Nghiên cứu mô hình dự đoán in silico khả năng ức chế của các hợp chất tự nhiên trên mpro cua3 sars cov 2

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ Y TẾ ĐẠI HỌC Y DƯỢC THÀNH PHỐ HỒ CHÍ MINH VÕ LINH TỬ NGHIÊN CỨU MƠ HÌNH DỰ ĐỐN IN SILICO KHẢ NĂNG ỨC CHẾ CỦA CÁC HỢP CHẤT TỰ NHIÊN TRÊN Mpro CỦA SARS-COV-2 NGÀNH: CÔNG NGHỆ DƯỢC PHẨM VÀ BÀO CHẾ THUỐC MÃ SỐ: 8720202 LUẬN VĂN THẠC SĨ DƯỢC HỌC NGƯỜI HƯỚNG DẪN KHOA HỌC: TS NGUYỄN THỤY VIỆT PHƯƠNG THÀNH PHỐ HỒ CHÍ MINH, NĂM 2022 LỜI CAM ĐOAN Tôi xin cam đoan luận văn này cơng trình nghiên cứu tơi Những phần sử dụng tài liệu tham khảo luận văn nêu rõ phần tài liệu tham khảo Các kết nghiên cứu trình bày luận văn là trung thực, khách quan Tác giả luận văn Võ Linh Tử LỜI CẢM ƠN Tôi xin cảm ơn gia đình tôi, người thân yêu ủng hộ, là điểm tựa và động lực cho suốt thời gian khóa học Em xin gửi lời cảm ơn chân thành đến cô TS Nguyễn Thụy Việt Phương dành thời gian, tâm huyết, tận tình hướng dẫn góp ý chỉnh sửa giúp em hồn thiện luận văn Cảm ơn cô vì học bổ ích mà dạy cho em Em xin cảm ơn thầy GS.TS Thái Khắc Minh thầy GS.TS Phạm Văn Tất dành thời gian đọc phản biện giúp em hoàn chỉnh luận văn Em xin tri ân Thầy, Cô khoa Dược tham gia công tác giảng dạy chương trình Cao học dành nhiều tâm huyết truyền đạt kiến thức, kinh nghiệm cho các học viên Em xin cảm ơn anh ThS Trương Văn Đạt động viên, tạo điều kiện cho em để em có thể hoàn thành khóa học Cuối cùng, xin cảm ơn tập thể lớp cao học Công nghệ Dược phẩm và Bào chế thuốc 2020-2022 đồng hành, hỗ trợ suốt chặn đường vừa qua Võ Linh Tử Luận văn tốt nghiệp Thạc sĩ Dược học – Khóa: 2020 - 2022 NGHIÊN CỨU MƠ HÌNH DỰ ĐOÁN IN SILICO KHẢ NĂNG ỨC CHẾ CỦA CÁC HỢP CHẤT TỰ NHIÊN TRÊN Mpro CỦA SARS-COV-2 Võ Linh Tử Giảng viên hướng dẫn: TS NGUYỄN THỤY VIỆT PHƯƠNG Mở đầu đặt vấn đề Main protease (Mpro) mục tiêu tiềm nghiên cứu thuốc chống COVID-19 Mục tiêu nghiên cứu nghiên cứu mơ hình dự đoán in silico khả ức chế hợp chất tự nhiên Mpro SARS-CoV-2 Đối tượng phương pháp nghiên cứu Đối tượng nghiên cứu Mpro SARS-CoV-2 (PDB: 6LU7), 227 chất biết hoạt tính ức chế Mpro SARS-CoV-2 in vitro thu thập từ 17 báo khoa học Cơ sở liệu sàng lọc gồm 273 hợp chất tự nhiên chiết xuất khoa Dược Đại học Y Dược Thành phố Hờ Chí Minh Các phương pháp in silico gờm mơ hình pharmacophore, mơ hình QSAR, gắn kết phân tử mô động lực học phân tử kết hợp để dự đoán chất ức chế Mpro tiềm Kết bàn luận Mơ hình pharmacophore R01-V ba điểm gồm trung tâm kỵ nước bao quanh acid amin His41, Met49 và Met165, điểm nhận liên kết hydro tương tác với Glu166 và điểm nhận liên kết hydro tương tác với His163 với vùng giới hạn thể tích loại trừ xây dựng từ cấu trúc tinh thể enzym Mpro và ligand đồng kết tinh N3 (mã PDB: 6LU7) mơ hình tớt với đợ nhạy 80,0%, đợ đặc