Phần này trình bày kết quả thu được về năng lượng tự do liên kết khi giảm thời gian mô phỏng MD xuống từ 100 ns thành 10 ns trên 3 hệ 3WZD (lenvatinib), 3WZE (sorafenib), và 4AGD (sunitinib).
Kết quả tính toán các thành phần năng lượng MM-PBSA được ghi trong Bảng 3.
Thay số vào các phương trình 3.14 và 3.13 ta thu được:
∆S3WZD−∆S3WZE = SSOR−SLEV−(S3WZE−S3WZD)
= 591,837−567,52−(35 800,7−36 682,3)
= 905,917 J mol−1K
= 0,906 kJ mol−1K
Bảng3:Cácthànhphầnnănglượngliênkếttrongphứchợp3WZD,3WZE,và4AGDthuđượctừmôphỏngMDkéodài10ns Đơnvị:kJ/mol3WZD3WZE4AGD TươngtácvanderWaal−224,166±12,386−248,809±11,875−187,652±9,817 Tươngtáctĩnhđiện−68,065±11,943−85,188±7,663−41,256±4,167 Nănglượngsolvathóaphâncực186,495±15,268197,194±9,310110,314±7,610 NănglượngSASA−21,991±0,95−23,674±0,868−17,242±0,977 NănglượngliênkếtMM-PBSA−127,727±11,895−160,478±13,161−135,836±8,815
Hình18:Nănglượngtựdovềliênkếttrongphứchợp3WZD,3WZE,và4AGD,tínhtheog_mmpbsa
∆Gbinding 3WZD −∆Gbinding 3WZE
= (−127,727 kJ mol−1−(−160,478 kJ mol−1))−300 K×0,906 kJ mol−1K
= 32,751 kJ mol−1−271,8 kJ mol−1
=−239,049 kJ mol−1
≈ −239 kJ mol−1
Kết quả này cho thấy rằng: với mô phỏng MD kéo dài 10 ns, khi chưa tính tới yếu tố entropy, mô hình MM-PBSA vẫn không giải thích được trật tự năng lượng liên kết tự do của hai phức hợp 3WZD và 3WZE. Tuy nhiên khi bổ sung yếu tố entropy, trật tự phù hợp với thực nghiệm được thiết lập. Điều này có nghĩa là ta có thể sử dụng mô phỏng MD kéo dài 10 ns trong việc tiên đoán trật tự năng lượng liên kết tự do của hai thuốc này. Liệu có thể mở rộng thêm cho thuốc khác nữa không? Mô phỏng MD 10 ns của phức hợp VEGFR-2–sunitinib (4AGD) đã được thực hiện và cho kết quả như sau:
∆S3WZD−∆S4AGD= SSUN−SLEV−(S4AGD−S3WZD)
= 829,817−567,52−(35 962,9−36 682,3)
= 981,697 J mol−1K
= 0,982 kJ mol−1K
∆Gbinding 3WZD −∆Gbinding 4AGD
= (−127,727 kJ mol−1−(−135,836 kJ mol−1))−300 K×0,982 kJ mol−1K
= 8,109 kJ mol−1−294,6 kJ mol−1
=−286,5 kJ mol−1
So sánh về trật tự năng lượng tự do về liên kết trong Bảng 1, ta có thể thấy phương pháp này cũng cho ra kết quả phù hợp với thực nghiệm đối với hai phức hợp 3WZD và 4AGD. Có một điều đáng chú ý đó là giá trị hằng số phân hủy của hai phức hợp 3WZE và 4AGD rất gần nhau, tuy nhiên của phức hợp 4AGD vẫn thấp hơn một chút; thật tình cờ, kết quả tính toán vẫn chỉ ra được sự thấp hơn này (cụ thể là
∆Gbinding 3WZD−∆Gbinding 4AGD >∆Gbinding 3WZD−∆Gbinding 3WZE). Đây là cơ sở để có thể hi vọng vào việc ứng dụng phương pháp tính này cho các hệ protein–thuốc khác mà trong phức hợp không có liên kết cộng hóa trị.
