Giới thiệu dự án

Bệnh Alzheimer (Alzheimer's Disease - AD) là một trong những nguyên nhân hàng đầu gây ra hội chứng sa sút trí tuệ và thoái hóa thần kinh tiến triển ở người cao tuổi. Theo Báo cáo Alzheimer Thế giới (World Alzheimer Report), hiện có hơn 55 triệu người trên toàn cầu sống chung với chứng sa sút trí tuệ, với tần suất xuất hiện ca bệnh mới là 3 giây/ca. Tỷ lệ mắc bệnh tăng vọt từ 5% ở nhóm dưới 75 tuổi lên 40–50% ở nhóm trên 85 tuổi. Tại Việt Nam, tốc độ già hóa dân số nhanh chóng với tuổi thọ trung bình đạt 73,6 tuổi đang đặt ra gánh nặng y tế và kinh tế vô cùng lớn.

                    +-----------------------------------------+
                    | Protein Tiền thân Amyloid (APP)         |
                    +-----------------------------------------+
                                         |
                                         | (Thủy phân bởi BACE1)
                                         v
                    +-----------------------------------------+
                    | Peptid beta-Amyloid (Abeta40, Abeta42)  |
                    +-----------------------------------------+
                                         |
                                         | (Kết tụ ngoại bào)
                                         v
                    +-----------------------------------------+
                    | Mảng xơ nhãn Amyloid (Plaques)          |
                    | -> Thoái hóa nơ-ron & Mất trí nhớ       |
                    +-----------------------------------------+

Đến nay, Cục Quản lý Thực phẩm và Dược phẩm Hoa Kỳ (FDA) mới chỉ phê duyệt số ít thuốc điều trị triệu chứng nhận thức (chủ yếu là nhóm ức chế acetylcholinesterase như Donepezil, Rivastigmine, Galantamine và chất đối kháng thụ thể NMDA Memantine), hoàn toàn chưa can thiệp được vào căn nguyên gây bệnh. Theo giả thuyết Amyloid (chiếm 22,3% các hướng thử nghiệm lâm sàng), enzyme $\beta$-site amyloid precursor protein cleaving enzyme 1 (BACE1) là enzyme giới hạn tốc độ khởi phát quá trình cắt protein tiền chất amyloid (APP) để tạo thành các monomer $\beta$-amyloid ($A\beta40$, $A\beta42$) không hòa tan. Các monomer này kết cụm thành mảng xơ lắng đọng tại mô não, gây độc tế bào thần kinh. Do đó, BACE1 là đích phân tử trúng đích tiềm năng hàng đầu để phát triển thuốc biến đổi bệnh (disease-modifying drugs).

Phương pháp phát triển thuốc truyền thống (wet-lab) từ sàng lọc ngẫu nhiên thường tiêu tốn 10–15 năm và hàng tỷ USD với tỷ lệ thất bại cao. Nhằm giải quyết nút thắt này, dự án tập trung ứng dụng kỹ thuật học máy (Machine Learning - ML), xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP) thông qua thuật toán Mol2vec, kết hợp docking phân tử và đánh giá dược động học in silico để xây dựng quy trình sàng lọc ảo hiệu năng cao.

