SỬ DỤNG PHƯƠNG PHÁP MÁY VECTOR HỖ TRỢ TRONG DỰ ĐOÁN HOẠT TÍNH KHÁNG SỐT RÉT MỘT SỐ DẪN CHẤT CHALCON

Thái Khắc Minh[*], Trần Thành Đạo*, Đặng Trường Luân*, Nguyễn Đắc Chí*

TÓM TẮT

Mở đầu: Công bố của tổ chức y tế thế giới WHO 2008 ước tính có khoảng 247 triệu ca sốt rét trong số 3,3 tỉ người nằm trong vùng nguy cơ và bệnh sốt rét gây ra gần 1 triệu ca tử vong, hầu hết là trẻ em dưới 5 tuổi. Nhu cầu cấp thiết t́m ra thuốc mới cho pḥng chống sốt rét là một trong những chiến lược chống sốt rét toàn cầu. Ngày càng có nhiều nghiên cứu trong lĩnh vực hóa dược công bố các dẫn chất mới có khả năng tác dụng tốt trên chủng P. falciparum đề kháng thuốc cũng như các mục tiêu phát triển thuốc mới.

Mục tiêu: Xây dựng mô h́nh dự đoán hoạt tính kháng sốt rét của một số dẫn chất chalcon nhằm thiết kế những công thức có hoạt tính tốt.

Phương pháp: Phương pháp máy vector hỗ trợ SVM hồi qui (support vector machine regression) được sử dụng để xây dựng mô h́nh trên 67 dẫn chất chalcon với hoạt tính kháng sốt rét.

Kết quả: Mô h́nh SVM xây dựng dựa trên tập hợp gồm 67 dẫn chất chalcon cho hệ số tương quan r2 giữa giá trị thực nghiệm và giá trị dự đoán nằm trong khoảng 0,61-0,70, SE = 0,13-0,14 và r2 của tập kiểm tra đánh giá chéo 5-lần-cắt-20% = 0,57. Mô h́nh SVM với r2 = 0,68 và SE =0,13 được sử dụng để dự đoán hoạt tính kháng sốt rét trên chủng P. falciparum đề kháng cloroquin của 18 dẫn chất 2’-hydroxychalcon mới được tổng hợp. Mối quan hệ giữa cấu trúc và tác dụng kháng sốt rét dự đoán của dẫn chất 2’-hydroxychalcon được phân tích trong đó khẳng định vai tṛ của nhóm methoxy ở vị trí 4 trên ṿng B.

Kết luận: Mô h́nh SVM xây dựng được sử dụng để dự đoán hoạt tính kháng sốt rét của các dẫn chất chalcon mới và ứng dụng mô h́nh này có thể tiết kiệm chi phí thử nghiệm và hạn chế tổng hợp các dẫn chất có tác dụng kém. Kết quả này được sử dụng trong định hướng thiết kế và tổng hợp các phân tử chalcon có hoạt tính kháng sốt rét mạnh hơn.

Từ khóa: Thiết kế thuốc, máy vector hỗ trợ, SVM, sốt rét, hồi qui, chalcon, Plasmodium falciparum.

ABSTRACT

SUPPORT VECTOR MACHINE BASED PREDICTION MODEL FOR ANTIMALARIAL ACTIVITY OF CHALCONE DERIVATIVES

Khac Minh Thai, Thanh Dao Tran, Dang Truong Luan, Nguyen Dac Chi
* Y Hoc TP. Ho Chi Minh * Vol. 14 - Supplement of No 1 - 2010: 15 – 22

Background: Malaria has been one of the most important diseases of the developing world, killing about 1 million people and causing disease in 247 million people annually based on WHO World Malaria Report 2008. It affects many tropical and subtropical regions of the world. The increasing resistance of Plasmodium spp. to existing therapies has heightened alarms about malaria in the international health community. Nowadays, there is a pressing need for identifying and developing new drug-based antimalarial therapies.

Objective: The aim of this study is the development of a relevant computational model to predict antimalarial activity of chalcone derivatives. This model could be applied to screen and design new antimalarial drugs.

Method: In this study, non-linear support vector machine (SVM) regression approach was applied on sixty seven chalcone analogues with in vitro antimalarial activities.

Results: The SVM model was obtained with regression coefficient r2 in range 0.61-0.70, SE = 0.13-0.14 for training set and r2 5-fold-leave-20%-out = 0.57 for test set. The best model with r2 = 0.68 and SE =0.13 was used to predict the cloroquine-resistant P. falciparum inhibitory activity of 18 new synthesized 2’-hydroxychalcone derivatives. The relationship between chemical structure of 2’-hydroxychalcone series and antimalarial property was analysed and it is stress out the important role of 4-methoxy group at B-ring.

