Giới thiệu dự án

Dịch bệnh COVID-19 do virus SARS-CoV-2 gây ra đã tạo nên cuộc khủng hoảng y tế toàn cầu với hơn 533 triệu ca nhiễm và 6,3 triệu ca tử vong tính đến tháng 6/2022. Trong bối cảnh các biến thể mới liên tục xuất hiện làm suy giảm hiệu lực của vaccine, việc phát triển các liệu pháp phân tử nhỏ kháng virus đường uống trở thành ưu tiên hàng đầu của ngành công nghiệp dược phẩm. Tuy nhiên, quy trình nghiên cứu và phát triển (R&D) thuốc truyền thống kéo dài trung bình 14 năm với chi phí lên đến 800 triệu USD, khiến việc ứng phó khẩn cấp với đại dịch gặp nhiều rào cản.

+-------------------------------------------------------------------------+
|                  KHỦNG HOẢNG NGHIÊN CỨU DƯỢC PHẨM TRUYỀN THỐNG          |
|  Thời gian R&D: ~14 năm  |  Chi phí: ~800 triệu USD  |  Tỷ lệ thất bại: >90% |
+-------------------------------------------------------------------------+
                                    │
                                    ▼ (Giải pháp CADD & Mô phỏng MD)
+-------------------------------------------------------------------------+
|                QUY TRÌNH PHÁT HIỆN THUỐC ỨC CHẾ SARS-CoV-2               |
|   Sàng lọc 7,3M hợp chất  --->  Top 30 Docking  --->  Top Leads (MD/MM-GBSA)   |
|   Thời gian: Vài tuần     |  Chi phí tối thiểu  |  Độ tin cậy cấu trúc cao |
+-------------------------------------------------------------------------+

Vấn đề nghiên cứu thực tế

  1. Nguy cơ kháng thuốc do đột biến: Hầu hết các thuốc kháng virus hiện nay chỉ nhắm vào một đích phân tử đơn lẻ hoặc protein gai (Spike protein) - vị trí có tần suất đột biến rất cao.
  2. Hạn chế của thuốc ức chế dạng peptidomimetic/cộng hóa trị: Các hoạt chất ức chế cộng hóa trị truyền thống có nguy cơ phản ứng chéo với protease của tế bào chủ, dẫn đến độc tính cao và sinh khả dụng đường uống thấp.
  3. Chi phí sàng lọc thực nghiệm khổng lồ: Sàng lọc thông lượng cao (High-Throughput Screening - HTS) hàng triệu phân tử trong phòng thí nghiệm đòi hỏi ngân sách vượt khả năng của phần lớn các cơ sở nghiên cứu.

Mục tiêu dự án

  1. Xây dựng quy trình sàng lọc ảo đa tầng: Tích hợp mô hình hồi quy định lượng cấu trúc - tác dụng (2D QSAR), mô phỏng gắn kết phân tử (Molecular Docking) và mô phỏng động lực học phân tử (Molecular Dynamics - MD) để xử lý cơ sở dữ liệu 7,3 triệu hợp chất từ ZINC Database.
  2. Phát hiện hợp chất ức chế kép (Dual-target inhibitors): Xác định các phân tử nhỏ không phải peptidomimetic, không gắn cộng hóa trị, có khả năng ức chế đồng thời hai protease thiết yếu của SARS-CoV-2: Main Protease ($M^{pro}$ / 3CLpro) và Papain-like Protease ($PL^{pro}$).
  3. Thẩm định độ ổn định nhiệt động và ái lực liên kết: Đánh giá chi tiết chuyển động phối tử - thụ thể ở cấp độ nguyên tử và tính toán năng lượng tự do liên kết ($\Delta G_{bind}$) bằng phương pháp MM/GBSA.