Mục tiêu dự án

  1. Xây dựng và tối ưu hóa mô hình QSAR: Phát triển mô hình định lượng tương quan cấu trúc - hoạt tính (Quantitative Structure-Activity Relationship - QSAR) dự đoán hoạt tính ức chế BACE1 ($\text{pIC}{50} / \text{logIC}{50}$) từ tập dữ liệu 1.138 hợp chất chuẩn ChEMBL bằng các thuật toán ML kết hợp biểu diễn phân tử Mol2vec (NLP).
  2. Thiết lập phễu sàng lọc ảo quy mô lớn: Sàng lọc thư viện hóa chất gồm 224.205 hợp chất từ cơ sở dữ liệu ZINC dựa trên miền ứng dụng (Applicability Domain) và ngưỡng hoạt tính dự đoán.
  3. Mô phỏng tương tác đích - phối tử (Molecular Docking): Khảo sát ái lực liên kết của các ứng viên hàng đầu tại túi hoạt động của tinh thể enzyme BACE1 (mã PDB: 2FDP) so với phối tử đối chiếu chuẩn.
  4. Đánh giá ADMET và đặc tính giống thuốc (Drug-likeness): Dự đoán khả năng vượt hàng rào máu não (Blood-Brain Barrier - BBB), kiểm tra các quy tắc Lipinski, Ghose, Veber, cảnh báo cấu trúc PAINS và chỉ số tổng hợp khả thi (Synthetic Accessibility - SA) qua SwissADME để lựa chọn hợp chất dẫn đường (lead compound) tối ưu.

Phạm vi và giới hạn

  • Phạm vi: Nghiên cứu tính toán mô phỏng in silico, phân tích dữ liệu hóa tin học (cheminformatics), mô hình hóa học máy và tương tác phối tử - protein.
  • Giới hạn: Chưa bao gồm thử nghiệm sinh học thực nghiệm (in vitro enzyme assay hoặc in vivo cell culture); các tương tác động học phân tử linh động (Molecular Dynamics Simulations) được đề xuất ở giai đoạn phát triển tiếp theo.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

+-----------------------------------------------------------------------------+
|                           THỰC TRẠNG PHÁT TRIỂN THUỐC                       |
+------------------------------------+----------------------------------------+
|   Sàng lọc Thực nghiệm (Wet-lab)   |       Sàng lọc Ảo Truyền thống         |
| - Chi phí: Hàng triệu USD          | - Dùng chỉ số 2D/3D phân tán           |
| - Thời gian: 2 - 5 năm             | - Sai số ngoại suy cao                 |
| - Tỷ lệ hợp chất rác: > 99%        | - Bỏ sót đặc trưng ngữ nghĩa phân tử   |
+------------------------------------+----------------------------------------+
                                     |
                                     v
+-----------------------------------------------------------------------------+
|                   GIẢI PHÁP ĐỀ XUẤT: NLP-QSAR & MULTI-TIER FILTER           |
|  - Trích xuất đặc trưng hạ cấu trúc liên tục qua Mol2vec 100-D              |
|  - Mô hình học máy phi tuyến tối ưu hóa (SVR R2 > 0.79)                     |
|  - Kiểm soát nghiêm ngặt Applicability Domain (10-NN Euclidean Distance)    |
|  - Phễu lọc kép: AutoDock Vina + SwissADME Boiled-Egg + PAINS filter       |
+-----------------------------------------------------------------------------+
Tiêu chí Sàng lọc thực nghiệm (Wet-lab HTS) QSAR truyền thống (PaDEL/Dragon) Giải pháp NLP-Mol2vec QSAR + Multi-stage
Chi phí ban đầu Rất cao (> 500.000 USD) Thấp (< 5.000 USD) Tối thiểu (Môi trường mã nguồn mở)
Thời gian xử lý 200k chất 12–24 tháng 3–5 tuần 48–72 giờ tính toán phân tán
Biểu diễn phân tử Thực nghiệm sinh học Hàng nghìn chỉ số phân tán, đa cộng tuyến Nhúng vector ngữ cảnh 100 chiều liên tục
Khả năng khái quát hóa Giới hạn bởi mẫu thử Dễ bị quá khớp (overfitting) Cao nhờ biểu diễn tiểu cấu trúc (substructures)
Kiểm soát tính giống thuốc Đo lường sau tổng hợp Tách rời quy trình QSAR Tích hợp lọc đa tầng (BBB, PAINS, SA score)

Phân loại yêu cầu hệ thống (MoSCoW)