Conclusion: The SVM model could be applied to predict antimalarial activity of new chalcone compounds and it may be used as an in silico tool to design and develop the new potent antimalarial novels.

Key words: Drug design, Support vector machine, SVM, malaria, regression, chalcone, Plasmodium falciparum.

ĐẶT VẤN ĐỀ

Công bố của tổ chức y tế thế giới WHO 2008 (1) ước tính có khoảng 247 triệu ca sốt rét trong số 3.3 tỉ người nằm trong vùng nguy cơ và bệnh sốt rét gây ra gần 1 triệu ca tử vong, hầu hết là trẻ em dưới 5 tuổi. Tổng cộng 109 quốc gia nằm trong vùng dịch tể sốt rét tính tới năm 2008, trong đó có 45 quốc gia thuộc khu vực châu phi. T́nh trạng đề kháng thuốc đang ngày một gia tăng trên diện rộng, khiến cho việc kiểm soát dịch sốt rét ngày càng trở nên khó khăn, đặc biệt tại các các quốc gia nghèo đói thuộc khu vực châu phi (1). “Nguyên tắc vàng” trong điều trị sốt rét trước đây là chloroquin, cùng với các thuốc kháng folat ra đời sau đó, hiện nay chỉ c̣n nhạy cảm cho một vài khu vực (4). Đa số các vùng c̣n lại phải dùng chiến lược điều trị kết hợp thuốc. Sự kết hợp các công cụ và phương pháp trong cuộc chiến chống lại bệnh sốt rét hiện tại bao gồm phát triển ư thức cộng đồng, phun thuốc diệt muỗi có tác dụng dài và liệu pháp kết hợp thuốc dựa trên nền tảng là artemisinin. Cho tới nay có rất ít trường hợp báo cáo về t́nh trạng đề kháng của kư sinh trùng sốt rét với artemisinin, nhưng điểm hạn chế rất lớn của giải pháp này là thời gian bán thải của artemisinin và các dẫn chất rất ngắn. Hiện nay, artemisinin chỉ dùng để cắt cơn trong chiến lược điều trị sốt rét và sự phối hợp artemisinin với các thuốc khác có tác dụng dài hiện đang là ch́a khóa trong điều trị sốt rét (12, 13). Tuy nhiên, chỉ khoảng 25% số người mắc bệnh sốt rét được chăm sóc thuốc men đầy đủ (1). Nguyên nhân có thể do (i) mạng lưới chăm sóc y tế chưa được rộng răi tới các vùng hẻo lánh, (ii) t́nh trạng đa đề kháng thuốc ngày càng lan rộng, và (iii) thu nhập quá thấp ở các quốc gia nghèo dẫn đến việc chăm sóc thuốc men trở nên quá khả năng… Những tổn thất do kí sinh trùng sốt rét gây ra vẫn đang tăng theo từng năm, đặc biệt ở các quốc gia nghèo đói. T́nh trạng đề kháng thuốc của kư sinh trùng sốt rét P. falciparum ngày càng gia tăng trên diện rộng (1). Thực tiễn đ̣i hỏi thế giới phải có một chiến lược hiệu quả và dài hạn trong cuộc chiến chống lại bệnh sốt rét trên toàn cầu (13), trong đó việc nghiên cứu t́m ra những thuốc mới có hiệu quả trên các ḍng Plasmodium đề kháng là nhu cầu cấp bách nhằm t́m ra giải pháp điều trị với các tiêu chí: hiệu quả, an toàn, độc tính thấp, và giá rẻ để mọi cá nhân nằm trong vùng nguy cơ sốt rét đều được chăm sóc (4, 13). Trong nghiên cứu này, thuật toán máy vector hỗ trợ SVM hồi qui (support vector machine) được sử dụng để xây dựng mô h́nh dự đoán hoạt tính kháng sốt rét trên 67 dẫn chất chalcon (H́nh 1). Thông tin về mối liên hệ giữa cấu trúc – tác dụng kháng sốt rét của các dẫn chất có được từ mô h́nh SVM hồi qui cũng như khả năng dự đoán của mô h́nh có thể ứng dụng trong định hướng nghiên cứu tổng hợp các hoạt chất có thể phát triển thành thuốc kháng sốt rét mới.