Phạm vi và giới hạn

  • Phạm vi nghiên cứu: Tập trung vào cấu trúc tinh thể tia X của $M^{pro}$ (PDB ID: 7LMD) và $PL^{pro}$ (PDB ID: 7LBR) trên SARS-CoV-2, giải mã tương tác tại các bộ xúc tác Cys145-His41 ($M^{pro}$) và Cys111-His272-Asp286 ($PL^{pro}$).
  • Giới hạn: Nghiên cứu dừng lại ở mức độ tính toán in silico độ phân giải cao; các thử nghiệm in vitro tế bào và in vivo sẽ được tiến hành ở pha phát triển tiếp theo.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp tiếp cận Ưu điểm Nhược điểm Chi phí & Thời gian
Thực nghiệm HTS truyền thống Dữ liệu hoạt tính thực tế, độ tin cậy sinh học cao Tỷ lệ dương tính giả cao, không giải thích được cơ chế tương tác ở cấp nguyên tử >500.000 USD; 12-24 tháng
Thiết kế Peptidomimetic cộng hóa trị Ái lực liên kết mạnh, ức chế enzyme hoàn toàn Độc tính tế bào cao, kém bền vững chuyển hóa, dễ bị phân hủy bởi peptidase Trung bình; 6-12 tháng
Sàng lọc ảo đa tầng (Nghiên cứu này) Sàng lọc quy mô 7,3M chất; tối ưu cơ chế ức chế kép non-covalent; độ chính xác cao nhờ MD/MM-GBSA Phụ thuộc vào chất lượng trường lực và cấu trúc tinh thể ban đầu Tiết kiệm >90% chi phí; 2-4 tuần 
                                  YÊU CẦU HỆ THỐNG THEO MÔ HÌNH MoSCoW
   ┌───────────────────────────────────┬───────────────────────────────────┐
   │             MUST HAVE             │            SHOULD HAVE            │
   │ • Mô hình 2D QSAR (R² > 0.8,      │ • Sàng lọc 7,3 triệu phân tử ZINC │
   │   Q²_LOO > 0.8)                   │ • Redocking RMSD < 1.5 Å          │
   │ • Xác định Miền ứng dụng (AD)     │ • Chạy 100 ns MD giải phóng dung  │
   │ • Ức chế đồng thời Mpro & PLpro   │   môi tường minh                  │
   ├───────────────────────────────────┼───────────────────────────────────┤
   │            COULD HAVE             │            WON'T HAVE             │
   │ • Tự động hóa Pipeline qua Python │ • Thử nghiệm ức chế enzyme FRET   │
   │ • Tính toán phân rã năng lượng    │   in vitro                        │
   │   từng acid amin                  │ • Thử nghiệm độc tính động vật    │
   └───────────────────────────────────┴───────────────────────────────────┘

Kiến trúc hệ thống sàng lọc đa tầng

Quy trình xử lý dữ liệu được thiết kế theo phễu lọc 3 tầng nhằm tối ưu hóa giữa tốc độ tính toán và độ chính xác phân tử:

graph TD
    A[Cơ sở dữ liệu ZINC: 7.300.000 hợp chất] --> B[Lọc sơ bộ: Quy tắc Lipinski Rule of 5]
    B --> C[TẦNG 1: 2D QSAR Model Screening]
    C -->|Kiểm tra Miền ứng dụng hi < h* & pIC50 >= 6.2| D[Top 30 Hợp chất Tiềm năng Kép]
    D --> E[TẦNG 2: Molecular Docking - MOE 2009.10]
    E -->|Thuật toán Triangle Matcher & Affinity dG Score| F[Phức hợp có Điểm số Docking tối ưu]
    F --> G[TẦNG 3: Molecular Dynamics Simulation - NAMD 100ns]
    G --> H[Phân tích Quỹ đạo RMSD, RMSF, H-Bonds]
    H --> I[Tính Năng lượng Tự do Liên kết MM/GBSA]
    I --> J[HOẠT CHẤT TIỀM NĂNG: 1687828, PL64, M88]

