Nghiên cứu dẫn xuất Plumbagin mới có hoạt tính kháng ung thư gan (HEPG2) bằng mô hình hóa QSAR

Bài viết Nghiên cứu dẫn xuất Plumbagin mới có hoạt tính kháng ung thư gan (HEPG2) bằng mô hình hóa QSAR trình bày việc phát triển các dẫn xuất mới có hoạt tính kháng ung thư gan xuất phát từ dẫn xuất của Plumbagin sử dụng mô hình hóa QSAR.

NGHIÊN CỨU DẪN XUẤT PLUMBAGIN MỚI CĨ HOẠT TÍNH KHÁNG UNG THƯ GAN (HEPG2) BẰNG MƠ HÌNH HĨA QSAR Ngơ Võ Bảo Trân Khoa Dược, Trường Đại học Công nghệ TP Hồ Chí Minh GVHD: GS.TS Phạm Văn Tất PGS.TS Võ Phùng Nguyên TS Nguyễn Minh Quang TÓM TẮT Mục tiêu: Phát triển dẫn xuất có hoạt tính kháng ung thư gan xuất phát từ dẫn xuất Plumbagin sử dụng mơ hình hóa QSAR Phương pháp: Xây dựng mơ hình QSAR dựa kỹ thuật hồi quy tuyến tính đa biến (QSARMLR) mạng thần kinh nhân tạo (QSARANN) liệu bao gồm 50 dẫn xuất Plumbagin với giá trị IC50 khai thác từ thực nghiệm Các mơ hình QSAR này, sau sử dụng để dự đốn giá trị IC50 dẫn xuất Plumbagin thiết kế Kết quả: Mơ hình QSARMLR xây dựng thành cơng bao gồm bảy mô tả đáp ứng yêu cầu thống kê: R2train = 0,923; R2adj = 0,910; R2LOO = 0,888 SE = 4,678 Mơ hình mạng thần kinh QSARANN với kiến trúc I(7)-HL(3)-O(1) phát triển dựa biến mơ tả mơ hình QSARMLR với giá trị thống kê: R2train = 0,954; R2cross-validation = 0,958; R2test = 0,986 Sử dụng hai mơ hình sàng lọc dự đoán 13 dẫn xuất có hoạt tính tốt dựa giá trị IC50 Kết luận: Nghiên cứu xây dựng thành công mơ hình QSARMLR QSARANN để dự đốn hoạt tính kháng ung thư 13 dẫn xuất Plumbagin có hoạt tính tốt Từ khóa: ANN, HepG2, MLR, Plumbagin, QSAR ĐẶT VẤN ĐỀ Ung thư gan loại ung thư phổ biến Việt Nam [1] gánh nặng bệnh tật xếp thứ ba Việt Nam [2] Vì vậy, nghiên cứu dược chất có hoạt tính kháng ung thư gan cần thiết Nhiều nghiên cứu quan tâm đến dẫn xuất tự nhiên có nguồn gốc thảo dược Trong đó, Plumbagin (5hydroxy-2-methyl-1,4-naphthoquinone), dẫn xuất từ rễ Bạch hoa xà (Plumbago zeylanica Linn) nghiên cứu có khả kháng ung thư gan HepG2 Nhận thấy điều đó, dẫn xuất Plumbagin nghiên cứu sử dụng mơ hình hóa QSAR Mục tiêu nghiên cứu phát triển dẫn xuất sở cấu trúc Plumbagin có hoạt tính kháng ung thư gan TỔNG QUAN 863 Plumbagin nhiều nghiên cứu chứng minh có tác động kháng ung thư gan HepG2 chủ yếu trình apoptosis tăng sinh tế bào [3] [4] Tuy nhiên, có nghiên cứu rằng: Plumbagin điều trị ung thư gặp nhiều cản trở tính chất lý hóa khả thâm nhập [5] Vì vậy, nghiên cứu dẫn xuất plumbagin thực Các nghiên cứu thực nghiệm tốn thời gian chi phí nghiên cứu in silico giúp tiết kiệm thời gian, chi phí sàng lọc, dự báo hàng trăm chất thời gian ngắn ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU 2.1 Đối tượng nghiên cứu Hình 1: Plumbagin (5-hydroxy-2-methylnaphthalene-1,4-dione; A)[3] dẫn xuất (B) 2.2 Phương pháp nghiên cứu 2.2.1 Chuẩn bị liệu, tối ưu hóa cấu trúc, tính tốn mơ tả Thu thập liệu thực nghiệm dẫn xuất có khung cấu trúc Plumbagin báo nghiên cứu uy tín (Sciencedirect, Pubmed) giá trị hoạt tính IC50 thử nghiệm tế bào HepG2 [5-15] Tối ưu hóa cấu trúc phương pháp học phân tử MM+ Hyperchem [16] thu giá trị lượng, gradient sau sử dụng