H́nh 1. Cấu trúc hóa học của các dẫn chất chalcon

ĐỐI TƯỢNG - PHƯƠNG PHÁP NGHIÊN CỨU

Qui tŕnh xây dựng mô h́nh máy vector hỗ trợ SVM hồi qui

Mô h́nh SVM hồi qui dự đoán hoạt tính kháng sốt rét được tiến hành theo các bước được tŕnh bày trong h́nh 2.


H́nh 2. Qui tŕnh xây dựng mô h́nh máy vector hỗ trợ SVM hồi qui.

Cơ sở dữ liệu

Cấu trúc của 93 dẫn chất chalcon (8) được thu thập dựa trên một vài tiêu chí chung như: (i) cấu trúc có triển vọng, (ii) giá trị IC50 in vitro có được từ phương pháp đo độ hấp thu 3H-hypoxanthin (3, 8), (iii) giá trị hoạt tính sinh học xác định trên chủng P. falciparum K1 đề kháng chloroquin (CQ), và (iv) các cấu trúc có cùng xương sống trên cùng 1 mô h́nh tiến hành. Nghiên cứu được tiến hành trên 93 dẫn chất chalcon vớikhung cơ bản của các cấu trúc nghiên cứu được tŕnh bày ở h́nh 1 (8). Giá trị hoạt tính sinh học IC50 được quy đổi thành giá trị pIC50 = -log(IC50) được sử dụng trong nghiên cứu.

Thông số mô tả phân tử

Thông số mô tả phân tử là những thông số mô tả tính chất của các chất có ảnh hưởng tới tác dụng sinh học, bao gồm những tính chất về lư, hóa. Cấu trúc 2D của các dẫn chất được xây dựng và tính toán thông số mô tả phân tử bằng phần mềm Dragon® (2) phiên bản Evaluation 5.5. Tổng số 2032 thông số mô tả phân tử 2D thuộc 11 nhóm chính được tính toán.

Lựa chọn thông số mô tả phân tử

Để loại bỏ đi các thông số không quan trọng và lựa chọn thông số tốt nhất cho xây dưng mô h́nh, một số phương pháp và thuật toán được áp dụng, bao gồm quá tŕnh loại thông số mô tả thô và quá tŕnh lựa chọn thông số thích hợp sau cùng cho mô h́nh (5, 14). Một vài qui tắc cho việc loại thô ban đầu bao gồm: (i) các thông số có ≥ 80% giá trị = 0; (ii) các thông số có độ lệch chuẩn ≤ 0,5; và (iii) các thông số có tương quan với giá trị pIC50 ≤ 0,07. Các thông số c̣n lại được phân chia tỷ lệ giá trị trong khoảng (0-1) bằng phương pháp chuẩn hóa cực tiểu – cực đại.11 Công thức cụ thể như sau theo công thức:

Với :          Vn: giá trị mới

       V0: giá trị hiện tại

       MAX0, MIN0: giá trị lớn nhất và nhỏ nhất của dăy giá trị hiện tại

       MAXn, MINn: giá trị lớn nhất và nhỏ nhất của khoảng giá trị mới cần qui đổi

Các thông số sau khi được phân chia tỷ lệ sẽ được áp dụng vào thuật toán “rừng ngẫu nhiên RF” trong gói Fselector trong R với hàm “tầm quan trọng rừng ngẫu nhiên” (“random.forest.importance”) để chọn lọc những thông số mô tả đặc trưng nhất cho hoạt tính sinh học (10, 11). Hàm “cắt xén . k” (“cutoff.k”) cũng trong gói Fselector hỗ trợ để cắt ra “k” thông số được đánh giá có liên quan nhất với giá trị tham chiếu là giá trị pIC50, Giá trị “k” được xác định phù hợp (11).

Phân tích thành phần cơ bản

Các thông số được sử dụng để xây dựng mô h́nh SVM hồi quy phi tuyến tính trên toàn bộ cơ sở dữ liệu cho kết quả r2 khá thấp. Để xây dựng mô h́nh có khả năng mô tả được hoạt tính sinh học bằng các thông số mô tả phân tử và loại bỏ các chất gây nhiễu ảnh hưởng đến kết quả của mô h́nh, thuật toán phân tích thành phần cơ bản (principal component analysis - PCA) được sử dụng. Trong nghiên cứu này, thuật toán phân tích thành phần cơ bản không tuyến tính (nonlinear principal component analysis - NL-PCA) dựa trên lư thuyết mạng thần kinh trong gói pcaMethod của R được sử dụng (7).

