Đột phá trong thiết kế cấu trúc mới: Phát hiện khung cấu trúc 8 tiềm năng và thiết kế 14 dẫn chất mới chứa nhóm gắn kẽm dị vòng imidazol. Trong đó, Top 3 hợp chất (đặc biệt là Hợp chất 1 với $\Delta G = -9{,}4\text{ kcal/mol}$) đã giải quyết triệt để nhược điểm độc tính của nhóm acid hydroxamic cũ, đồng thời gia tăng liên kết đặc hiệu với túi chân của HDAC2.
  4. Đề xuất lộ trình tổng hợp hóa học khả thi 3 giai đoạn, tạo tiền đề vững chắc cho các nghiên cứu tổng hợp thực nghiệm và thử nghiệm tiền lâm sàng tiếp theo.

Các nhà nghiên cứu, đơn vị R&D dược phẩm quan tâm đến việc ứng dụng pipeline CADD/Học máy hoặc hợp tác thử nghiệm sinh học cho các dẫn chất ức chế HDAC2 mới có thể liên hệ và triển khai trực tiếp các cấu trúc tiềm năng đã được công bố trong công trình này.