phương pháp bán thực nghiệm PM7 MOPAC [17] thu tham số lượng tử HOMO, LOMO, độ âm điện Tính tốn mơ tả 2D, 3D tham số cấu trúc phần mềm TEST [18], kết hợp liệu, loại bỏ tham số khơng có ý nghĩa 2.2.2 Mơ hình QSARMLR Phương pháp hồi quy tuyến tính đa biến (MLR) kỹ thuật xây dựng mơ hình tuyến tính, sử dụng dự đốn giá trị biến phụ thuộc Y dựa giá trị biến nhiều biến độc lập X [20] Mơ hình hồi quy tuyến tính đa biến có dạng Y = 0 + 1 X1 + 2 X + + k X k +  Trong đó, Y biến phụ thuộc; β0, β1, β2,…, βk tham số hồi quy mơ hình, Xi tương ứng với biến độc lập thứ i (với i = đến k, k số lượng biến mơ hình)  sai số ngẫu nhiên Trong nghiên cứu này, biến phụ thuộc giá trị IC50, biến độc lập mơ tả tính chất hóa lý cấu trúc nghiên cứu 2.2.3 Mạng thần kinh nhân tạo ANN ANN tập hợp nút kết nối gọi tế bào thần kinh nhân tạo, mơ hình hóa đơn giản có nguồn gốc từ tế bào thần kinh sinh học ANN bắt chước phần trình học tập não người [21] ANN dự 864 báo biến phụ thuộc cách sử dụng hàm kích hoạt cho biến đầu vào Cấu trúc mạng thần kinh nhân tạo I(k)-HL(m)-O(n) gồm lớp: Neuron lớp đầu vào tham số mơ tả mơ hình QSARMLR, neuron lớp đầu giá trị IC50 neuron lớp ẩn khảo sát để đạt mơ hình QSARANN phù hợp Hàm kích hoạt sử dụng nghiên cứu hàm logsig hàm tansig mơ hình luyện giải thuật lan truyền ngược kết hợp thuật tốn Levenberg-Marquest 2.2.4 Đánh giá mơ hình Đánh giá mơ hình bước quan trọng việc xác định tính đắn mơ hình xây dựng Trong nghiên cứa này, sử dụng phương pháp đánh giá nội với kỹ thuật đánh giá chéo loại bỏ dần trường hợp LOO (Leave-one-out) Đánh giá nội thực tập liệu xây dựng mơ hình với 50 giá trị thực nghiệm Giá trị thống kê để đánh giá mơ hình gồm có: R2train, R2adj, R2LOO, SE [20] [22] Đối với mơ hình QSARANN, đại lượng thống kê R2train, R2test R2validation sử dụng để đánh giá Bảng 1: Thơng số thống kê đánh giá mơ hình Ký hiệu Định nghĩa Công thức R2 Chỉ số tương quan liệu dự đoán thực nghiệm R2 lớn tương quan n R2 = −  (Y − Yˆ )  (Y − Y ) i i =1 n i i =1 cao R2 tính cho tập luyện (R2train), tập i kiểm tra (R2test), tập đánh giá (R2LOO, R2validation) R²adj Chỉ số tương quan liệu dự đoán Radj = R2 − thực nghiệm Đại lượng sử dụng để điều chỉnh R2 đưa nhiều biến số vào mơ hình SE k số biến sử dụng mơ hình Sai số chuẩn số sai lệch giá trị dự đoán giá trị thực nghiệm Đối với mơ hình tốt, sai số chuẩn ước lượng phải thấp k −1 (1− R2 ) N −1 N SE =  (Y − Yˆ ) i =1 i i N − k −1 Yi, Ŷi, Ȳ giá trị thực nghiệm, dự đoán trung bình, N số liệu tập luyện 2.2.5 Thiết kế dẫn xuất Các dẫn xuất Plumbagin thiết kế dựa báo nghiên cứu thực nghiệm vị trí có gắn nhóm nhiều Kết quả, gắn kết nhóm phần lớn vị trí R3, R12, R7, R14 Các nhóm gắn vào chất có hoạt tính nhóm tổng hợp thực tế để nâng cao tính khả thi nghiên cứu thực nghiệm tương lai KẾT QUẢ VÀ BÀN LUẬN 3.1 Kết 865 3.1.1 Mơ hình QSARMLR QSARMLR xây dựng liệu gồm 50 dẫn xuất Plumbagin với mô tả 2D 3D tham số lượng tử công cụ Regression [23] với dự liệu chia thành 80% cho nhóm luyện 20% cho nhóm đánh giá Mơ hình QSARMLR xây dựng phương pháp Forward kỹ thuật đánh giá chéo Chất lượng mơ hình đánh giá qua thông số thống