Máy vector hỗ trợ hồi qui phi tuyến tính

Tính toán máy vector hỗ trợ SVM là một nhóm các phương pháp học có sự giám sát dùng trong phân loại hay phương tŕnh hồi quy (6, 7, 9, 11). Trong nghiên cứu này, gói e1071 trong môi trường R được sử dụng (7, 11). Máy vector hỗ trợ SVM trong gói e1071 bao gồm cả hai chức năng phân loại cũng như hồi qui (7). SVM hồi qui trong gói e1071 bao gồm 2 thuật toán cho xây dựng mô h́nh hồi qui là hồi qui epsilon (ε-regression) và hồi qui nu (nu-regression). Trong đó hồi qui epsilon dùng để xây dựng mô h́nh hồi qui cho dữ liệu phi tuyến tính và thuật toán này được sử dụng trong nghiên cứu. Khi tiến hành xây dựng mô h́nh máy vector hỗ trợ hồi quy phi tuyến tính (7, 9) th́ 3 tham số quan trọng cần xác định là tham số ε (tham số của hàm tổn thất ε-insensitive) và tham số của hàm nhân Kernel RBF (C, g). Tham số ε qui định biên độ của mặt phẳng hồi quy và 2 tham số C và g qui định bề mặt mặt phẳng hồi quy. Sự thay đổi giá trị của 3 tham số này ảnh hưởng lớn tới kết quả dự đoán. Hàm “tune.svm” (gói e1071) được sử dụng để ḍ t́m giá trị tham số tối ưu cho mô h́nh bằng phương pháp đánh giá chéo k nhóm (k-folds cross validation)(11). Trong đánh giá chéo, dữ liệu được chia làm k nhóm, 1 nhóm dùng để thử, và (k-1) nhóm c̣n lại dùng để huấn luyện. Hàm “svm” và “predict” (gói e1071) lần lượt dùng để huấn luyện và dự đoán cho mô h́nh SVM hồi qui phi tuyến tính.

Đánh giá mô h́nh

Sau khi huấn luyện và dự đoán hoạt tính sinh học bằng mô h́nh SVM hồi qui phi tuyến tính, giá trị pIC50 dự đoán của các chất nghiên cứu được xử lư bằng hàm “lm” trong R (hàm hồi qui tuyến tính đơn giản) để đánh giá mức độ tương quan giữa giá trị dự đoán và giá trị thực nghiệm (10, 11). Các tiêu chí đánh giá bao gồm: (i) hệ số tương quan pearson r, (ii) sai số chuẩn (SE), (iii) trị số P, (iv) và hệ số xác định bội r2.

KẾT QUẢ VÀ BÀN LU ẬN

Lựa chọn thông số mô tả phân tử

Sau khi tiến hành loại thô ban đầu, tổng cộng 65 thông số đáp ứng điều kiện và được áp dụng vào thuật toán “rừng ngẫu nhiên RF” bằng gói FSelector với hàm “tầm quan trọng rừng ngẫu nhiên” (“random.forest.importance”). Từ kết quả FSelector, nhóm 7 thông số được lựa chọn để xây dựng mô h́nh v́ có giá trị đóng góp vào giá trị hoạt tính sinh học pIC50 cao và nhóm thông số này được tŕnh bày ở bảng 2.

Bảng 2. Nhóm 7 thông số mô tả được lựa chọn từ FSelector dùng để xây dựng mô h́nh

Tên

Định nghĩa

Lớp mô tả

ESpm15u

Moment phổ 15 từ mạng các đỉnh gần kề

Chỉ số các đỉnh liền kề

ESpm14r

Moment phổ 14 từ mạng các đỉnh gần kề điều chỉnh bởi tích phân cộng hưởng

Chỉ số các đỉnh liền kề

ESpm15r

Moment phổ 15 từ mạng các đỉnh gần kề điều chỉnh bởi tích phân cộng hưởng

Chỉ số các đỉnh liền kề

EEig14x

Giá trị riêng 14 từ mạng các đỉnh gần kề hiệu chỉnh bởi các mức độ đỉnh

Chỉ số các đỉnh liền kề

VRD1

Chỉ số dựa vào vector riêng loại ngẫu nhiên mạng khoảng cách

Chỉ số dựa vào giá trị riêng

EEig09x

Giá trị riêng 09 từ mạng các đỉnh gần kề hiệu chỉnh bởi các mức độ đỉnh

Chỉ số các đỉnh liền kề

BAC

Chỉ số balaban trung tâm

Thông số h́nh học topo

Phân tích thành phần cơ bản

NL-PCA được thực hiện trên cơ sở dữ liệu 93 chất với số thành phần cơ bản là 2 (number of components = 2). Trong phân tích PCA này, 68% giá trị hoạt tính sinh học có thể giải thích dựa vào 2 thành phần cơ bản xây dựng từ 7 thông số mô tả. H́nh 3 biểu diễn sự phân bố của các dẫn chất dựa trên mặt phẳng tạo bởi 2 PC trong phân tích PCA. Kết quả phân tích cho thấy có 26 chất nằm ngoài và có thể là yếu tố gây nhiễu cho cơ sở dữ liệu. Do đó, 26 chất này được loại bỏ khỏi cơ sở dữ liệu và 67 chất c̣n lại được sử dụng trong xây dựng mô h́nh máy vector hỗ trợ SVM hồi quy.