  • Must-have: Mã hóa cấu trúc SMILES sang vector nhúng Mol2vec 100 chiều; thuật toán học máy có $R^2 > 0.6$ trên tập kiểm tra; phễu lọc hàng rào máu não (BBB permeation); loại bỏ hợp chất gây nhiễu PAINS.
  • Should-have: Kiểm soát miền ứng dụng Applicability Domain qua khoảng cách $k$-NN ($k=10$); tự động hóa pipeline docking với AutoDock Vina.
  • Could-have: Tính toán chỉ số khả thi tổng hợp (Synthetic Accessibility Score); hiển thị tương tác 3D với VMD/PyMOL.
  • Won't-have (giai đoạn này): Mô phỏng động lực học phân tử toàn nguyên tử (All-atom Molecular Dynamics 100 ns).

Thiết kế hệ thống

Kiến trúc quy trình sàng lọc ảo tích hợp đa tầng được thiết kế tuần tự nhằm tối ưu hóa tài nguyên tính toán:

graph TD
    A[CSDL ChEMBL: 1.138 chất BACE1] --> B[Tiền xử lý & Trích xuất Mol2vec 100 chiều]
    B --> C[Lựa chọn đặc trưng 34 TSPT & Chia Train/Test 70:30]
    C --> D[Huấn luyện 7 mô hình ML: RF, SVR, LR, Lasso, Ridge, XGBoost, ANN]
    D --> E[Chọn mô hình tối ưu: SVR M2]
    
    F[CSDL ZINC: 224.205 hợp chất] --> G[Lọc Miền ứng dụng Applicability Domain: 10-NN]
    G -->|23.511 chất 10.49%| H[Dự đoán logIC50 qua mô hình SVR M2]
    H -->|968 chất logIC50 < 2| I[Molecular Docking AutoDock Vina với BACE1 2FDP]
    I -->|58 chất dG < -9.9 kcal/mol| J[Chọn Top 7 chất ái lực cao nhất dG = -10.7 đến -10.8]
    J --> K[SwissADME: Đánh giá BBB Boiled-Egg & Drug-likeness]
    K -->|Loại trừ PAINS & Sai phạm Ghose| L[Hợp chất tối ưu nhất: ZINC000096113994 SA=3.37]

Technology Stack

  • Ngôn ngữ & Môi trường: Python 3.9 trên nền tảng Google Colab & Linux x86_64.
  • Thư viện Hóa tin học & Học máy: RDKit (v2022.09.5), Mol2vec (v0.2.2), Scikit-Learn (v1.2.2), XGBoost (v1.7.5), Gensim (v3.8.3).
  • Phần mềm Docking & Hiển thị: AutoDock Vina (v1.2.0), AutoDockTools (v1.5.7), ChemDraw Professional 16.0, Chem3D 18.1, Visual Molecular Dynamics (VMD v1.9.3).
  • Đánh giá Dược động học: Nền tảng SwissADME (Swiss Institute of Bioinformatics).

Phương pháp luận (Methodology)

Nghiên cứu áp dụng quy trình chuẩn CRISP-DM kết hợp mô hình sàng lọc hóa tin học:

  • Xác định ngưỡng Miền ứng dụng (Applicability Domain - AD): Sử dụng phương pháp 10 lân cận gần nhất ($10\text{-NN}$): $$D_i \le D_c = \bar{y} + Z \cdot \sigma$$ Trong đó $\bar{y}$ là khoảng cách Euclid trung bình giữa các chất trong tập huấn luyện đến 10 chất gần nhất; $\sigma$ là độ lệch chuẩn; $Z = 0.5$. Hợp chất được chấp nhận dự đoán khi $D_i \le 11.2845$.
+-----------------------------------------------------------------------------------+
| TIẾN TRÌNH THỰC HIỆN DỰ ÁN (16 TUẦN)                                              |
| Tuần 1-3  : Thu thập & Tiền xử lý dữ liệu ChEMBL, ZINC (CSDL1, CSDL2)             |
| Tuần 4-7  : Trích xuất Mol2vec, Feature Selection, Huấn luyện 7 thuật toán ML     |
| Tuần 8-10 : Đánh giá mô hình, kiểm định ngoại suy, lọc Miền ứng dụng AD           |
| Tuần 11-13: Chuẩn bị cấu trúc tinh thể BACE1 (2FDP), Docking phân tử 968 hợp chất |
| Tuần 14-16: Khảo sát ADMET SwissADME, Lọc PAINS, Tổng hợp báo cáo kỹ thuật       |
+-----------------------------------------------------------------------------------+