Technology Stack & Môi trường thực thi

  • Công cụ tính toán tham số phân tử: alvaDesc v2.0.10 (tính toán 4.179 chỉ số phân tử 2D).
  • Môi trường xây dựng mô hình QSAR: QSARINS v2.2.4 (Hồi quy đa biến MLR, Thuật toán di truyền GA).
  • Chuẩn hóa cấu trúc hóa học: Open Babel v3.1.1 & ChemDraw Ultra 12.0.
  • Phần mềm Docking phân tử: MOE 2009.10 (Trường lực Amber10:EHT, hàm điểm London dG & Affinity dG).
  • Hệ thống mô phỏng Động lực học phân tử: NAMD v2.14 phối hợp CHARMM-GUI (Trường lực CHARMM36m).
  • Phân tích quỹ đạo và năng lượng: VMD v1.9.4a53, MolAICal v1.3 (Module MM/GBSA), PyMOL v2.2.

Implementation và kết quả

Development Process & Pipeline triển khai

Phase 1: Chuẩn bị dữ liệu ──► Phase 2: QSAR & Sàng lọc ──► Phase 3: Docking ──► Phase 4: MD 100ns & MM-GBSA
(100 Mpro / 91 PLpro IC50)    (4.179 Descriptors / GA-MLR)   (PDB 7LMD & 7LBR)   (Độ ổn định & Năng lượng tự do)
  1. Giai đoạn 1 - Thu thập & tiền xử lý dữ liệu: Tập hợp dữ liệu thực nghiệm $IC_{50}$ của 100 chất ức chế $M^{pro}$ và 91 chất ức chế $PL^{pro}$ từ các công bố quốc tế. Chuyển đổi $pIC_{50} = -\log_{10}(IC_{50})$. Loại bỏ các tham số có phương sai bằng 0, độ tương quan cặp $r \ge 0,95$, hoặc chứa giá trị đồng nhất $>80%$.
  2. Giai đoạn 2 - Huấn luyện mô hình 2D QSAR: Chia tập dữ liệu Train:Test theo tỷ lệ 80:20 ($M^{pro}$) và 74:17 ($PL^{pro}$). Ứng dụng thuật toán di truyền kết hợp quy tắc loại trừ đa cộng tuyến QUIK ($K_{xy} - K_{xx} < 0,05$).
  3. Giai đoạn 3 - Docking phân tử kép: Thực hiện chuẩn hóa thụ thể (loại phân tử nước, thêm hydro, gán trường lực Amber10:EHT). Tiến hành Redocking phối tử đồng kết tinh để xác thực phương pháp, sau đó docking chéo và docking sàng lọc thư viện ZINC.
  4. Giai đoạn 4 - Mô phỏng MD 100 ns & Tính toán MM/GBSA: Xây dựng hộp nước TIP3P kích thước đệm 20 Å, trung hòa điện tích bằng ion $Na^+/Cl^-$ theo thuật toán Monte Carlo. Chạy cân bằng hệ thống ở điều kiện đẳng nhiệt - đẳng áp ($NPT$, $T = 298,15\text{ K}$, $P = 1\text{ atm}$) với thuật toán Particle-Mesh Ewald (PME).
# Thuật toán tính toán Miền ứng dụng (Applicability Domain) và Đòn bẩy Williams (Leverage)
import numpy as np

def calculate_applicability_domain(X_train: np.ndarray, X_query: np.ndarray):
    """
    Tính giá trị đòn bẩy h_i và ngưỡng đòn bẩy cảnh báo h*
    X_train: Ma trận tham số phân tử tập huấn luyện (n samples, p descriptors)
    X_query: Ma trận tham số phân tử các chất cần sàng lọc
    """
    n, p = X_train.shape
    p_prime = p + 1  # Cộng thêm hệ số tự do (intercept)
    h_star = (3.0 * p_prime) / n
    
    # Tính ma trận nghịch đảo (X^T * X)^(-1)
    XT_X_inv = np.linalg.pinv(np.dot(X_train.T, X_train))
    
    # Tính giá trị đòn bẩy cho từng phân tử sàng lọc
    leverages = []
    for x_i in X_query:
        h_i = np.dot(np.dot(x_i.T, XT_X_inv), x_i)
        leverages.append(h_i)
        
    leverages = np.array(leverages)
    reliable_mask = leverages <= h_star
    return leverages, h_star, reliable_mask