H́nh 3. Sự phân bố của 93 dẫn chất chalcon dựa trên mặt phẳng tạo bởi 2 PC trong phân tích NL-PCA. Các chất được đánh dấu bằng h́nh elip nhỏ: là các dữ liệu gây nhiễu và được loại bỏ

Phân chia dữ liệu

Tập dữ liệu gồm 67 dẫn chất chalcon có được từ phân tích NL-PCA được phân chia ngẫu nhiên 5 lần theo tỷ lệ 4:1 (tập huấn luyện : tập kiểm tra) bằng hàm sample trong R (11). Kết quả tạo ra 5 tập hợp huấn luyện có 52 chất và 5 tập hợp kiểm tra gồm 15 chất. Phương pháp máy vector hỗ trợ hồi quy phi tuyến tính được tiến hành trên 5 tập huấn luyện có được từ phân chia ngẫu nhiên. Kết quả trung b́nh từ 5 mô h́nh này tương ứng với quá tŕnh đánh giá chéo 5-lần-cắt-20% (5-time Leave-20%-out). Đồng thời SVM hồi quy được tiến hành trên tập dữ liệu toàn bộ 67 chất.

Chọn lựa tham số tối ưu

Hàm “tune.svm” (gói e1071) được sử dụng để lựa chọn tham số tối ưu cho máy vector hỗ trợ hồi quy phi tuyến tính trên toàn bộ cơ sở dữ liệu (6, 7, 11). Kết giống nhau cho các lần tiến hành lặp lại khi sử dụng tham số tối ưu thu được là C = 1(trong khoảng ḍ 10(0 : 3)) , g = 1 (trong khoảng ḍ 10(-6 : 0)), và e = 0,1 (cố định). Sử dụng thông số tối ưu này cho kết quả sai số trung b́nh của mô h́nh = 0,034 với đánh giá chéo trên k=10 nhóm phân chia.

Mô h́nh máy vector hỗ trợ hồi quy phi tuyến tính trên dẫn chất chalcon

SVM hồi quy phi tuyến tính với các tham số tối ưu được phân tích trên 5 tập hợp huấn luyện (gồm 52 dẫn chất chalcon) tương ứng với 5 mô h́nh thứ cấp A-E và kết quả trung b́nh sẽ ứng với đánh giá chéo 5-lần-cắt-20%. Như tŕnh bày ở Bảng 3, mô h́nh cho kết quả r2 đánh giá chéo 5-lần-cắt-20% là 0,66 và sai số chuẩn là 0,13. Đối với tập hợp kiểm tra tương ứng, mô h́nh A-E cho giá trị r2 = 0,57 và SE=0,15. Đồng thời, mô h́nh F cũng được xây dựng bằng phương pháp SVM hồi quy phi tuyến tính trên toàn bộ cơ sở dữ liệu gồm 67 dẫn chất chalcon và kết quả tŕnh bày ở Bảng 3. Mô h́nh F cho kết quả r2 = 0,68, SE = 0,13, trị số P = 2.2 x 10-16 và kết quả này giống nhau ở các lần huấn luyện lặp lại. Giá trị r2 = 0,68 của mô h́nh F tương đương với giá trị của mô h́nh đánh giá chéo 5-lần-cắt-20%. Đường thẳng tuyến tính giữa giá trị thực nghiệm và giá trị dự đoán của mô h́nh thứ cấp E và mô h́nh F trên toàn bộ với dữ liệu toàn bộ được tŕnh bày ở H́nh 4.