Triển khai và kết quả thực nghiệm

Quá trình phát triển và thuật toán cốt lõi

Quy trình trích xuất vector nhúng đặc trưng phân tử sử dụng mô hình nhúng Mol2vec được thực hiện trực tiếp từ chuỗi ký hiệu SMILES:

import numpy as np
from rdkit import Chem
from mol2vec.features import mol2alt_sentence, MolSentence, DfVec
from gensim.models import word2vec
from sklearn.svm import SVR
from sklearn.metrics import mean_squared_error, r2_score, mean_absolute_error

# 1. Tải mô hình Mol2vec đã được tiền huấn luyện (pretrained embeddings)
model_mol2vec = word2vec.Word2Vec.load('model_300dim.pkl')

def extract_mol2vec_features(smiles_list, r=1):
    """Trích xuất vector phân tử 100 chiều từ chuỗi SMILES"""
    vectors = []
    for smi in smiles_list:
        mol = Chem.MolFromSmiles(smi)
        if mol is not None:
            # Tạo các câu phân tử (MolSentence) dựa trên bán kính r của Morgan substructures
            sentence = MolSentence(mol2alt_sentence(mol, radius=r))
            # Biểu diễn vector phân tử bằng tổng các vector tiểu cấu trúc
            vec = DfVec(sentence).to_vector(model_mol2vec)
            vectors.append(vec)
        else:
            vectors.append(np.zeros(100))
    return np.array(vectors)

# 2. Huấn luyện mô hình hồi quy vectơ hỗ trợ Support Vector Regression (SVR - Model M2)
svr_model = SVR(kernel='rbf', C=20.0, epsilon=0.1, gamma=0.001)
svr_model.fit(X_train_selected, y_train_logIC50)

# Dự đoán và tính toán độ chính xác
y_pred_test = svr_model.predict(X_test_selected)
print(f"Test R2 Score: {r2_score(y_test, y_pred_test):.4f}")
print(f"Test RMSE: {np.sqrt(mean_squared_error(y_test, y_pred_test)):.4f}")

Đánh giá chất lượng và so sánh 7 mô hình QSAR

Dữ liệu CSDL1 gồm 1.138 hợp chất được phân chia ngẫu nhiên thành Tập huấn luyện (Training set: 796 hợp chất, chiếm 69,9%) và Tập kiểm tra độc lập (Test set: 342 hợp chất, chiếm 30,1%).

Mã mô hình Thuật toán học máy Siêu tham số tối ưu $R^2_{\text{train}}$ $\text{MAE}_{\text{train}}$ $\text{RMSE}_{\text{train}}$ $R^2_{\text{test}}$ $\text{MAE}_{\text{test}}$ $\text{RMSE}_{\text{test}}$
M1 Random Forest $n=100, \text{depth}=15$ 0.884 0.362 0.491 0.582 0.684 0.892
M2 Support Vector Regression $C=20, \epsilon=0.1, \gamma=10^{-3}$ 0.790 0.540 0.672 0.685 0.591 0.768
M3 Linear Regression Mặc định 0.562 0.829 1.012 0.511 0.841 1.054
M4 Lasso Regression $\alpha = 0.01$ 0.551 0.834 1.025 0.504 0.852 1.062
M5 Ridge Regression $\alpha = 1.0$ 0.560 0.829 1.014 0.509 0.843 1.056
M6 XGBoost Regression $\text{lr}=0.1, \text{depth}=6$ 0.912 0.256 0.384 0.594 0.671 0.880
M7 Multi-layer ANN $(64, 64), \alpha=10^{-8}$ 0.742 0.612 0.781 0.573 0.710 0.915