Phương trình toán học và Thuật toán cốt lõi

  • Phương trình QSAR cho $M^{pro}$: $$pIC_{50} = -0,9350 \cdot \text{VElsign_H2} + 1,6334 \cdot \text{VElsign_Dz(p)} + 1,3504 \cdot \text{GATS7m} - 0,9554 \cdot \text{GATS4m} - 1,3334 \cdot \text{P_VSA_v_3} + 3,8840 \cdot \text{P_VSA_ppp_cyc} - 1,6052 \cdot \text{SaaCH} + 4,0988$$

  • Độ lệch bình phương gốc (RMSD): $$\text{RMSD} = \sqrt{\frac{1}{n}\sum_{i=1}^{n} \delta_i^2}$$

  • Năng lượng tự do liên kết theo phương pháp MM/GBSA: $$\Delta G_{bind} = G_{complex} - (G_{receptor} + G_{ligand}) = \Delta E_{ele} + \Delta E_{vdw} + \Delta E_{int} + \Delta G_{sol} - T\Delta S$$

# Cấu hình mô phỏng NAMD 2.14 cho phức hợp Mpro-phối tử trong điều kiện đẳng nhiệt đẳng áp
structure          complex_solvated.psf
coordinates        complex_solvated.pdb
set temperature    298.15
outputName         mpro_md_production

# Điều kiện biên định kỳ & PME
cellBasisVector1   78.0  0.0   0.0
cellBasisVector2   0.0   82.0  0.0
cellBasisVector3   0.0   0.0   84.0
PME                yes
PMEGridSpacing     1.0

# Điều khiển áp suất & nhiệt độ NPT
LangevinPiston     on
LangevinPistonTarget 1.01325
LangevinPistonPeriod 100.0
LangevinPistonDecay  50.0
LangevinPistonTemp   298.15

# Thông số tích phân chuyển động
timestep           2.0
stepsperrun        50000000  # 100 ns simulation

Kết quả kiểm định thống kê và Thẩm định mô hình

Các mô hình 2D QSAR đạt độ chính xác thống kê vượt trội thông qua các chỉ số kiểm chứng nội bộ (Internal Validation) và kiểm chứng ngoại bộ (External Validation):

Chỉ số thống kê kiểm định Mô hình $M^{pro}$ Mô hình $PL^{pro}$ Tiêu chuẩn chấp nhận Ý nghĩa thống kê
$R^2$ (Hệ số xác định) 0,8944 0,9165 $> 0,60$ Độ khớp hoàn hảo với tập dữ liệu Train
$R^2_{adj}$ (Hiệu chỉnh) 0,8841 0,9076 $> 0,60$ Loại trừ hiện tượng overfitting biến số
$Q^2_{LOO}$ (Leave-One-Out) 0,8711 0,8965 $> 0,50$ Khả năng dự đoán nội tại mạnh mẽ
$Q^2_{LMO}$ (Leave-Many-Out) 0,8643 0,8901 Gần $Q^2_{LOO}$ Tính vững chắc khi loại bỏ 30% mẫu
$R^2_Y$ / $Q^2_Y$ (Y-Randomization) 0,0893 / -0,1290 0,0952 / -0,1440 Càng gần 0 / âm Khẳng định không có tương quan ngẫu nhiên
$Q^2_{F1}$ (External Test) 0,7441 0,8039 $> 0,60$ Khả năng dự đoán hoạt tính tập chất mới
$Q^2_{F2} / Q^2_{F3}$ 0,7423 / 0,7617 0,8039 / 0,8518 $> 0,60$ Thẩm định chéo ngoại bộ chuẩn xác
Ngưỡng đòn bẩy $h^*$ 0,300 0,324 $3p'/n$ Biên giới hạn Miền ứng dụng (AD)

Hiệu quả sàng lọc và Động lực học phân tử (100 ns)

Sau khi sàng lọc 7,3 triệu chất từ ZINC, hợp chất 1687828 cùng hai hợp chất đối chứng docking chéo PL64 và M88 đã thể hiện hiệu quả ức chế kép vượt trội:

                            SO SÁNH NĂNG LƯỢNG TỰ DO LIÊN KẾT MM/GBSA (kJ/mol)
      0 ──────────────────────────────────────────────────────────────────────────
        │
    -50 ┼─────────────────────────────────────────────────────────────────────────
        │                                                     -93.10       -92.21
   -100 ┼─────────────────────── -97.87                      ┌──────┐     ┌──────┐
        │                       ┌──────┐         -107.87     │      │     │      │
   -150 ┼── -127.83   -152.91   │      │         ┌──────┐    │      │     │      │
        │  ┌──────┐  ┌──────┐   │      │         │      │    │      │     │      │
   -200 ┴──┴──────┴──┴──────┴───┴──────┴─────────┴──────┴────┴──────┴─────┴──────┴──
             Mpro      Mpro       Mpro             PLpro       PLpro        PLpro
           Co-xtal    PL64      1687828            M88        Co-xtal      1687828
  • Xác thực Redocking: Tái lập chính xác cấu dạng phối tử đồng kết tinh với RMSD cực thấp: 1,1642 Å ($M^{pro}$) và 1,0732 Å ($PL^{pro}$).
  • Độ ổn định RMSD trong 40 ns cuối:
    • Phức hợp $M^{pro}\text{_PL64}$: $\text{RMSD} = 2,82 \pm 0,48\text{ \AA}$ (tạo 4 liên kết hydro bền vững với Gly143, Glu166, His41, Cys44).
    • Phức hợp $M^{pro}\text{_1687828}$: $\text{RMSD} = 7,55 \pm 0,51\text{ \AA}$ (khung chính khóa chặt tại túi xúc tác qua Cys44 và Asp187).
    • Phức hợp $PL^{pro}\text{_M88}$: $\text{RMSD} = 4,09 \pm 0,69\text{ \AA}$ (liên kết hydro ổn định với Tyr264, Gln269).
    • Phức hợp $PL^{pro}\text{_1687828}$: $\text{RMSD} = 5,17 \pm 1,08\text{ \AA}$ (duy trì 2 liên kết hydro then chốt với Gly266).
  • Năng lượng tự do liên kết $\Delta G_{bind}$ (MM/GBSA):
    • PL64 gắn trên $M^{pro}$: Đạt -152,91 kJ/mol (vượt trội so với phối tử đồng kết tinh là -127,83 kJ/mol).
    • M88 gắn trên $PL^{pro}$: Đạt -107,87 kJ/mol (ưu việt hơn phối tử đồng kết tinh là -93,10 kJ/mol).
    • 1687828 gắn đồng thời: Đạt -97,87 kJ/mol trên $M^{pro}$ và -92,21 kJ/mol trên $PL^{pro}$.

Đổi mới và đóng góp

  1. Chiến lược ức chế kép độc cấu trúc (Dual-Target Non-Covalent Inhibition): Khác biệt hoàn toàn với các thuốc ức chế đơn đích truyền thống (dễ bị vô hiệu hóa khi virus phát sinh đột biến), việc ức chế đồng thời $M^{pro}$ và $PL^{pro}$ tạo nên cơ chế tác động gọng kìm. Do hai protease này có bộ xúc tác bảo tồn 100% giữa các chủng Coronavirus (SARS-CoV, SARS-CoV-2, MERS-CoV), hoạt chất phát hiện có tiềm năng kháng virus phổ rộng.
  2. Khung phân tử Non-Peptidomimetic triệt tiêu độc tính: Dự án loại bỏ hoàn toàn các nhóm chức phản ứng Michael acceptor (vốn gắn cộng hóa trị bừa bãi với protein người), mang lại độ an toàn chuyển hóa cao hơn và giảm thiểu độc tính tế bào.
  3. Phễu sàng lọc ảo tích hợp phân tầng tối ưu tài nguyên tính toán: Rút ngắn thời gian sàng lọc 7,3 triệu chất xuống chỉ còn vài tuần thông qua việc kết hợp 2D QSAR (sàng lọc nhanh) $\rightarrow$ Molecular Docking (định hướng cấu dạng) $\rightarrow$ MD 100ns (thẩm định động học dung môi tường minh).
Tiêu chí đánh giá Tiếp cận thực nghiệm HTS Thuốc peptidomimetic (Paxlovid...) Pipeline sàng lọc đa tầng (Dự án này)
Cơ chế tác động Đơn đích ($M^{pro}$ hoặc $PL^{pro}$) Đơn đích chính ($M^{pro}$) Kép (Đồng thời $M^{pro}$ & $PL^{pro}$)
Bản chất liên kết Tùy biến Cộng hóa trị (Covalent) Không cộng hóa trị (Non-covalent)
Nguy cơ kháng thuốc Cao khi có đột biến điểm Trung bình Rất thấp (Bảo tồn tiến hóa cao)
Chi phí sàng lọc Hàng trăm nghìn USD Rất đắt đỏ Tiết kiệm >90% ngân sách R&D
Thời gian tiền lâm sàng 12 - 24 tháng 12 - 18 tháng 2 - 4 tuần trên hệ thống máy chủ