Bảng 3. Kết quả SVM hồi quy phi tuyến tính giữa mô h́nh thứ cấp A-E và mô h́nh F với toàn bộ cơ sở dữ liệu

Tiêu chí đánh giá

Mô h́nh A-E

Mô h́nh F với toàn bộ 67 dẫn chất chalcon

Tập huấn luyện

Tập kiểm tra

r2

0,66a

0,57

0,68

Sai số chuẩn SE

0,13a

0,15

0,13

Trị số P

1.57 x 10-12

0,001

2.2x10-16

a đánh giá chéo 5-lần-cắt-20%

(a)

(b)

 

H́nh 4. Đường hồi quy tuyến tính giữa giá trị thực nghiệm và giá trị dự đoán của mô h́nh thứ cấp E (a) và mô h́nh F xây dựng từ toàn bộ 67 dẫn chất chalcon (b)

Bàn luận về mô h́nh trên dẫn chất chalcon

Kết quả mối tương quan giữa giá trị pIC50 dự đoán và thực nghiệm của các dẫn chất chalcon được tóm tắt ở Bảng 3 cho thấy giá trị của trị số P có được ở tất cả các lần phân tích đều << 0,05, nhưng không bằng 0, điều đó cho thấy sự khác nhau không có ư nghĩa thống kê giữa giá trị dự đoán và giá trị thực nghiệm.11 Giá trị hệ số xác định bội r2 nằm trong khoảng 0,61-0,70 và r2 = 0,68 cho mô h́nh F với dữ liệu toàn bộ là mức độ chấp nhận được cho tập cơ sở dữ liệu 67 chất. Kết quả r2 của tập thử nghiệm đánh giá chéo 5-lần-cắt-20% = 0,57. Mô h́nh F với mức độ đa dạng về cấu trúc hóa học các dẫn chất chalcon được ứng dụng để dự đoán các chất chalcon khác.

Ứng dụng mô h́nh trong dự đoán hoạt tính kháng sốt rét các dẫn chất chalcon

Mô h́nh F được sử dụng để dự đoán 18 dẫn chất 2’-hydroxychalcon mới được tổng hợp bởi nhóm nghiên cứu TS. Trần Thành Đạo, Bộ môn Hóa Dược, Đại học Y Dược Thành phố Hồ Chí Minh (14). Nhóm 18 dẫn chất chalcon này có cấu trúc hoá học khác với nhóm dẫn chất chalcon dùng để xây dựng mô h́nh. Cấu trúc 18 dẫn chất của 2’-hydroxychalcon với nhóm hydroxy tại vị trí 2’ trên ṿng A và các nhóm thế khác nhau trên ṿng B, được tŕnh bày trong Bảng 4. 18 dẫn chất 2’-hydroxychalcon này đă được nghiên cứu về hoạt tính kháng viêm theo cơ chế ức chế enzym cyclooxygenase 2 (COX-2) (14). Một vài chất trong 18 dẫn chất này đă được báo cáo cáo hiệu quả kháng viêm giảm đau tốt. Giá trị của 7 thông số mô tả tính toán của 18 chất này được lấy tỷ lệ chung với 67 chất mô h́nh F trong khoảng (0-1). Kết quả dự đoán hoạt tính kháng sốt rét trên P. falciparum đề kháng CQ-chủng K1 được tŕnh bày trong Bảng 4.


Bảng 4. Cấu trúc các dẫn chất 2’-hydroxychalcon và giá trị sinh học dự đoán từ mô h́nh F

 

Tên chất

R1

R2

R3

R4

Giá trị pIC50 dự đoána

Giá trị IC50 qui đổi (mM)a

BMCL2009_19_1650_01

H

H

H

H

-1.35

22.46

BMCL2009_19_1650_02

H

H

Cl

H

-1.34

22.07

BMCL2009_19_1650_03

H

H

Br

H

-1.34

22.07

BMCL2009_19_1650_04

H

H

CH3

H

-1.36

22.97

BMCL2009_19_1650_05

H

H

OCH3

H

-1.02

10,40

BMCL2009_19_1650_06

H

H

SCH3

H

-2.21

160,67

BMCL2009_19_1650_07

H

H

OCF3

H

-1.45

28.21

BMCL2009_19_1650_08

H

H

Ph

H

-1.35

22.20

BMCL2009_19_1650_09

H

H

OBn

H

-1.34

21.95

BMCL2009_19_1650_10

H

Br

H

H

-1.47

29.45

BMCL2009_19_1650_11

H

Cl

Cl

H

-1.37

23.36

BMCL2009_19_1650_12

H

Br

OCH3

H

-1.36

22.71

BMCL2009_19_1650_13

H

OBn

OBn

H

-1.35

22.45

BMCL2009_19_1650_14

H

OBn

OCH3

H

-1.36

22.71

BMCL2009_19_1650_15

OCH3

OCH3

H

H

-1.41

25.43

BMCL2009_19_1650_16

OCH3

H

OCH3

H

-1.00

9.89

BMCL2009_19_1650_17

H

OCH3

OCH3

OCH3

-1.00

10,00

BMCL2009_19_1650_18

H

-O-CH2-O-

H

-1.36

22.71

aGiá trị dự đoán từ mô h́nh F trên hoạt tính kháng P. falciparum đề kháng CQ-chủng K1

