Chương 1 - TỔNG QUAN 1. Tổng quan về sàng lọc ảo 1. Khái niệm Các khái niệm về sàng lọc ảo (virtual screening) xuất hiện vào những năm 60 của thế kỷ XX với các mô hình của Hansch [28]. Thế nhưng, chỉ từ năm 1990 thì lĩnh vực này mới có nhiều bước tiến và từ đó đến nay, ngày càng phát triển mạnh mẽ [41].
Sàng lọc ảo đề cập đến một loạt các kỹ thuật in silico (các kỹ thuật được thự hiện với sự trợ giúp của máy tính) được sử dụng để sàng lọc các CSDL hợp chất lớn nhằm lựa chọn một số lượng nhỏ hơn cho thử nghiệm sinh học. Mô hình sàng lọc ảo không những bổ sung cho các mô hình thực nghiệm mà còn giúp định hướng quá trình tổng hợp/phân lập các chất. Ngoài ra sau khi được xây dựng, việc sử dụng các mô hình này tương đối rẻ (tiết kiệm nguyên liệu thử), nhanh và cho phép làm việc với số lượng lớn lên tới hàng triệu hợp chất, một điều không thể làm được trong các mô hình thực nghiệm. Quy trình sàng lọc ảo Quá trình sàng lọc ảo gồm 5 bước như sau: 1) Lựa chọn đối tượng sàng lọc 2) Lựa chọn kỹ thuật 3) Sắp xếp các kỹ thuật theo thứ tự phù hợp 4) Sàng lọc 5) Phân tích kết quả.
Các kỹ thuật sàng lọc ảo Các kỹ thuật sàng lọc ảo hiện nay được phân vào 2 nhóm chính là sàng lọc ảo dựa trên phối tử (Ligand-based Virtual Screening) và sàng lọc ảo dựa trên cấu trúc (Structure-based Virtual Screening). Sàng lọc ảo dựa trên phối tử được thực hiện trong trường hợp không có cấu trúc 3D của protein, chỉ có cấu trúc của phối tử. Các kỹ thuật có thể sử dụng lúc này là kỹ thuật xây dựng phần cấu trúc mang hoạt tính (pharmacophore), kỹ thuật tìm kiếm đồng dạng (similarity searching), QSAR. Trong trường hợp có cả cấu trúc 3D của protein và cấu trúc của phối tử, kỹ thuật sàng lọc ảo dựa vào cấu trúc sẽ được áp dụng, sử dụng kỹ thuật docking [47].
Hệ thống sàng lọc ảo được trợ giúp bởi máy tính gồm nhiều phễu lọc khác nhau, mỗi phễu lọc sử dụng một kỹ thuật sàng lọc khác nhau, được sắp xếp tuần tự hợp lý dựa vào thời gian mà máy tính cần cho mỗi thuật toán và sự phức tạp của thông tin đầu vào. Nghiên cứu sử dụng kết hợp 3 phễu lọc: Tìm kiếm đồng dạng, Mô hình QSAR và Kỹ thuật docking. 2 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Tổng quan về tìm kiếm đồng dạng a.
Khái quát về tìm kiếm đồng dạng Kỹ thuật tìm kiếm đồng dạng (similarity searching) là kỹ thuật tìm kiếm các hợp chất có cấu trúc tương tự với hợp chất mẫu (reference) trên cơ sở dữ liệu về cấu trúc của các hợp chất. Kỹ thuật được thực hiện dựa trên nguyên lý tính chất giống nhau, như vậy những phân tử có cấu trúc giống nhau được hy vọng có tính chất hoặc hoạt tính sinh học giống nhau [40]. Kỹ thuật tìm kiếm đồng dạng được đưa vào sử dụng rộng rãi kể từ thập niên 80, và được chứng minh là rất hữu ích trong lĩnh vực dược phẩm. Hiện nay, phương pháp tìm kiếm đồng dạng đã được xây dựng bởi nhiều nhóm nghiên cứu trên thế giới.