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Phát triển thuốc kháng Coronavirus phổ rộng (Pan-coronavirus Therapeutics): Sử dụng cấu trúc hợp chất 1687828, PL64, M88 làm khung dẫn chất (Lead compounds) cho các chương trình tổng hợp hóa dược và tối ưu hóa cấu trúc (Lead Optimization).
  • Ứng phó đại dịch khẩn cấp: Quy trình sàng lọc ảo sẵn sàng tái sử dụng ngay lập tức khi xuất hiện chủng virus corona mới nhờ tính bảo tồn của các protease.
                                 LỘ TRÌNH TRIỂN KHAI THỰC TẾ (ROADMAP)
   ┌───────────────────────┬───────────────────────┬───────────────────────┬───────────────────────┐
   │    QUÝ 1 - QUÝ 2      │    QUÝ 3 - QUÝ 4      │     NĂM THỨ 2         │     NĂM THỨ 3 - 5     │
   │  • Tổng hợp hóa học   │  • Thử nghiệm Enzyme  │  • Đánh giá ADMET     │  • Thử nghiệm tiền    │
   │    các dẫn xuất       │    in vitro (FRET)    │    & Độc tính in vivo │    lâm sàng nâng cao  │
   │  • Tinh chế phân tử   │  • Thử nghiệm IC50    │  • Tối ưu sinh khả    │  • Đăng ký thử nghiệm │
   │    độ tinh khiết >98% │    trên dòng tế bào   │    dụng đường uống    │    lâm sàng Phase I   │
   └───────────────────────┴───────────────────────┴───────────────────────┴───────────────────────┘

Yêu cầu triển khai hạ tầng & Hiệu quả kinh tế (ROI)

  • Yêu cầu phần cứng: Máy trạm hoặc máy chủ GPU hỗ trợ CUDA (tối thiểu NVIDIA RTX 3080 hoặc Tesla V100), 32GB RAM, 500GB SSD NVMe để lưu trữ tệp quỹ đạo MD (.dcd/.xtc).
  • Hiệu quả đầu tư: Tiết kiệm ước tính 1,5 - 2 triệu USD chi phí mua sắm hóa chất, enzyme và vật tư tiêu hao phòng thí nghiệm trong giai đoạn sàng lọc ban đầu; rút ngắn 80% thời gian định hướng tổng hợp hóa dược.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Giới hạn của Miền ứng dụng (AD): Mô hình 2D QSAR chỉ có độ tin cậy tuyệt đối với các cấu trúc hóa học nằm trong không gian tham số huấn luyện ($h_i \le h^*$), có thể bỏ sót các khung cấu trúc hoàn toàn mới lạ nằm ngoài miền.
  2. Xấp xỉ Docking bán linh động: Quá trình Docking giữ cố định khung xương protein để tiết kiệm tài nguyên tính toán, chưa phản ánh đầy đủ hiện tượng khớp cảm ứng (Induced-fit).
  3. Chi phí tính toán của MD dài hạn: Do giới hạn phần cứng, mô phỏng MD chỉ thực hiện được 100 ns cho top các hợp chất triển vọng nhất thay vì mở rộng toàn bộ thư viện.