[!NOTE] Nhận xét chuyên sâu: Mô hình M1 (RF) và M6 (XGBoost) đạt $R^2_{\text{train}}$ rất cao (> 0.88) nhưng $R^2_{\text{test}}$ tụt xuống dưới 0.60 với sai số kiểm tra cao, cho thấy hiện tượng quá khớp (overfitting). Mô hình tuyến tính M3, M4, M5 có năng lực giải thích kém ($R^2 < 0.6$). Mô hình M2 (SVR) thể hiện tính tổng quát hóa vượt trội nhất: $R^2_{\text{train}} = 0.790$, $R^2_{\text{test}} = 0.685$ (> 0.6), đồng thời đạt chỉ số sai số ngoại suy $\text{MAE}{\text{test}} = 0.591$ và $\text{RMSE}{\text{test}} = 0.768$ thấp nhất toàn hệ thống.

                  SO SÁNH HIỆU SUẤT MÔ HÌNH TRÊN TẬP TEST
          0.8 +---------------------------------------------------+
              |                                                   |
          0.6 |                      +---+                        |
   R2         |        +---+         |   |         +---+          |
  Test        |        |   |         |   |         |   |   +---+  |
          0.4 |  +---+ |   |   +---+ |   |   +---+ |   |   |   |  |
              |  |   | |   |   |   | |   |   |   | |   |   |   |  |
          0.2 |  |   | |   |   |   | |   |   |   | |   |   |   |  |
              +--+---+-+---+- -+---+-+---+- -+---+-+---+- -+---+--+
                  M1    M2      M3    M4      M5    M6      M7   
                        (SVR)

