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

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:8

Thêm vào BST

Báo xấu

6
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

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.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

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

NGHIÊN CỨU DẪN XUẤT PLUMBAGIN MỚI CÓ HOẠT TÍNH KHÁNG UNG THƯ GAN (HEPG2) BẰNG MÔ HÌNH HÓA QSAR Ngô 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 các dẫn xuất mới có hoạt tính kháng ung thư gan xuất phát từ dẫn xuất của Plumbagin sử dụng mô hình hóa QSAR. Phương pháp: Xây dựng các mô hình QSAR dựa trên các kỹ thuật hồi quy tuyến tính đa biến (QSARMLR) và mạng thần kinh nhân tạo (QSARANN) trên bộ dữ liệu bao gồm 50 dẫn xuất của Plumbagin với giá trị IC50 được khai thác từ thực nghiệm. Các mô hình QSAR này, sau đó được sử dụng để dự đoán giá trị IC50 của các dẫn xuất Plumbagin thiết kế mới. Kết quả: Mô hình QSARMLR đã được xây dựng thành công bao gồm bảy mô tả đáp ứng các yêu cầu thống kê: R2train = 0,923; R2adj = 0,910; R2LOO = 0,888 và SE = 4,678. Mô hình mạng thần kinh QSARANN với kiến trúc I(7)-HL(3)-O(1) cũng đã được phát triển dựa trên các biến mô tả của mô hình QSARMLR với các giá trị thống kê: R2train = 0,954; R2cross-validation = 0,958; R2test = 0,986. Sử dụng hai mô hình này sàng lọc và dự đoán được 13 dẫn xuất mới được có hoạt tính tốt dựa trên giá trị IC50. Kết luận: Nghiên cứu đã xây dựng thành công mô hình QSARMLR và QSARANN để dự đoán hoạt tính kháng ung thư của 13 dẫn xuất Plumbagin mới có hoạt tính tốt. Từ khóa: ANN, HepG2, MLR, Plumbagin, QSAR ĐẶT VẤN ĐỀ Ung thư gan là loại ung thư phổ biến nhất ở Việt Nam [1] và là gánh nặng bệnh tật xếp thứ ba ở Việt Nam [2]. Vì vậy, nghiên cứu các dược chất mới có hoạt tính kháng ung thư gan là hết sức cần thiết. Nhiều nghiên cứu hiện nay đang quan tâm đến các dẫn xuất tự nhiên có nguồn gốc thảo dược. Trong đó, Plumbagin (5- hydroxy-2-methyl-1,4-naphthoquinone), một dẫn xuất chính từ rễ cây Bạch hoa xà (Plumbago zeylanica Linn) đã được nghiên cứu có khả năng kháng ung thư gan HepG2. Nhận thấy được điều đó, các dẫn xuất mới của Plumbagin được nghiên cứu sử dụng mô hình hóa QSAR. Mục tiêu của nghiên cứu là phát triển dẫn xuất mới trên cơ sở cấu trúc của Plumbagin có hoạt tính kháng ung thư gan. 1. TỔNG QUAN 863
Plumbagin được nhiều nghiên cứu chứng minh có tác động kháng ung thư gan HepG2 chủ yếu trên quá trình apoptosis và tăng sinh tế bào [3] [4]. Tuy nhiên, có nghiên cứu chỉ ra rằng: Plumbagin trong điều trị ung thư gặp nhiều cản trở do các tính chất lý hóa và khả năng thâm nhập kém [5]. Vì vậy, nghiên cứu các dẫn xuất mới của plumbagin được thực hiện. Các nghiên cứu thực nghiệm tốn thời gian và chi phí vì vậy nghiên cứu in silico giúp tiết kiệm thời gian, chi phí và sàng lọc, dự báo được hàng trăm chất trong thời gian ngắn. 2. 