kê R2train, R2adj, R2LOO, SE Bộ mô tả phân tử gồm 378 tham số mô tả phân tử khác Kết quả, tham số mô tả chọn cho ảnh hưởng lớn đến giá trị hoạt tính numHBa, 11O, xvp3, 3C, Molecular weight, Cosmo volume, 2C (bảng 1) Mơ hình QSAR với tham số mơ tả (k = 7) có R2train = 0,923; R2adj = 0,910; SE = 4,678; R2LOO = 0,888: IC50,µM = 113,694 − 4,588*numHBa + 346,282*11O + 4,633*xvp3 − 121,033*3C + 0,383*Molecular_Weight − 0,286*Cosmo_Volume −114,550*2C Các tham số thống kê mơ tả mơ hình QSARMLR với k = thể bảng Bảng Giá trị thống kê mô tả mô hình QSARMLR k Mơ tả b0 Hệ số Giá trị P value Std % đóng Error góp 113,694 3,745E-11 12,843 - -4,588 4,246E-07 0,767 6,893 O (Vị trí O số 11) 346,282 1,651E-17 24,587 23,943 b3 xvp3 (Chi đường hóa trị 3) 4,633 9,801E-05 1,076 5,320 -121,033 9,518E-08 18,810 5,309 b5 Molecular Weight (Khối lượng phân tử) 0,383 6,660E-12 0,040 32,389 b6 Cosmo Volume (Thể tích cosmo) -0,286 2,360E-09 0,038 26,839 -114,550 0,005 38,717 1,307 b1 numHBA (Số lượng liên kết Hydro nhận) b2 b4 b7 11 C (Vị trí C số 3) C (Vị trí C số 2) 866 3.1.2 Mơ hình mạng thần kinh nhân tạo QSARANN Phương pháp mạng thần kinh nhân tạo ANN sử dụng để tạo mơ hình có khả dự đoán cao phần mềm Matlab 2019a [24] Các dự đoán xvp3, numHBA, Molecular Weight, Cosmo Volume, 2C, 3C, 11O sử dụng làm biến đầu vào xây dựng mơ hình QSARANN Mơ hình QSARANN sử dụng giải thuật lan truyền ngược kết hợp thuật toán Levenberg-Marquest Kiến trúc mạng nơron bao gồm ba lớp I(7)-HL(3)-O(1) sau: lớp đầu vào I(7) bao gồm tế bào thần kinh (xvp3, numHBA, Molecular-Weight, Cosmo-Volume, 2C, 3C, 11O); lớp đầu O(1) bao gồm nơron giá trị IC50; lớp ẩn gồm tế bào thần kinh Hàm truyền sử dụng hàm tansig Mô hình QSARANN nhận giá trị thống kê R2train = 0,954; R2 cross-validation = 0,958; R2test = 0,986 Cả hai mơ hình QSARMLR QSARANN dùng để dự đoán giá trị IC50 tổ hợp 140 chất Giá trị IC50 tính từ hai mơ hình MLR ANN Sau đó, sàng lọc loại bỏ chất có giá trị IC50 lớn âm Kết quả, 13 hợp chất chọn với giá trị IC50 dự báo bảng Bảng Giá trị IC50pred mô hình QSARMLR QSARANN I II V VI III VII IC50 pred (µM) IV VIII IC50 pred (µM) Cấu trúc Cấu trúc MLR ANN MLR ANN plba3 3-III, 14-VI 18,480 16,029 plba91 3-I, 12-IV, 14-VI 11,305 11,014 plba7 3-I 20,289 21,289 plba99 3-I, 12-IV, 14-VII 11,528 11,767 plba10 12-IV,14-VI 18,184 20,675 plba109 12-IV, 7-V, 14-VI 13,770 11,135 plba14 3-I, 12-IV 11,317 12,749 plba114 3-I, 14-VII 21,310 24,097 plba45 12-IV, 7-V, 14-VII 14,224 11,810 plba119 12-IV, 7V 17,972 16,330 867 plba69 3-V, 12-IV, 7-V 2,636 3,407 plba75 3-II, 14-VI 9,598 7,237 plba139 3-II, 12-IV, 7-V, 22,947 22,754 14-VIII 3.2 Bàn luận 3.2.1 Mơ hình QSARMLR Kết đánh giá mơ hình QSAR hồn chỉnh từ tồn tập liệu cho thấy phương trình đạt mức độ tương quan cao (R2train = 0,923 > 0,6 [22] ) Giá trị R2train = 0,923 với k = thể mơ hình mã hóa 92,3% biến giá trị hoạt tính tập liệu, R2adj = 0,910 mã hóa 91% biến giá trị hoạt tính Sai số chuẩn mơ hình= 4,678 R2LOO = 0,888 (> 0,5 [22] ) khác biệt R2 R2LOO ≤ 0,3 [22] cho thấy mơ hình có chất lượng dự đốn tốt Giá trị P-value < 0,05 (cao mô tả b7= 0,005), mơ tả mơ hình thể độ tin cậy đáng kể mức 95% Các mô tả đóng góp mức độ khác đó, b5, b6, b2 có phần trăm đóng góp nhiều 32,389; 26,839; 23,943 % mô tả cịn lại có đóng góp vào mơ hình QSAR theo thứ tự Molecular Weight > Cosmo Volume > 11O > numHBA > xvp3 > 3C > 2C Mô tả 11O, xvp3, Molecular Weight có tham số hồi quy dương, mơ tả có tương quan thuận đến giá trị IC50 Ngược lại, mô tả numHBA, 3C, Cosmo Volume có tham số hồi quy âm, mơ tả có tương quan nghịch đến giá trị IC50 3.2.2 Mơ hình mạng thần kinh nhân tạo QSARANN Mơ hình QSARANN I(7)-HL(3)-O(1) cho giá trị thống kê R2train = 0,954; R2cross-validation = 0,958; R2test = 0,986 Các kết mơ hình QSARANN I(7)-HL(3)-O(1) tốt mơ hình QSARMLR Mơ hình QSARANN giải thích 95,4% biến tập liệu, mơ hình QSARMLR giải thích tương ứng 92,3% biến R2cross-validation = 0,958 (> 0,5 [22] ) khác biệt giá trị R2 R2cross-validation không lớn 0,3 [22] Mơ hình có chất lượng dự đốn tốt KẾT LUẬN Nghiên cứu phát triển thành công mơ hình QSARMLR QSARANN để dự đốn hoạt tính IC50 dẫn xuất Plumbagin Mơ hình QSARMLR xây dựng đáp ứng yêu cầu thống kê Mô hình QSARANN tốt có kiến trúc mạng I(7)-HL(3)-O(1) 13 dẫn xuất Plumbagin sàng lọc có hoạt tính dự báo tốt tế bào ung thư HepG2, đặc biệt plba69 plba75 có IC50 dự báo 2,636 9,598 với MLR 3,407 7,237 với ANN 868 TÀI LIỆU THAM KHẢO [1] Hyuna S, Jacques F, Rebecca LS et al (2021) Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries CA: A Cancer Journal for Clinicians, 71(3), 209–249 https://doi.org/10.3322/caac.21660 [2] Tung P, Linh B, Giang K et al (2019) Cancers in Vietnam—Burden and Control Efforts: A Narrative Scoping Review Cancer Control, 26(1), 107327481986380 https://doi.org/10.1177/1073274819863802 [3] Geun HH, Yu JJ, Joonhyeok C et al (2015) The role of thioredoxin reductase and glutathione reductase in plumbagin-induced, reactive oxygen species-mediated apoptosis in cancer cell lines European Journal of Pharmacology, 765, 384–393 https://doi.org/10.1016/j.ejphar.2015.08.058 [4] Tingting L, Mengjiao LV, Xiaohua C et al (2019) Plumbagin inhibits proliferation and induces apoptosis of hepatocellular carcinoma by downregulating the expression of SIVA Drug Design, Development and Therapy, Volume 13, 1289–1300 https://doi.org/10.2147/DDDT.S200610 [5] Na B, Jinfeng O, Manyi X et al (2017) Novel NO-releasing plumbagin derivatives: Design, synthesis and evaluation of antiproliferative activity European Journal of Medicinal Chemistry, 137, 88–95 https://doi.org/10.1016/j.ejmech.2017.05.046 [6] Shahla KB, Li YL, Han YQ et al (2014) Synthesis and biological evaluation of novel shikonin ester derivatives as potential anti-cancer agents RSC Advances, 4(67), 35588 https://doi.org/10.1039/C4RA05610H [7] Shahla KB, Lin M et al (2015) Design, synthesis and mechanism of novel shikonin derivatives as potent anticancer agents RSC Advances, 5(40), 31759–31767 https://doi.org/10.1039/C5RA01872B [8] Jing G, Xiao FC, Jing L et al (2014) Novel Shikonin Derivatives Targeting Tubulin as Anticancer Agents Chemical Biology & Drug Design, 84(5), 603–615 https://doi.org/10.1111/cbdd.12353 [9] Ri ZH, Le J, Gui YY et al (2017) Synthesis and molecular docking study of novel alizarin derivatives containing phosphoryl amino acid moiety as potential antitumor agents Medicinal Chemistry Research, 26(10), 2363–2374 https://doi.org/10.1007/s00044-017-1938-2 [10] Hong YL, Zi KL, Li FB et al (2015) Synthesis of aryl dihydrothiazol acyl shikonin ester derivatives as anticancer agents through microtubule stabilization Biochemical Pharmacology, 96(2), 93–106 https://doi.org/10.1016/j.bcp.2015.04.021 [11] Xiao MW, Hong YL, Wen YK et al (2014) Synthesis and Biological Evaluation of Heterocyclic Carboxylic Acyl Shikonin Derivatives Chemical Biology & Drug Design, 83(3), 334–343 https://doi.org/10.1111/cbdd.12247 869 [12] Kun Y, Ming JJ, Zhe SQ, Hu RP (2019) Design and Synthesis of Novel Anti-Proliferative Emodin Derivatives and Studies on their Cell Cycle Arrest, Apoptosis Pathway and Migration Molecules, 24(5), 884 https://doi.org/10.3390/molecules24050884 [13] Gui YY, Man YY, Ri ZH et al (2014) Synthesis and antitumor activities of novel rhein αaminophosphonates conjugates Bioorganic & Medicinal Chemistry Letters, 24(2), 501–507 https://doi.org/10.1016/j.bmcl.2013.12.030 [14] Li MZ, Li MZ, Jin JL et al (2012) Synthesis and antitumor activity of conjugates of 5-Fluorouracil and emodin European Journal of Medicinal Chemistry, 47, 255–260 https://doi.org/10.1016/j.ejmech.2011.10.050 [15] Jian TZ, Uwe R, Lixia Z et al (2005) Cytotoxic Activities of New Jadomycin Derivatives The Journal of Antibiotics, 58(6), 405–408 https://doi.org/10.1038/ja.2005.51 [16] HyperChem 8.0.6 (1995-2008), Hypercube Inc, USA [17] Stewart J.J.P (2016), MOPAC2016, version: 17.240W, Stewart Computational Chemistry, USA [18] Todd M Martin (2008), TEST, Version 1.0.2, Environmental Protection Agency, USA [19] PerkimElmer (2012), ChemBioDraw Ultra 13, CambridgeSoft, England [20] Kunal R, Supratik K, Rudra ND (2015) A Primer on QSAR/QSPR Modeling Springer, Switzerland [21] Soteris A Kalogirou (2000) Applications of artificial neural-networks for energy systems Applied Systems (tr 17–35) Elsevier https://doi.org/10.1016/B978-0-08-043877-1.50005-X [22] Alexander Tropsha (2010) Best Practices for QSAR Model Development, Validation, and Exploitation Molecular Informatics, 29(6–7), 476–488 https://doi.org/10.1002/minf.201000061 [23] Steppan DD, Werner J, Yeater PR (1998), Essential Regression and Experimental Design for Chemists and Engineers [24] Matlab R2019a (2019), MathWorks, USA 870 .. .Plumbagin nhiều nghiên cứu chứng minh có tác động kháng ung thư gan HepG2 chủ yếu trình apoptosis tăng sinh tế bào [3] [4] Tuy nhiên, có nghiên cứu rằng: Plumbagin điều trị ung thư gặp... KẾT LUẬN Nghiên cứu phát triển thành cơng mơ hình QSARMLR QSARANN để dự đốn hoạt tính IC50 dẫn xuất Plumbagin Mơ hình QSARMLR xây dựng đáp ứng yêu cầu thống kê Mơ hình QSARANN tốt có kiến trúc mạng... chất có hoạt tính nhóm tổng hợp thực tế để nâng cao tính khả thi nghiên cứu thực nghiệm tương lai KẾT QUẢ VÀ BÀN LUẬN 3.1 Kết 865 3.1.1 Mơ hình QSARMLR QSARMLR xây dựng liệu gồm 50 dẫn xuất Plumbagin