Kết quả sàng lọc ảo qua các tầng phễu

  1. Kiểm tra Miền ứng dụng (Applicability Domain): Trong 224.205 hợp chất từ CSDL ZINC (CSDL2), có 23.511 hợp chất (chiếm 10,49%) nằm trong miền xác định ($D_i \le 11.2845$), bảo đảm độ tin cậy khi dự đoán ngoại suy.
  2. Dự đoán hoạt tính $\text{logIC}_{50}$ bằng mô hình M2:
    • $\text{logIC}_{50} \ge 5$: 83 hợp chất (0,35%)
    • $3 \le \text{logIC}_{50} < 5$: 17.107 hợp chất (72,76%)
    • $2 \le \text{logIC}_{50} < 3$: 5.353 hợp chất (22,77%)
    • $\text{logIC}_{50} < 2$ (Hoạt tính ức chế mạnh nhất, nồng độ nM): 968 hợp chất (4,12%).
  3. Mô phỏng Docking phân tử:
    • 968 hợp chất được dock vào khoang gắn cơ chất của BACE1 (PDB: 2FDP). Phối tử đối chiếu chuẩn đạt năng lượng liên kết $\Delta G = -9.9\text{ kcal/mol}$.
    • Có 58 hợp chất đạt năng lượng liên kết tốt hơn đối chứng ($\Delta G \le -10.0\text{ kcal/mol}$).
    • Top 7 hợp chất có ái lực mạnh nhất ($\Delta G = -10.7$ đến $-10.8\text{ kcal/mol}$):
STT Mã ZINC ID Năng lượng liên kết $\Delta G$ (kcal/mol) $\text{logIC}_{50}$ dự đoán Khả năng thấm qua BBB (Boiled-Egg)
1 ZINC000008790287 -10.8 1.84 Thấm tốt (Vùng lòng đỏ)
2 ZINC000020464117 -10.7 1.76 Kém (Vùng xám)
3 ZINC000008878274 -10.7 1.82 Kém (Vùng xám)
4 ZINC000096116481 -10.7 1.69 Thấm tốt (Vùng lòng đỏ)
5 ZINC000217682404 -10.7 1.78 Kém (Vùng xám)
6 ZINC000217786309 -10.7 1.85 Kém (Vùng xám)
7 ZINC000096113994 -10.7 1.71 Thấm tốt (Vùng lòng đỏ)
  1. Khảo sát đặc tính Dược động học & Giống thuốc (SwissADME):
    • Trong 3 hợp chất có khả năng thâm nhập hàng rào máu não (Molecule 1, Molecule 4, Molecule 7):
      • ZINC000008790287 (Molecule 1): Vi phạm quy tắc PAINS do chứa nhân 3-methyl-1H-indol-2-yl (gây phản ứng không đặc hiệu).
      • ZINC000096116481 (Molecule 4): Vi phạm quy tắc Ghose ($\text{Molar Refractivity} > 130$).
      • ZINC000096113994 (Molecule 7): Thỏa mãn hoàn toàn quy tắc Lipinski, Ghose, Veber, không có cảnh báo PAINS, chỉ số khả thi tổng hợp $\text{SA Score} = 3.37 / 10$ (cấu trúc dễ tổng hợp hóa học).
                             PHỄU SÀNG LỌC ẢO (VIRTUAL SCREENING FUNNEL)
  +---------------------------------------------------------------------------------+
  | 224.205 Hợp chất Thư viện ZINC                                                  |
  +---------------------------------------------------------------------------------+
          |  (Lọc Applicability Domain 10-NN)
          v
  +-------------------------------------------------------------------+
  | 23.511 Hợp chất trong Miền ứng dụng (10,49%)                      |
  +-------------------------------------------------------------------+
          |  (Lọc SVR Model M2: logIC50 < 2)
          v
  +---------------------------------------------------+
  | 968 Hợp chất có hoạt tính cao (4,12%)             |
  +---------------------------------------------------+
          |  (Molecular Docking Vina: dG <= -9.9 kcal/mol)
          v
  +-----------------------------------+
  | 58 Hợp chất vượt đối chứng        |
  +-----------------------------------+
          |  (Top Hit dG <= -10.7 kcal/mol & Lọc BBB Permeation)
          v
  +---------------------------+
  | 3 Hợp chất qua được BBB   |
  +---------------------------+
          |  (Lọc PAINS, Ghose, Đánh giá SA Score)
          v
  +---------------------------------------------------+
  | 1 ỨNG VIÊN TỐI ƯU DUY NHẤT: ZINC000096113994     |
  +---------------------------------------------------+

Đổi mới và đóng góp

  • Tiên phong tích hợp NLP (Mol2vec) trong mô hình hóa BACE1: Khắc phục nhược điểm của các chỉ số phân tử truyền thống (vốn rời rạc, tính toán cồng kềnh và dễ phát sinh đa cộng tuyến). Thuật toán Mol2vec chuyển đổi cấu trúc hóa học thành không gian vector ngữ cảnh liên tục 100 chiều, bảo toàn thông tin môi trường hóa học của các nhóm chức.
  • Quy trình sàng lọc đa tầng kiểm soát chặt chẽ sai số: Kết hợp liên hoàn giữa mô hình toán học (SVR), cơ học phân tử (AutoDock Vina) và mô hình hóa lý màng sinh học (Boiled-Egg model), giúp giảm không gian tìm kiếm từ 224.205 chất xuống 1 ứng viên sáng giá với độ chính xác cao.
  • Tiết kiệm tài nguyên vượt bậc: Giảm hơn 99,99% số lượng mẫu thử cần làm thực nghiệm sinh học, tiết kiệm ước tính 85% thời gian và 90% kinh phí nghiên cứu ban đầu.

Ứng dụng thực tế và triển khai

Trường hợp sử dụng thực tế (Use Cases)

  • Tối ưu hóa chất dẫn đường (Lead Optimization): Phân tử ZINC000096113994 là cấu trúc lõi tiềm năng để các viện nghiên cứu và doanh nghiệp dược phẩm tiến hành tổng hợp hóa học, thử nghiệm ức chế enzyme BACE1 in vitro (FRET assay) và thử nghiệm trên mô hình động vật biến đổi gen APP/PS1.
  • Nền tảng sàng lọc tự động cho các đích protein khác: Pipeline mã nguồn mở này có thể tái sử dụng để xây dựng mô hình dự đoán phối tử cho các đích phân tử phức tạp khác như Tau-protein kinase (GSK-3$\beta$), enzyme phân giải Acetylcholinesterase (AChE), hoặc các thụ thể GPCR trong bệnh lý thần kinh và ung thư.

Yêu cầu triển khai hệ thống

  • Hạ tầng phần cứng tối thiểu: CPU 8 cores (Intel Xeon / AMD Ryzen 7), 16GB RAM, 50GB ổ cứng SSD.
  • Hạ tầng khuyến nghị: Máy trạm tính toán hiệu năng cao (HPC) hoặc Google Colab Pro GPU/TPU, 32GB RAM, hỗ trợ tính toán song song đa luồng cho bước sàng lọc thư viện hàng triệu chất.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Mô hình QSAR phụ thuộc vào sự đa dạng cấu trúc của tập dữ liệu huấn luyện ChEMBL ban đầu; các khung cấu trúc hóa học hoàn toàn mới ngoài không gian hóa học của tập huấn luyện sẽ bị loại trừ bởi bộ lọc miền ứng dụng.
  • Kỹ thuật Molecular Docking thực hiện với cấu trúc tinh thể thụ thể tĩnh (rigid receptor), chưa tính đến sự thay đổi cấu dạng linh hoạt của nắp túi hoạt động (flap open/close conformation) của enzyme BACE1 trong môi trường dung môi sinh lý.

Kướng phát triển tiếp theo

  1. Mô phỏng Động lực học Phân tử (Molecular Dynamics - MD): Thực hiện mô phỏng 100–200 ns với phần mềm GROMACS hoặc AMBER để kiểm tra độ bền nhiệt động và biến thiên RMSD/RMSF của phức hợp BACE1 - ZINC000096113994.
  2. Thực nghiệm Wet-lab: Tổng hợp hóa học chất dẫn đường ZINC000096113994 và đánh giá hoạt tính ức chế $\text{IC}_{50}$ thực tế trên enzyme BACE1 tái tổ hợp của người.

Đối tượng hưởng lợi

  • Sinh viên & Học viên Hóa Dược/Tin sinh: Cung cấp tài liệu mẫu mực về ứng dụng AI/NLP hiện đại trong thiết kế thuốc định hướng cấu trúc và phối tử.
  • Lập trình viên & Kỹ sư Dữ liệu: Nắm bắt kiến thức chuyển đổi dữ liệu hóa học (SMILES/SDF) thành cấu trúc vector học máy và quy trình xử lý dữ liệu hóa tin sinh học chuẩn mực.
  • Doanh nghiệp Dược phẩm: Rút ngắn chu kỳ R&D giai đoạn tiền lâm sàng, giảm thiểu lãng phí hàng trăm nghìn USD chi phí sàng lọc thực nghiệm mù quáng.
  • Cộng đồng Nghiên cứu Y sinh: Cung cấp cấu trúc chất dẫn đường tiềm năng hướng tới mục tiêu điều trị căn nguyên bệnh thoái hóa thần kinh Alzheimer.

Câu hỏi thường gặp

1. Yêu cầu cấu hình kỹ thuật để tái lập pipeline sàng lọc này là gì?

Hệ thống yêu cầu máy tính chạy hệ điều hành Linux (Ubuntu 20.04/22.04 LTS khuyến nghị) hoặc macOS/Windows với WSL2, cài đặt Python 3.9+, các gói thư viện RDKit, Mol2vec, Scikit-learn, AutoDock Vina 1.2.0 và tối thiểu 8GB RAM.