Nghiên cứu liên quan cấu trúc tác dụng (8) trên cấu trúc của các 2’,4’-hydroxy chalcon, 4’-hydroxychalcon cho thấy mối liên hệ giữa moment lưỡng cực, sự phân nhánh, độ khúc xạ phân tử và logkw (PLS, r2=0,818, q2=0,602, n=17; tập kiểm tra n=13, RMSEP=0,425). Liu et al. (8) cũng chỉ ra rằng nhóm dẫn chất 2’,4’-hydroxy chalcon, 4’-hydroxychalcon có hoạt tính tốt là những chất phân cực và chứa các nhóm chức có kích thước nhỏ. Điều này th́ ngược lại với dẫn chất 4’-methoxy-, và 2’,4’-dimethoxy chalcon.3 Trong 97 chất được nghiên cứu, dẫn chất 2’,3’,4’-trimethoxy-3-quinolinylchalcon cho hoạt tính kháng sốt rét mạnh nhất với IC50 =2 μM (8). Kết quả dự đoán cho nhóm 18 dẫn chất 2’-hydroxychalcon được tổng hợp bởi nhóm nghiên cứu TS. Trần Thành Đạo cho thấy các dẫn chất đều cho tác động tốt trên kư sinh trùng sốt rét với giá trị pIC50 = -1.00: -1.47, tương ứng với giá trị IC50 trong khoảng 9 – 29 µM trên ḍng K1 đề kháng CQ. Trên nhóm dẫn chất 2’-hydroxychalcon này cho thấy vai tṛ quan trọng của nhóm methoxy tại vị trí 4 trên ṿng B so với các nhóm thế c̣n lại. Kết quả cho thấy sự giảm tác dụng khi thay thế ở vị trí 4’ bởi các nhóm thế hút điện tử mạnh (cloro, bromo, trifluromethoxy), các nhóm đẩy điện tử yếu (-CH3, -SCH3) hoặc nhóm đẩy điện tử mạnh (benzyloxy). Sự giảm hoạt tính mạnh nhất khi thay thế nhóm 4-methoxy (pIC50 dự đoán = -1.02) bằng nhóm thế 4-methiol (pIC50 dự đoán = -1.21). Khi đưa thêm các nhóm thế không phải là methoxy vào các vị trí 2, 3 vào khung 2’-hydroxy-4-methoxy-chalcon cũng làm giảm tác dụng kháng sốt rét của nhóm dẫn chất. Khi đưa thêm 2 nhóm thế methoxy vào vị trí 2,3 của 2’-hydroxychalcon không làm tăng tác dụng kháng sốt rét của khung cơ bản. Điều này khẳng định vai tṛ quan trọng của nhóm 4-methoxy trong cấu trúc 2’-hydroxychalcon trong hoạt tính sinh học này của nhóm dẫn chất. Sự hiện hiện càng nhiều nhóm thế methoxy ở các vị trí 2, 3, 5 trên cấu trúc 2’-hydroxy-4-methoxychalcon làm tăng hoạt tính của nhóm dẫn chất này. Một số nghiên cứu cho thấy alkyl hóa vị trí hydroxy của ṿng A làm tăng tác dụng kháng sốt rét của nhóm dẫn chất. Sự hiện của một số dị ṿng tại vị trí 3 trên ṿng B (đặc biệt là quinolinyl) cũng làm tăng hoạt tính kháng sốt rét. Tóm tắt liên quan cấu trúc – tác dụng kháng kư sinh trùng sốt rét của dẫn chất 2’-hydrochalcon được tŕnh bày ở h́nh 5. Những thông tin này kết hợp với mô h́nh SVM hồi quy phi tuyến tính xây dựng được có thể ứng dụng để thiết kế ra các dẫn chất chalcon có hoạt tính sinh học cao hơn.

