Xây dựng mô hình in silico dự đoán các chất ức chế hiv integrase tiềm năng

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ Y TẾ ĐẠI HỌC Y DƯỢC THÀNH PHỐ HỒ CHÍ MINH PHAN TIỂU LONG XÂY DỰNG MƠ HÌNH IN SILICO DỰ ĐỐN CÁC CHẤT ỨC CHẾ HIV INTEGRASE TIỀM NĂNG LUẬN VĂN THẠC SĨ DƯỢC HỌC THÀNH PHỐ HỒ CHÍ MINH, NĂM 2022 BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ Y TẾ ĐẠI HỌC Y DƯỢC THÀNH PHỐ HỒ CHÍ MINH PHAN TIỂU LONG XÂY DỰNG MƠ HÌNH IN SILICO DỰ ĐOÁN CÁC CHẤT ỨC CHẾ HIV INTEGRASE TIỀM NĂNG NGÀNH: CÔNG NGHỆ DƯỢC PHẨM VÀ BÀO CHẾ MÃ SỐ: 8720202 LUẬN VĂN THẠC SĨ DƯỢC HỌC NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS TRƯƠNG NGỌC TUYỀN THÀNH PHỐ HỒ CHÍ MINH, NĂM 2022 LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu riêng Các số liệu, kết nêu luận văn trung thực chưa công bố cơng trình nghiên cứu khác Nếu khơng nêu trên, tơi xin hồn tồn chịu trách nhiệm Người cam đoan PHAN TIỂU LONG Luận văn tốt nghiệp Thạc sĩ Dược Học – Năm học 2020 – 2022 XÂY DỰNG MƠ HÌNH IN SILICO DỰ ĐỐN CÁC CHẤT ỨC CHẾ HIV INTEGRASE TIỀM NĂNG Phan Tiểu Long Giảng viên hướng dẫn: PGS TS Trương Ngọc Tuyền MỞ ĐẦU VÀ ĐẶT VẤN ĐỀ Nhóm ức chế q trình chuyển sợi HIV integrase (INSTIs) xu hướng nghiên cứu điều trị HIV quan tâm năm gần Nhiều nghiên cứu việc ức chế trình chuyển sợi integrase ngăn chạn lây lan virus, kéo dài thời gian sống cịn cho vật chủ Việc ứng dụng mơ hình in silico giúp rút ngắn thời gian, cơng sức tài ngun để nghiên cứu phát triển thuốc ức chế HIV integrase có tiềm việc điều trị HIV ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU Cơ sở liệu gồm 3105 chất có thử nghiệm khả ức chế trình chuyển sợi integrase thu thập từ thư viện ChEMBL để xây dựng mơ hình pharmacophore 2D-QSAR Nghiên cứu sử dụng protein HIV integrase (PDB ID: 6PUW) để tiến hành kiểm tra hồi chứng cho trình docking Sau thư viện nội gồm 2016 chất sàng lọc qua mơ hình in silico xây dựng bao gồm lọc hố dược, mơ hình 3D-Pharmacophore, mơ hình phân loại hồi quy QSAR mơ hình Docking phân tử KẾT QUẢ VÀ BÀN LUẬN Mơ hình Pharmacophore xây dựng dựa cấu trúc đa dạng xác định thuật toán Butina kết hợp với ứng dụng học sâu để tạo mồi chất lượng cao Các phương pháp tối ưu mơ hình ứng dụng học máy áp dụng để cải thiện hiệu mơ hình Pharmacophore, kết qủa mơ hình OF-GSS cho kết đánh giá đại lượng AUC đạt 0,99; GH đạt 0,962 F1 score đạt 0,917 tốt so với mơ hình Pharmacophore xây dựng Islam cộng vào năm 2016 Mơ hình phân loại 2D-QSAR xây dựng dựa liệu RDK7 với thuật tốn Gradient Boosting cho độ xác trung bình (AP) mức 0,938; F1 score đạt 0,874 độ nhạy đạt 0,865; tối ưu so với mơ hình Naive Bayesian xây dựng Zhou cộng vào năm 2021 Mơ hình hồi quy 2D-QSAR xây dựng dựa liệu avalon với thuật toán CatBoost cho kết đánh giá ngoại đại lượng R2 đạt 0,883; RMSE đạt 0,458 MAE đạt 0,365; tối ưu so với mơ hình rừng ngẫu nhiên xây dựng Xuan cộng vào năm 2021 Mơ hình docking phân tử thực phần mềm docking khác (Smina, Qvina2, Autodock Vina 1.2.3, Vina-GPU Autodock-GPU), kết kiểm tra kiểm tra hồi chứng cho thấy phần mềm Autodock-GPU cho kết tối ưu thời gian thực thi (6,03 giây) hiệu phân loại, với đại lượng AUC đạt 0,876 ngưỡng điểm số docking xác định -9,71 kcal/mol Sau sàng