2. Tại sao mô hình Mol2vec kết hợp SVR lại vượt trội hơn Random Forest hay XGBoost trong nghiên cứu này?

Mol2vec chuyển đổi cấu trúc hóa học thành không gian vector liên tục 100 chiều có mật độ thông tin dày đặc. SVR với nhân RBF hoạt động rất hiệu quả trong không gian vector đa chiều liên tục này, thiết lập siêu phẳng phân tách với lề dung sai $\epsilon$, giúp tránh hiện tượng quá khớp (overfitting) vốn xảy ra rõ rệt ở các mô hình cây quyết định phân nhánh sâu như Random Forest hay XGBoost khi gặp dữ liệu ngoại suy.

3. Làm thế nào để đảm bảo hợp chất sàng lọc qua máy tính thực sự có hoạt tính sinh học?

Nghiên cứu sử dụng phễu lọc đa tầng: (1) Giới hạn miền ứng dụng 10-NN để tránh sai số ngoại suy; (2) Docking phân tử kiểm tra vị trí gắn kết lập thể và tương tác liên kết hydro; (3) Lọc bỏ các nhóm phản ứng giả PAINS; (4) Đánh giá chỉ số SA Score để bảo đảm hợp chất có thể tổng hợp được trong phòng thí nghiệm.

4. Tại sao khả năng thấm qua hàng rào máu não (BBB) lại là yếu tố sống còn đối với thuốc ức chế BACE1?

BACE1 là enzyme nội bào biểu hiện chủ yếu ở các tế bào thần kinh trong hệ thần kinh trung ương. Một hợp chất có hoạt tính ức chế cực mạnh in vitro nhưng không vượt qua được hàng rào mạch máu não sẽ hoàn toàn không thể tiếp cận vị trí tác dụng để hạ nồng độ peptid $\beta$-amyloid trong não.

5. Chỉ số SA Score có ý nghĩa gì đối với việc hiện thực hóa hợp chất dẫn đường?

Chỉ số Synthetic Accessibility (SA) Score do SwissADME tính toán dao động từ 1 (rất dễ tổng hợp) đến 10 (rất khó tổng hợp). Ứng viên ZINC000096113994 đạt điểm 3.37, phản ánh cấu trúc hóa học không có quá nhiều tâm bất đối phức tạp hay vòng xoắn căng, giúp các nhà hóa dược dễ dàng tổng hợp với chi phí thấp và hiệu suất cao.

Kết luận

Đồ án đã chứng minh tính hiệu quả và độ tin cậy của việc ứng dụng phương pháp xử lý ngôn ngữ tự nhiên (Mol2vec) kết hợp thuật toán hồi quy vectơ hỗ trợ (SVR) trong việc mô hình hóa hoạt tính ức chế BACE1. Với hệ số xác định trên tập kiểm tra $R^2_{\text{test}} = 0.685$ cùng sai số $\text{RMSE} = 0.768$, mô hình SVR M2 vượt trội hơn 6 thuật toán đối chứng và trở thành công cụ sàng lọc hiệu quả.

Quy trình sàng lọc ảo tích hợp đa tầng đã sàng lọc thành công 224.205 hợp chất từ cơ sở dữ liệu ZINC, chọn lọc được ứng viên xuất sắc nhất là ZINC000096113994 với năng lượng liên kết $\Delta G = -10.7\text{ kcal/mol}$, $\text{logIC}_{50}$ dự đoán đạt $1.71$, thấm tốt qua hàng rào máu não, không vi phạm các cảnh báo cấu trúc PAINS và có khả năng tổng hợp hóa dược khả thi ($\text{SA} = 3.37$). Kết quả này là cơ sở khoa học vững chắc để tiến hành các nghiên cứu tổng hợp và kiểm chứng hoạt tính sinh học in vitro/in vivo, mở ra triển vọng phát triển thuốc điều trị trúng đích bệnh Alzheimer tại Việt Nam và trên thế giới.