H́nh 5. Mối quan hệ giữa cấu trúc và tác dụng kháng sốt rét dự đoán của dẫn chất 2’-hydroxychalcon

KẾT LUẬN

Trong nghiên cứu này, phương pháp máy vector hỗ trợ SVM được áp dụng để xây dựng phương tŕnh hồi qui trên tập hợp dữ liệu tuyến tính. Kết quả xây dựng được mô h́nh SVM hồi qui phi tuyến tính trên tập hợp gồm 67 dẫn chất chalcon. Mô h́nh thu được có hệ số tương quan r2 giữa giá trị thực nghiệm và giá trị dự đoán nằm trong khoảng 0,61-0,70, SE = 0,13-0,14 và r2 của tập thử nghiệm đánh giá chéo 5-lần-cắt-20% = 0,57. Mô h́nh trên dẫn chất chalcon với r2 = 0,68 và SE =0,13 được sử dụng để dự đoán hoạt tính kháng sốt rét trên chủng P. falciparum đề kháng CQ của 18 dẫn chất 2’-hydroxychalcon mới được tổng hợp. Mối quan hệ giữa cấu trúc và tác dụng kháng sốt rét dự đoán của dẫn chất 2’-hydroxychalcon được phân tích trong đó khẳng định vai tṛ của nhóm methoxy ở vị trí 4 trên ṿng B. Kết quả này được sử dụng trong định hướng thiết kế và tổng hợp các phân tử chalcon có hoạt tính kháng sốt rét mạnh.

TÀI LIỆU THAM KHẢO

1.          Aregawi, M.; Cibulskis, R.; Otten, M.; William, R.; Dye, C. (2008). World Malaria Report 2008, World Health Organization, pp 1-215. WHO Press, Geneva.

2.          Dragon® (2009): The sofltware for calculating molecular descriptors, www.talete.mi.it/

3.          Fattorusso, C.; Campiani, G.; Catalanoti, B.; Prsico, M.; Basillico, N.; Parapini, S.; Tarameli, D.; Campadnuolo, C.; Fattorusso, E.; Romano, A.; Scafatti, O.T. (2006). Endoperoxide derivatives from manne organism : 1,2-dioxans of the plakertin family as novel antimalatial agents. J. Med. Chem., 49:7088-7094.

4.          Fidock, D.A.; Rosenthal, P.J.; Croff, S.L.; Brun, R.; Nwaka, S. (2004). Antimalaria drug discovery: efficacy models for compound screening. Nat. Rev. Drug. Dis., 3(6):509-520,

5.          Huang, J.; Ma, G.; Muhammad, I.; Cheng, Y. (2007). Identifying P-glycoprotein substrates using support vector machine optimized by a partical swarm. J. Chem. Inf. Model., 47(4):1638–1647.

6.          Ivaciuc, O. (2007). Applications of support vetor machine in chemistry, Volume 23. In: Lipkowitz, K.B.; Cundari, T.R. Reviews in computatinal chemistry, pp 291-400, Wiley-VCH, Weinheim.

7.          Karatzoglou, A.; Meyer, D.; Hornik, K. (2006). Support Vector Machines in R. Journal of Statistical Software, 15(9):1-26.

8.          Liu, M.; Wilairat, B.; Go, M.L. (2001). Antimalarial alkoxylated chalcones : structure – activity relationship analysis. J. Med. Chem., 44: 4443-4452.

9.          Mayer, D. (2009). LIBSVM : support vector machine. http://www.csie.ntu.edu.tw/~cjlin/libsvm.

10.       Nguyễn Văn Tuấn (2007). Phân tích số liệu và tạo biểu đồ bằng R- hướng dẫn thực hành, in lần thứ nhất, 1-340, NXB Khoa Học và Kỹ Thuật, Hà Nội.

11.       R (2009): The R project for statistical computing, http://.r-project.org/.

12.       Schlitzer, M. (2007) Malaria chemotherapeutics part I: History of antimalarial drug development, currently used therapeutics, and drugs in clinical development. ChemMedChem, 2(7): 944-986

13.       Schlitzer, M. (2008). Antimalarial Drugs – What is in use and what is in the pipeline. Arch. Pharm. Chem. Lifesci., 341:149-163.

14.       Thai, K.-M.; Ecker, G. F. (2008). A Binary QSAR Model for Classification of hERG Potassium Channel Blockers. Bioorg. Med. Chem, 16:4107-4119.

15.       Tran, T.-D.; Park, H.; Kim, H.P.; Ecker, G.F.; Thai, K.-M. (2009). Inhibitory activity of prostaglandin E2 production by the synthetic 2’-hydroxychalcone analogues: synthesis and SAR study. Bioorg. Med. Chem. Lett., 19: 1650-1653.

 

 


[*] Bộ môn Hóa Dược – Khoa Dược - Đại học Y Dược Thành phố Hồ Chí Minh

Địa chỉ  liên hệ: TS Thái Khắc Minh                       ĐT: 0909 680 385        Email: thaikhacminh@gmail.com