hiệu 86,9%, đợ xác 86,3%; điểm sớ Güner-Henry 0,43 tỷ lệ làm giàu 4,15 Mô hình QSAR theo phương pháp máy học bằng thuật toán Random Forest mô hình tốt để dự đoán định lượng hoạt tính ức chế Mpro (R2 = 0,83; RMSE = 0,40) Sàng lọc 273 hợp chất tự nhiên qua mô hình pharmacophore thu 44 hợp chất, hoạt tính dự đoán (IC50) chất bằng mơ hình QSAR từ 0,09 đến 1,33 µM Các hợp chất gắn tớt vào Mpro flavonoid M228, M072, M160, M163, M023, điểm số gắn kết từ -8,5 đến -9,1 kcal.mol-1 Tất ligand đều có lực cao với khoang gắn cấu trúc protein phức hợp ổn định śt q trình mơ đợng lực học 50 ns Kết luận Các hợp chất M228, M072, M160, M163, M023 có tiềm trở thành chất ức chế enzym Mpro SARS-CoV-2 Final essay for the degree of MA In Pharm – Academic year: 2020 – 2022 IN SILICO EVALUATION SARS-COV-2 MPRO INHIBITORY POTENTIAL OF NATURAL COMPOUNDS Introduction Main protease (Mpro) is a potential target in drug discovery for COVID-19 The objective of the study is to use in silico models to predict the SARS-CoV-2 Mpro inhibitory potential of natural compounds Materials and methods The target structure is Mpro of SARS-CoV-2 (PDB: 6LU7), ligand data including 227 substances with known SARS-CoV-2 Mpro inhibitory activity in vitro extracted from 17 articles Screening database is 273 natural compounds extracted at the Faculty of Pharmacy, University of Medicine and Pharmacy, Ho Chi Minh City In silico methods including pharmacophore model, QSAR model, molecular docking, and molecular dynamics simulations were combined to predict potential Mpro inhibitors Result and discussion Three-point pharmacophore model consisting of a hydrophobic center surrounded by the acids His41, Met49 and Met165, a hydrogen bond acceptor that interacts with Glu166 and a hydrogen bond acceptor that interacts with His163 with an exclusion volume restriction built from the crystal structure of enzyme Mpro with co-crystallized ligand N3 (PDB ID: 6LU7) was the best model with sensitivity 80.0%, specificity 86.9%, accuracy 86.3%; Güner-Henry score 0.43 and enrichment factor 4.15 QSAR model using machine learning method by Random Forest algorithm was a good model for quantitative prediction of Mpro inhibitory activity (R2 = 0.83; RMSE = 0.40) Screening 273 natural compounds through pharmacophore model obtained 44 compounds, predicted activity (IC50) of 44 compounds by QSAR model from 0.09 to 1.33 µM Compounds showed strong binding to Mpro through molecular docking studies were the flavonoids M228, M072, M160, M163, M023, binding scores from -8.5 to -9.1 kcal.mol-1 All ligands had high affinity for the binding cavity and protein in complexs was stable throughout the 50 ns dynamics simulation Conclusion M228, M072, M160, M163, M023 have the potential to become