lọc 2016 chất từ thư viện nội qua mơ hình cịn chất tiềm cho việc tổng hợp thử nghiệm in vitro hoạt tính ức chế HIV integrase KẾT LUẬN VÀ ĐỀ NGHỊ Đề tài sàng lọc chất tiềm cho việc thử nghiệm in vitro hoạt tính ức chế HIV integrase Đề nghị tiến hành tổng hợp thử hoạt tính 7chất tiềm Thiết kế thêm khung cấu trúc tối ưu hố quy trình in silico Graduation Thesis Master of Pharmacy – Academic year 2020 – 2022 IN SILICO MODELING FOR PREDICTION OF POTENTIAL HIV INTEGRASE INHIBITORS Phan Tieu Long Supervisor: Asst Prof Truong Ngoc Tuyen INTRODUCTION HIV Integrase Strand Transfer Inhibitors (INSTIs) had been a trend in HIV treatment research in recent years Many studies had shown that inhibiting the strand transfer of integrase would prevent the spread of the virus, prolonging the survival time for the host The application of in silico models would help shorten the time, effort and resources to research and develop new potential HIV integrase inhibitors in HIV treatment METHOD A database of 3105 substances which had experimental data inhibit HIV integrase was collected from ChEMBL database to build pharmacophore and 2D-QSAR models This study used HIV integrase protein (PDB ID: 6PUW) for the retrospective control of the docking procedure Subsequently, the internal library of 2016 substances were screened through in silico models including the drug-likeness filter, 3D-Pharmacophore model, 2D-QSAR classification and regression model, and Molecular Docking model RESULT AND DISCUSSION 3D-Pharmacophore model was built based on diverse chemical structures identified by Butina algorithm combined with deep learning application to generate high quality decoy Model optimization methods and machine learning had been applied to improve the performance of the Pharmacophore model As a result, the OF-GSS model gave evaluation metrics of 0.99 AUC; the GH score of 0.962 and the F1 score of 0.917, which was better than the Pharmacophore model built by Islam et al in 2016 The 2D-QSAR model was trained with the RDK7 dataset by the Gradient Boosting algorithm result in an average precision metric of 0.938; the F1 score of 0.874 and the recall score of 0.865, which was better than the Naive Bayesian model built by Zhou et al in 2021 The 2D-QSAR regression model was trained with the Avalon dataset by the CatBoost algorithm result in R2 metric of 0.883; the RMSE of 0.458 and the MAE of 0.365, which was better than the Random Forest model built by Xuan et al in 2021 Molecular docking model was performed on all different docking software (Smina, Qvina2, Autodock Vina 1.2.3, Vina-GPU and Autodock-GPU), the results of retrospective control experiment showed that Autodock-GPU gave more optimal results in both execution time (6.03 seconds) and classification performance, with AUC of 0.876 and docking score threshold defined as -9.71 kcal/mol After screening 2016 substances from the internal library through these models, there are potential substances for synthesis and in vitro testing for HIV integrase inhibitory activity CONCLUSION This study had screened most potential substances for in vitro testing for HIV integrase inhibitory activity It is recommended