KẾT LUẬN
Những kết quả của luận văn góp phần làm sáng tỏ hơn về tương tác giữa protein VEGFR-2 và thuốc lenvatinib:
1. Luận văn đã xác định được các tương tác kị nước và liên kết hidro giữa lenva- tinib và protein VEGFR-2.
2. Thành phần tương tác van der Waal là một trong những thành phần đóng góp đáng kể nhất vào năng lượng liên kết giữa lenvatinib và protein VEGFR-2.
3. Thuốc lenvatinib có khả năng gắn vào protein VEGFR-2.
4. Đóng góp entropy của quá trình tạo phức hợp trong dung dịch có vai trò quyết định đến hoạt tính của thuốc lenvatinib. Chỉ có thể giải thích được hoạt tính cao hơn của lenvatinib so với sorafenib khi tính toán bổ sung yếu tố entropy.
5. Phương pháp tính toán bổ sung yếu tố entropy của quá trình tạo phức hợp trong dung dịch có thể được mở rộng và dùng trong nghiên cứu các hệ protein VEGFR-2 – thuốc khác, hoặc một hệ protein khác mà giữa protein và thuốc không có liên kết cộng hóa trị.
TÀI LIỆU THAM KHẢO
Tiếng Việt
1. Đặng Ứng Vận (2009), “Nghiên cứu động lực phân tử ảnh hưởng của đột biến E226Q đến tính chất của phức enzym CD38 với cADPR”, Tạp chí Hóa học, 47(2), 191–197.
2. Đặng Ứng Vận, Nguyễn Họa Mi (2009), “Tính năng lượng tự do Hydrat hoá của chất tương tự Axit amin bằng phương pháp động lực phân tử”, Tạp chí Hóa học, 47(6), 709–715.
3. Phạm Cảnh Em, Lê Thị Tường Vi, Trần Kiên, Đỗ Thị Thúy, Trương Ngọc Tuyền, Bùi Thị Bửu Huê (2017), “Hoạt tính độc tế bào và nghiên cứu docking của một số dẫn chất benzimidazol trên thụ thể VEGFR-2, FGFR-1 và HDAC6”, Tạp chí Dược học, 57(8), 64.
Tiếng Anh
4. Abraham, Mark James et al (2015), “GROMACS: High performance molecular simulations through multi-level parallelism from laptops to supercomputers”, SoftwareX, 1(2), 19–25.
5. Åqvist, Johan, Carmen Medina, and Jan-Erik Samuelsson (1994), “A new method for predicting binding affinity in computer-aided drug design”, Protein Engineering, Design and Selection, 7(3), 385–391.
6. Baker, Nathan A et al (2001), “Electrostatics of nanosystems: A lication to microtubules and the ribosome”, Proceedings of the National Academy of Sciences, 98(18), 10037–10041.
7. Berendsen, H et al (1981), “Interaction Models for Water in Relation to Protein Hydration”, The Jerusalem Symposia on Quantum Chemistry and Biochemistry, Springer Nature, 331–342.
8. Berendsen, H et al (1984), “Molecular dynamics with coupling to an external bath”, Jounal of Chemical Physics, 81(81), 3684–3690.
9. Berendsen, H et al (1995), “GROMACS: A message-passing parallel molecular dynamics implementation”, Computer Physics Communications, 91(1), 43–56.
10. Cabanillas, Maria E et al (2015), “A phase 2 trial of lenvatinib (E7080) in advanced, progressive, radioiodine-refractory, differentiated thyroid cancer: A clinical outcomes and biomarker assessment”, Cancer, 121(16), 2749–2756.
11. Carmeliet, Peter (2005), “VEGF as a Key Mediator of Angiogenesis in Cancer”, Oncology, 69(3), 4–10.
12. Gromacs Development Team (2017), GROMACS Reference Manual version 5.1.2.
13. Gutiérrez-de-Terán and Aqvist J (2011), “Linear Interaction Energy: Method and Applications in Drug Design”, Methods in Molecular Biology, Springer New York, 305–323.