inhibitors of SARS-CoV-2 Mpro MỤC LỤC Danh mục chữ viết tắt i Danh mục hình iii Danh mục bảng vi MỞ ĐẦU .1 Chương TỔNG QUAN 1.1 Tổng quan về SARS-CoV-2 Mpro 1.2 Tiềm phát triển thuốc COVID-19 từ dược liệu .8 1.3 Nghiên cứu in silico 10 1.4 Tình hình nghiên cứu và ngoài nước 23 Chương ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU 26 2.1 Đối tượng nghiên cứu .26 2.2 Thiết kế nghiên cứu 27 2.3 Xây dựng mơ hình 3D-pharmacophore 28 2.4 Xây dựng mơ hình QSAR 31 2.5 Sàng lọc ảo hợp chất tự nhiên 35 2.6 Nghiên cứu gắn kết phân tử 35 2.7 Nghiên cứu mô động lực học phân tử 38 Chương KẾT QUẢ .40 3.1 Xây dựng mơ hình sàng lọc 3D-pharmacophore dự đoán hoạt tính ức chế Mpro SARS-CoV-2 .40 3.2 Xây dựng mô hình QSAR dự đoán hoạt tính ức chế Mpro SARS-CoV-2 sử dụng phương pháp máy học (machine learning) .46 3.3 Ứng dụng hai mơ hình 3D-pharmacophore và QSAR xây dựng để sàng lọc hợp chất tự nhiên 47 3.4 Phân tích khả tương tác chất tiềm enzym Mpro SARSCoV-2 bằng phương pháp gắn kết phân tử (molecular docking) 51 3.5 Đánh giá độ ổn định gắn kết thông qua mô động lực học phân tử (molecular dynamics simulation) 59 Chương BÀN LUẬN 65 4.1 Xây dựng mơ hình sàng lọc 3D-pharmacophore dự đoán hoạt tính ức chế Mpro SARS-CoV-2 .65 4.2 Xây dựng mô hình QSAR dự đoán hoạt tính ức chế Mpro SARS-CoV-2 sử dụng phương pháp máy học (machine learning) 70 4.3 Ứng dụng hai mơ hình 3D-pharmacophore và QSAR xây dựng để sàng lọc hợp chất tự nhiên 71 4.4 Phân tích khả tương tác chất tiềm enzym Mpro SARSCoV-2 bằng phương pháp gắn kết phân tử (molecular docking) 72 4.5 Đánh giá độ ổn định gắn kết thông qua mô động lực học phân tử (molecular dynamics simulation) 75 4.6 Tính mới các cấu trúc tiềm ức chế Mpro SARS-CoV-2 xác định đề tài 77 KẾT LUẬN VÀ KIẾN NGHỊ 80 DANH MỤC CƠNG TRÌNH ĐÃ CƠNG BỚ CỦA TÁC GIẢ .82 Tài liệu tham khảo Phụ lục i DANH MỤC CÁC CHỮ VIẾT TẮT Chữ viết tắt Tiếng Anh Tiếng Việt SARS-CoV-2 Severe acute respiratory syndrome coronavirus Virus corona gây hợi chứng hơ hấp cấp tính nặng SARS-CoV Severe acute respiratory syndrome coronavirus Virus corona gây hợi chứng hơ hấp cấp tính nặng COVID-19 Coronavirus disease 2019 Bệnh virus corona 2019 Mpro Main protease Enzym thủy phân protein WHO World Health Organization Tổ chức Y tế Thế giới FDA Food and Drug Administration Cục quản lý Thực phẩm Dược phẩm Hoa Kỳ IC50 50% Inhibitory Concentration Nồng độ ức chế 50% EC50 50% Effective Concentration Nồng độ hiệu 50% QSAR Quantitative Structure and Activity Relationship Mối quan hệ định lượng cấu trúc tác dụng sinh học RMSE Root Mean Square Error Căn bậc hai bình phương trung bình sai số MDs Molecular dynamics simulation Mô động lực học phân tử RMSF Root-Mean-Square Fluctuation Dao động giá trị hiệu dụng Se Sensitivity Độ nhạy Sp