to conduct synthesis and test the bioactivity of these substances Design more scaffold and optimize in silico procedures Luận văn thạc sĩ Dược học Mục lục MỤC LỤC MỤC LỤC II DANH MỤC CÁC CHỮ VIẾT TẮT I DANH MỤC BẢNG V DANH MỤC HÌNH .VII MỞ ĐẦU CHƯƠNG TỔNG QUAN VÀ TÀI LIỆU 1.1 TỔNG QUAN VỀ HIV VÀ CÁC THUỐC ĐIỀU TRỊ 1.1.1 Giới thiệu virus HIV 1.1.2 Các phương pháp điều trị HIV 1.1.3 Thuốc ức chế trình chuyển sợi integrase HIV 1.2 MƠ HÌNH 3D-PHARMACOPHORE 1.2.1 Khái niệm 1.2.2 Lựa chọn tập xây dựng cho mơ hình pharmacophore dựa phối tử 10 1.2.3 Xây dựng mơ hình pharmacophore dựa phối tử 12 1.2.4 Tối ưu hoá mơ hình 3D-Pharmacophore 15 1.3 MƠ HÌNH QSAR 16 1.3.1 Khái niệm 16 1.3.2 Ngơn ngữ lập trình python 17 1.3.3 Ứng dụng học máy xây dựng mơ hình QSAR 18 1.3.4 Đánh giá mơ hình QSAR 20 1.3.5 Kiểm định thứ hạng Wilcoxon 22 1.3.6 Lựa chọn thông số mô tả (dấu vân tay) 23 1.3.7 Tối ưu hố mơ hình 23 1.3.8 Xác định miền ứng dụng 24 1.4 MƠ HÌNH DOCKING PHÂN TỬ 24 1.4.1 Khái niệm docking 24 1.4.2 Đánh giá mô hình docking phân tử 25 1.4.3 Các phần mềm Docking 26 1.5 BỘ LỌC ADMET 28 1.5.1 QED 28 1.5.2 SAscore 28 Luận văn thạc sĩ Dược học Mục lục 1.5.3 Fsp3 28 1.5.4 MCE-18 28 1.5.5 NPscore 29 1.5.6 Lipinski Rule 29 1.5.7 Pfizer Rule 29 1.5.8 GSK Rule 29 1.5.9 Golden Triangle 29 1.5.10 PAINS 29 1.5.11 ALARM NMR Rule 30 1.5.12 BMS Rule 30 1.5.13 Chelator Rule 30 1.6 CÁC NGHIÊN CỨU GẦN ĐÂY 30 CHƯƠNG ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU 33 2.1 ĐỐI TƯỢNG NGHIÊN CỨU 33 2.1.1 Dữ liệu xây dựng mơ hình 33 2.1.2 Dữ liệu sàng lọc 33 2.1.3 Cấu trúc protein 33 2.2 PHƯƠNG PHÁP NGHIÊN CỨU 35 2.2.1 Xây dựng mơ hình pharmacophore 36 2.2.2 Xây dựng mơ hình phân loại QSAR 44 2.2.3 Xây dựng mô hình hồi quy QSAR 49 2.2.4 Mơ hình gắn kết phân tử (Molecular Docking) 50 2.2.5 Sàng lọc ảo thư viện nội 54 CHƯƠNG KẾT QUẢ VÀ BÀN LUẬN 56 3.1 MÔ HÌNH 3D-PHARMACOPHORE 56 3.3.1 Phân cụm liệu 56 3.3.2 Xây dựng tập mồi nhử tập đánh giá 57 3.3.3 Xây dựng mơ hình Pharmacophore 58 3.3.4 Tối ưu hoá mơ hình Pharmacophore 63 3.3.5 Bàn luận 72 3.3 MƠ HÌNH PHÂN LOẠI 2D-QSAR 76 3.3.1 Chuẩn bị sở liệu 76 3.3.2 Xử lý liệu 76 Luận văn thạc sĩ Dược học Mục lục 3.3.3 Lựa chọn liệu tối ưu (data-centric) 77 3.3.4 Xây dựng mơ hình học máy 79 3.3.5 Tối ưu hố mơ hình học máy 84 3.3.6 Đánh giá khả tổng qt hố mơ hình 87 3.3.7 Xác định miền ứng dụng mơ hình QSAR 87 3.3.8 Bàn luận 89 3.4 MƠ HÌNH HỒI QUY 2D-QSAR 91 3.4.1 Chuẩn bị sở liệu 91 3.4.2 Xử lý liệu 92 3.4.3 Lựa chọn liệu tối ưu (data-centric) 93 3.4.4 Xây dựng mô hình học máy 95 3.4.5 Tối ưu hố mơ hình 99 3.4.6 Đánh giá khả tổng qt hố mơ hình 102 3.4.7 Xác định miền ứng dụng mô hình QSAR 103 3.4.8 Bàn luận 105 3.5 MÔ HÌNH DOCKING PHÂN TỬ 106 3.5.1 Redocking 106 3.5.2 Xây dựng liệu kiểm tra hồi chứng 110 3.5.3 Kiểm tra hồi chứng cho mơ hình docking 112 3.5.4 Bàn luận 122 3.6 SÀNG LỌC ẢO 124 3.6.1 Sàng lọc qua mơ hình dược động học – độc tính (ADMET) 124 3.6.2 Sàng lọc qua mơ hình Pharmacophore 125 3.6.3 Sàng lọc qua mô hình QSAR 125 3.6.4 Sàng lọc qua mơ hình Docking 126 CHƯƠNG KẾT LUẬN VÀ KIẾN NGHỊ .135 4.1 KẾT LUẬN 135 4.2 ĐỀ NGHỊ 136 DANH MỤC CƠNG TRÌNH ĐÃ CƠNG BỐ .136 TÀI LIỆU THAM KHẢO 137 PHỤ LỤC .151