Hướng phát triển tiếp theo

  • Tích hợp các thuật toán Học sâu (Deep Learning) và Mạng nơ-ron đồ thị (Graph Neural Networks - GNN) để nâng cao độ chính xác dự đoán hoạt tính sinh học.
  • Mở rộng thời gian mô phỏng MD lên 500 ns - 1 µs kết hợp kỹ thuật Enhanced Sampling (Metadynamics) để khảo sát toàn diện rào cản năng lượng tự do.
  • Chuyển giao các cấu trúc tiềm năng sang Bộ môn Hóa Dược và các viện nghiên cứu để tổng hợp thực nghiệm và đo hoạt tính ức chế enzyme bằng kỹ thuật FRET.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------------------+
|                                      ĐỐI TƯỢNG HƯỞNG LỢI                                      |
+-------------------------------+-------------------------------+-------------------------------+
|  SINH VIÊN & NGHIÊN CỨU SINH  |     CÁC NHÀ PHÁT TRIỂN &      |     DOANH NGHIỆP DƯỢC PHẨM    |
|                               |       BIOINFORMATICIANS       |                               |
| • Nắm vững phương pháp luận   | • Tái sử dụng pipeline tính   | • Tiết kiệm 80% thời gian     |
|   CADD chuẩn quốc tế          |   toán QSAR-Docking-MD        |   sàng lọc hoạt chất ban đầu  |
| • Bộ dữ liệu thực nghiệm chuẩn| • Mã nguồn mở và kịch bản cấu | • Sở hữu khung dẫn chất mới   |
|   hóa về protease CoV-2       |   hình mô phỏng chuẩn xác     |   ức chế kép non-covalent     |
+-------------------------------+-------------------------------+-------------------------------+
  • Sinh viên & Học viên chuyên ngành Dược/Tin sinh học: Nguồn tài liệu học thuật toàn diện, minh họa chi tiết cách kết hợp giữa hóa học lý thuyết, toán thống kê và sinh học phân tử cấu trúc.
  • Kỹ sư Tin sinh học & Nhà nghiên cứu CADD: Khung quy trình mẫu tích hợp chuẩn hóa từ khâu lọc dữ liệu alvaDesc, mô hình hóa QSARINS đến chạy mô phỏng NAMD/MM-GBSA.
  • Doanh nghiệp Công nghệ sinh học & Dược phẩm: Tiết kiệm hàng trăm nghìn USD chi phí thực nghiệm ban đầu, sở hữu danh sách các phân tử nhỏ tiềm năng có ái lực gắn kết cao hơn cả phối tử đồng kết tinh để phát triển thành thuốc điều trị.

Câu hỏi thường gặp

1. Yêu cầu cấu hình phần cứng tối thiểu để triển khai pipeline này là gì?

Hệ thống cần tối thiểu CPU đa nhân (Intel Core i7/AMD Ryzen 7 trở lên), 16GB RAM để xử lý mô hình QSAR và Docking. Đối với mô phỏng MD 100 ns trên NAMD, bắt buộc cần GPU có hỗ trợ CUDA (tối thiểu NVIDIA GTX 1660 Ti, khuyến nghị RTX 3060 trở lên) để hoàn thành mô phỏng trong vòng 18-24 giờ cho mỗi phức hợp.

2. Tại sao mô hình 2D QSAR được chọn thay vì 3D QSAR ngay từ đầu?

Việc xây dựng cấu trúc không gian 3D tối ưu cho 7,3 triệu hợp chất đòi hỏi tài nguyên tính toán khổng lồ và dễ phát sinh sai số cấu dạng. Mô hình 2D QSAR cho phép sàng lọc sơ bộ hàng triệu chất với tốc độ cực nhanh trong vài giờ, đóng vai trò màng lọc thô hoàn hảo trước khi bước vào các bước docking 3D chi tiết.