Specificity Độ đặc hiệu Acc Accuracy Độ GH Güner-Henry Điểm số Güner-Henry ii EF Enrichment Factor Tỷ lệ làm giàu MLR Multiple linear regression Hời quy tuyến tính đa biến PLS Partial least squares Bình phương tối thiểu từng phần SVM Support vector machine Máy vector hỗ trợ RMSEC Root Mean Square Error of Calibration Căn bậc hai bình phương trung bình sai sớ hiệu chỉnh XRMSE Cross-validated Root Mean Square Error Căn bậc hai bình phương trung bình sai sớ xác thực chéo CCC Concordance Correlation Coefficient Hệ số tương quan phù hợp MAE Mean Absolute Error Sai sớ tuyệt đới trung bình ANN Artificial Neural Network Mạng lưới thần kinh nhân tạo RMSD Root-Mean-Square Deviation Độ lệch gớc trung bình bình phương Rg Radius of Gyration Bán kính quay SASA Solvent-accessible surface area Diện tích bề mặt tiếp xúc với dung môi PDB Protein Data Bank Ngân hàng liệu Protein RF Random Forest Rừng ngẫu nhiên MM Molecular Mechanics Năng lượng học phân tử PB(GB)SA Poisson-Boltzmann (Generalized-Born) Surface Area Diện tích bề mặt PoissonBoltzmann (Sinh tổng quát) iii DANH MỤC CÁC HÌNH Hình 1.1 Vị trí SARS-CoV-2 sơ đờ phát sinh lồi24 Hình 1.2 Sơ đồ cấu trúc SARS-CoV-2 Cấu trúc virus chủ yếu hình thành protein cấu trúc protein gai (S), màng (M), vỏ (E), nucleocapsid (N)30 Hình 1.3 Cấu trúc ba chiều khoang gắn Mpro SARS-CoV-236 Hình 1.4 Cơ chế kháng SARS-CoV-2 chất ức chế Mpro SARS-CoV-237 Hình 1.5 Cấu trúc hợp chất tự nhiên có khả ức chế Mpro SARS-CoV.9 Hình 1.6 Các hợp chất tự nhiên có tiềm ức chế Mpro SARS-CoV-2 25 Hình 2.1 Quy trình nghiên cứu……………………………………………………27 Hình 2.2 Quy trình xây dựng mơ hình 3D-pharmacophore dựa vào phới tử 28 Hình 2.3 Quy trình xây dựng mơ hình 3D-pharmacophore dựa vào cấu trúc 30 Hình 2.4 Quy trình xây dựng mơ hình QSAR 32 Hình 2.5 Hình minh họa cách biểu diễn cấu trúc dưới dạng MACCS 32 Hình 2.6 Sơ đờ q trình xây dựng mơ hình QSAR bằng phương pháp máy học 33 Hình 2.7 Quy trình gắn kết phân tử 35 Hình 3.1 Cấu trúc các hợp chất tập liệu xây dựng mơ hình 3Dpharmacophore và giá trị hoạt tính ức chế Mpro SARS-CoV-2 (IC50)4,7,42,111-122……42 Hình 3.2 Mơ hình 3D-pharmacophore A01, A02, A03, A04 (trong đó: Hyd (màu xanh lá) là nhóm kỵ nước, Acc2 (màu xanh da trời) là nhóm nhận liên kết hydro dự kiến; khoảng cách các điểm truy vấn tính bằng đơn vị Å) .43 Hình 3.3 Sự gióng hàng ligand lên mơ hình A01 (A) mơ hình A01-S với vùng ligand shape (B) 44 Hình 3.4 Mơ hình R01 (A) (trong đó: Hyd (màu xanh lá) là nhóm kỵ nước, Acc (màu xanh da trời) là nhóm nhận liên kết hydro; khoảng cách các điểm truy vấn tính bằng đơn vị Å) mơ hình R01-V sau cải thiện bằng vùng thể tích loại trừ (B) 45 Hình 3.5 Mối liên quan giá trị pIC50 thực nghiệm so với dự đoán Các chất tập xây dựng (màu xanh) và tập kiểm tra (màu đỏ) .47