14. Hanwell, Marcus D et al (2012), “Avogadro: an advanced semantic chemical editor, visualization, and analysis platform”, Journal of Cheminformatics, 4(1), 17.
15. Hess, Berk et al (1997), “LINCS: A linear constraint solver for molecular simulations”, Journal of Computational Chemistry, 18(12), 1463–1472.
16. Holmes, Katherine et al (2007), “Vascular endothelial growth factor receptor- 2: Structure, function, intracellular signalling and therapeutic inhibition”, Cellular Signalling, 19(10), 2003–12.
17. Kiyota, Naomi et al (2015), “Subgroup analysis of Japanese patients in a phase 3 study of lenvatinib in radioiodine-refractory differentiated thyroid cancer”, Cancer Science, 106(12), 1714–1721.
18. Kumari, Rashmi, Rajendra Kumar, Andrew Lynn (2014), “g_mmpbsa – A GROMACS Tool for High-Throughput MM-PBSA Calculations”, Journal of Chemical Information and Modeling, 54(7), 1951–1962.
19. Laskowski, Roman A, Mark B, Swindells (2011), “LigPlot+: Multiple Ligand– Protein Interaction Diagrams for Drug Discovery”, Journal of Chemical Information and Modeling, 51(10), 2778–2786.
20. Lindorff-Larsen, Kresten et al (2010), “Improved side-chain torsion potentials for the Amber ff99SB protein force field”, Proteins: Structure, Function, and Bioinformatics, 78(8), 1950–1958.
21. Marcus Elstner, Tomás Kubar (2013), Biomolecular modelling.
22. Meng, Fancui (2013), “Molecular Dynamics Simulation of VEGFR2 with Sorafenib and Other Urea-Substituted Aryloxy Compounds”, Journal of Theoretical Chemistry, 2013, 1–7. 72
23. Okamoto, Kiyoshi et al (2015), “Distinct binding mode of multikinase inhibitor lenvatinib revealed by biochemical characterization”, ACS Medicinal Chemistry Letters, 6(1), 89–94.
24. Parrinello, M., A. Rahman (1981), “Polymorphic transitions in single crystals:
A new molecular dynamics method”, Journal of Applied Physics, 52(12), 7182–7190.
25. Pearlman, David A. et al (1995), “AMBER, a package of computer programs for a lying molecular mechanics, normal mode analysis, molecular dynamics and free energy calculations to simulate the structural and energetic properties of molecules”, Computer Physics Communications, 91(1), 1–41.
26. Schlitter, Jurgen (1993), “Estimation of absolute and relative entropies of macromolecules using the covariance matrix”, Chemical Physics Letters, 215(6), 617–621.
27. Schlumberger, Martin et al (2015), “Lenvatinib versus Placebo in Radioiodine Refractory Thyroid Cancer”, The New England journal of medicine, 372(7), 621–630.
28. Silva, Alan W. Sousa da, Wim F. Vranken (2012), “ACPYPE-Antechamber python parser interface”, BMC research notes, 5(1), 367.
29. Webb, Benjamin, Andrej Sali (2014), “Protein Structure Modeling with MODELLER”, Protein Structure Prediction, New York, 1–15.
Phụ lục A.
Các bước mô phỏng theo MD
Mục đích của ví dụ này là để minh họa các bước làm cơ bản của một mô phỏng MD, giúp người đọc có thể thực hiện được mô phỏng MD cơ bản của hệ protein- ligand. Người đọc cần có kiến thức về các câu lệnh cơ bản của hệ điều hành linux trước khi thực hiện theo.
Phần ví dụ này được dịch từ tài liệuhttp://rossi.chemistry.uconn.
edu/workshop/charmm-gromacs-small-organic-molecules.html
Ví dụ này chủ yếu dựa trên hướng dẫn của Justin A. Lemkul, Ph.D. với hai điểm khác biệt quan trọng chính:
• Trường lực CHARMM được dùng với cả protein và ligand
• Ligand topology và các file tham số được lấy từ server CGenFF