Sàng lọc ảo sử dụng kỹ thuật tìm kiếm đồng dạng có thể tiến hành một cách nhanh chóng, do đó, kỹ thuật này được sử dụng nhiều để sàng lọc các cơ sở dữ liệu lớn [70]. Hai yếu tố quan trọng tham gia vào quá trình tìm kiếm đồng dạng là các tham số phân tử đặc trưng cho các chất và thông số sử dụng để thiết lập mối liên hệ so sánh giữa cặp phân tử (hệ số tương đồng). Sau khi so sánh có thể sắp xếp các hợp chất trong CSDL theo thứ tự giảm dần về hệ số tương đồng so với các hợp chất mẫu. Khi có được danh sách sắp xếp này, người nghiên cứu sử dụng một ngưỡng (cut-off) để lựa chọn tập hợp các hợp chất nằm trên cùng danh sách [30].
Tham số phân tử là giá trị đại diện cho mô tả phân tử. Các mô tả phân tử thường được định nghĩa dựa vào chiều của chúng. Mô tả phân tử 1 chiều là các đặc tính như khối lượng phân tử, số lượng liên kết, đếm các mảnh cấu trúc. Mô tả phân tử 2 chiều là mô tả biểu diễn các cấu trúc theo kích thước, độ phân nhánh và hình dạng tổng thể, trong khi 3 chiều sử dụng các thông tin tử cấu trúc không gian 3 chiều của phân tử.
Mô tả phân tử được sử dụng thường xuyên nhất là mô tả phân tử 2D, là mô tả nhị phân, mã hóa sự có mặt hoặc không của các mảnh cấu trúc [80]. Có nhiều hệ số được xây dựng để biểu diễn sự giống nhau giữa một cặp cấu trúc, chẳng hạn như hệ số Tanimoto/Jaccard, hệ số Cosine/ Ochiai, hệ số Dice, hệ số Fossum, hệ số Simpson, hệ số Pearson/Stile, khoảng cách Euclide, khoảng cách Hamming, khoảng cách Soergel, khoảng cách Manhattan. Hệ số Tanimoto được sử dụng rộng rãi nhất cho các dữ liệu nhị phân. Nhiều nghiên cứu đã chỉ ra rằng, hệ số này cho kết quả tốt hơn so với nhiều hệ số khác [79].
3 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Quy trình tìm kiếm đồng dạng Quá trình tìm kiếm đồng dạng gồm các bước chính sau: 1) Tính toán tham số phân tử đặc trưng cho hợp chất, 2) Tính toán hệ số tương đồng, 3) Sắp xếp các chất theo chiều giảm dần hệ số tương đồng, 4) Chọn ngưỡng. Tổng quan về các mô hình QSAR a. Khái quát về mô hình QSAR Mô hình QSAR (Quantitative Structure-Activity Relationships) là mô hình biểu thị mối liên hệ định lượng giữa cấu trúc và hoạt tính của các hợp chất.
Mô hình QSAR được xây dựng dựa trên giả thuyết cấu trúc của một phân tử phải chứa những đặc điểm cấu trúc chịu trách nhiệm cho tính chất hóa học, vật lý, sinh học. Mô hình QSAR cho phép dự đoán tính chất của một phân tử mới dựa trên các hợp chất tương tự có các tính chất đã được kiểm chứng. Mô hình QSAR được biểu diễn dưới dạng một phương trình toán học (Phương trình 1). Để có thể xây dựng được các mô hình này thì cả cấu trúc và hoạt tính đều phải được định lượng hóa.
Các cấu trúc được định lượng thông qua các tham số phân tử (biến x). Các tham số phân tử là kết quả của một quá trình toán học chuyển đổi các thông tin trong cấu trúc phân tử thành một số đặc trưng cho cấu trúc phân tử ấy. Hoạt tính được sử dụng có thể là hoạt tính hoá học hay hoạt tính sinh học (biến Y) được đánh giá bằng các phương pháp nghiên cứu thực nghiệm. Một số đại lượng hoạt tính sinh học thường được dùng như: IC50 nồng độ ức chế 50% hoạt tính; MIC (Minimum Inhibitory Concentration): nồng độ ức chế tối thiểu; MBC (Minimum Bactericidal Concentration): nồng độ diệt khuẩn tối thiểu; EC50 (Effective Concentration): nồng độ 50% tác dụng tối đa; KI: Hằng số ức chế.