3. Phương pháp MM/GBSA có ưu thế gì so với điểm số Docking thông thường?

Điểm số Docking (như London dG, Affinity dG) sử dụng các hàm thế kinh nghiệm bán định lượng và bỏ qua tính linh động của protein cũng như ảnh hưởng của phân tử nước dung môi. MM/GBSA tính toán dựa trên quỹ đạo chuyển động nhiệt động học thực tế 100 ns trong môi trường nước tường minh, giúp tính toán năng lượng liên kết chính xác và gần với thực nghiệm hơn rất nhiều.

4. Tại sao RMSD của phối tử 1687828 trên Mpro đạt ~7,5 Å nhưng vẫn được coi là liên kết tốt?

Giá trị RMSD tuyệt đối phụ thuộc vào cấu trúc ban đầu của phối tử. Phân tích chi tiết quỹ đạo cho thấy 1687828 có một nhánh mạch linh động quay tự do ngoài dung môi (làm tăng RMSD toàn phần), nhưng phần khung trung tâm hoạt động được khóa chặt bền vững vào túi xúc tác nhờ hệ thống 2 liên kết hydro với Cys44 và 1 liên kết hydro với Asp187, giữ độ dao động trong 40 ns cuối chỉ $\pm 0,51\text{ \AA}$.

5. Dự án xử lý vấn đề quá khớp (Overfitting) trong mô hình QSAR như thế nào?

Quá trình phát triển mô hình áp dụng đồng thời: (1) Quy tắc QUIK loại bỏ đa cộng tuyến; (2) Giám sát chặt chẽ hệ số $R^2_{adj}$; (3) Kiểm chứng chéo ngẫu nhiên 2000 lần Leave-Many-Out ($Q^2_{LMO} \approx Q^2_{LOO}$); (4) Thử nghiệm xáo trộn ngẫu nhiên biến phụ thuộc Y-randomization 2000 lần ($R^2_Y < 0,1, Q^2_Y < 0$).

Kết luận

Khóa luận tốt nghiệp đã giải quyết thành công bài toán cấp bách về phát hiện hoạt chất kháng SARS-CoV-2 thông qua việc xây dựng hoàn chỉnh quy trình sàng lọc ảo đa tầng tích hợp CADD:

  • Xây dựng thành công 2 mô hình 2D QSAR đạt độ tin cậy và khả năng dự đoán cao ($R^2 = 0,8944, Q^2_{LOO} = 0,8711$ cho $M^{pro}$; $R^2 = 0,9165, Q^2_{LOO} = 0,8965$ cho $PL^{pro}$).
  • Sàng lọc thành công thư viện 7,3 triệu hợp chất ZINC, xác định được hợp chất tiềm năng hàng đầu 1687828 cùng hai hợp chất ức chế chéo PL64 và M88.
  • Chứng minh độ ổn định vượt trội bằng mô phỏng Động lực học phân tử 100 ns, trong đó năng lượng tự do liên kết MM/GBSA của các phức hợp ($M^{pro}\text{_PL64}: -152,91\text{ kJ/mol}$; $PL^{pro}\text{_M88}: -107,87\text{ kJ/mol}$; $M^{pro}\text{_1687828}: -97,87\text{ kJ/mol}$; $PL^{pro}\text{_1687828}: -92,21\text{ kJ/mol}$) đều thể hiện ái lực liên kết mạnh mẽ, vượt qua phối tử đồng kết tinh đối chứng.

Nghiên cứu mở ra hướng đi đầy triển vọng cho việc thiết kế các thuốc kháng Coronavirus phổ rộng thế hệ mới, hạn chế tối đa nguy cơ kháng thuốc và độc tính tế bào. Quý độc giả, các nhóm nghiên cứu hóa dược và đơn vị phát triển thuốc quan tâm có thể khai thác trực tiếp dữ liệu cấu trúc và tọa độ phức hợp từ công trình để tiến hành tổng hợp hóa học và thử nghiệm sinh học chuyên sâu.