Phương trình 1: 𝑌 = 𝑓1 (𝑥 ) + 𝑓2 (𝑥 ) + ⋯ + 𝑓𝑛 (𝑥 ) 1 2 𝑛 Trong đó: Y: Biến đáp ứng (mang giá trị biểu thị tác dụng sinh học) x1, x2,…xn: Các tham số đặc trưng cho cấu trúc f1, f2,…fn: Các thuật toán thể hiện trọng số của tham số phân tử x, được tính toán bằng các phần mềm phân tích thống kê sử dụng kỹ thuật xác suất thống kê hay trí tuệ nhân tạo 4 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Quy trình xây dựng mô hình QSAR Các bước để xây dựng mô hình QSAR [76] gồm: 1) Xây dựng cơ sở dữ liệu; 2) Tính toán tham số mô tả phân tử đặc trưng cho cấu trúc; 3) Xây dựng mô hình QSAR: Sử dụng các phương pháp xác suất thống kê và các kỹ thuật của trí tuệ nhân tạo để xây dựng mối liên hệ giữa các tham số phân tử và các giá trị đại lượng biểu diễn hoạt tính; 4) Đánh giá mô hình; 5) Giải thích các kết quả và sử dụng mô hình trong quá trình sàng lọc ảo. Hệ thống phân loại kếp hợp các mô hình QSAR Dieterich đã nghiên cứu kết luận là một hệ thống phân loại phối hợp thường tốt hơn việc sử dụng các mô hình đơn [18]. Sự thành công của các hệ thống phân loại kết hợp (Multiple classifier system) phụ thuộc vào hai yếu tố là sự đa dạng của các mô hình đơn để kết hợp và cách kết hợp các đầu ra [54].
Có nhiều cách để tạo nên sự đa dạng của các mô hình đơn. Trong các nghiên cứu của mình, Kuncheva trình bày 4 cấp để tạo nên sự đa dạng của các mô hình đơn [54]. Cấp độ 1 là thay đổi tập huấn luyện (training set). Cấp độ 2 là thay đổi tập hợp của các biến độc lập (independent variables).
Các biến độc lập dùng để xây dựng các mô hình QSAR là các tham số phân tử khác nhau đặc trưng cho cấu trúc. Cấp độ 3, sử dụng các kỹ thuật khác nhau để xây dựng các mô hình đơn. Cấp độ cuối cùng là cách kết hợp các mô hình đơn. Kuncheva và Whitaker đã tổng kết 10 cách để định lượng sự đa dạng giữa các mô hình đơn sử dụng các hệ số đa dạng.
Có rất nhiều cách kết hợp các đầu ra như: Biểu quyết đa số phiếu [8], Biểu quyết với trọng số [54], Bagging (Boostrap AGGregatING) [8], Boosting [7], Stacking [8]. Mỗi cách kết hợp đầu ra sẽ cho kết quả với độ chính xác khác nhau. Tổng quan về kỹ thuật docking a. Khái quát về docking Docking là phương pháp đưa cấu trúc của một chất (dạng cấu trúc không gian 3 chiều) vào một trung tâm tương tác của mục tiêu phân tử (đích tác dụng của thuốc) và tính toán các giá trị tương tác để đánh giá khả năng tương tác của chất đó với mục tiêu phân tử.
Mục đích của docking là xác định một cấu dạng tối ưu nhất cho phối tử (phân tử hay anion liên kết trực tiếp với trung tâm hoạt động được gọi là phối tử) và dự đoán chính xác hoạt động của phối tử để năng lượng tự do của phức hợp mục tiêu phân tử - phối tử là nhỏ nhất [51]. 5 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Khi cơ chất gắn lên một phân tử protein, hai điểm cần chú ý là sự phù hợp về hình dạng, kích thước và năng lượng tương tác giữa nó với protein. Sự phù hợp về hình dạng tương tự như cơ chế chìa khoá - ổ khoá nhưng trong thực tế, cả cơ chất và protein đều có thể thay đổi cấu hình, đặc biệt protein là phân tử lớn và có cấu trúc mềm dẻo. Quá trình này trong thực tế phức tạp hơn.