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] và dẫn xuất (B) 2.2 Phương pháp nghiên cứu 2.2.1 Chuẩn bị dữ liệu, tối ưu hóa cấu trúc, tính toán bộ mô tả Thu thập các dữ liệu thực nghiệm của các dẫn xuất có khung cấu trúc Plumbagin trên các bài báo nghiên cứu uy tín (Sciencedirect, Pubmed) các giá trị hoạt tính IC50 được thử nghiệm trên tế bào HepG2 [5-15]. Tối ưu hóa cấu trúc bằng phương pháp cơ học phân tử MM+ trên Hyperchem [16] thu được các giá trị về năng lượng, gradient và sau đó sử dụng phương pháp bán thực nghiệm PM7 trên MOPAC [17] thu được các tham số lượng tử như HOMO, LOMO, độ âm điện ... Tính toán mô tả 2D, 3D được tham số cấu trúc bằng phần mềm TEST [18], kết hợp các dữ liệu, loại bỏ các tham số không có ý nghĩa. 2.2.2 Mô hình QSARMLR Phương pháp hồi quy tuyến tính đa biến (MLR) là kỹ thuật xây dựng mô hình tuyến tính, được sử dụng khi dự đoán giá trị của một biến phụ thuộc Y dựa trên giá trị của biến hoặc nhiều biến độc lập X [20]. Mô hình hồi quy tuyến tính đa biến có dạng Y = 0 + 1. X1 + 2 . X 2 + ... + k . X k +  Trong đó, Y là biến phụ thuộc; β0, β1, β2,…, βk là tham số hồi quy của mô hình, Xi tương ứng với biến độc lập thứ i (với i = 1 đến k, k là số lượng biến trong mô hình) và  là sai số ngẫu nhiên. Trong nghiên cứu này, biến phụ thuộc là giá trị IC50, biến độc lập là bộ mô tả các tính chất hóa lý của cấu trúc nghiên cứu. 2.2.3 Mạng thần kinh nhân tạo ANN ANN là một tập hợp nút được kết nối gọi là tế bào thần kinh nhân tạo, là mô hình hóa đơn giản có nguồn gốc từ tế bào thần kinh sinh học. ANN bắt chước phần nào quá trình học tập của não người [21]. ANN dự 864
báo các biến phụ thuộc bằng cách sử dụng một hàm kích hoạt cho các biến đầu vào. Cấu trúc một mạng thần kinh nhân tạo I(k)-HL(m)-O(n) gồm 3 lớp: Neuron lớp đầu vào là các tham số mô tả của mô hình QSARMLR, neuron lớp đầu ra là giá trị IC50 và neuron ở lớp ẩn được khảo sát để đạt mô hình QSARANN phù hợp nhất. Hàm kích hoạt được sử dụng trong nghiên cứu là hàm logsig và hàm tansig và mô hình được luyện bằng giải thuật lan truyền ngược kết hợp thuật toán Levenberg-Marquest 2.2.4 Đánh giá mô hình Đánh giá mô hình là bước quan trọng trong việc xác định tính đúng đắn của mô hình đã xây dựng. Trong nghiên cứa này, sử dụng phương pháp đánh giá nội với kỹ thuật đánh giá chéo loại bỏ dần từng trường hợp LOO (Leave-one-out). Đánh giá nội được thực hiện trên tập dữ liệu xây dựng mô hình với 50 giá trị thực nghiệm. Giá trị thống kê để đánh giá mô hình gồm có: R2train, R2adj, R2LOO, SE [20] [22]. Đối với mô hình QSARANN, các đại lượng thống kê R2train, R2test và R2validation được sử dụng để đánh giá. Bảng 1: Thông số thống kê đánh giá mô hình Ký hiệu Định nghĩa Công thức R2 Chỉ số tương quan giữa dữ liệu dự đoán và n  (Y − Yˆ ) i i 2 R2 = 1 − i =1 thực nghiệm. R2 càng lớn tương quan càng n  (Y − Y ) i =1 i 2 cao. R2 được tính cho tập luyện (R2train), tập kiểm tra (R2test), tập đánh giá (R2LOO, R2validation) R²adj Chỉ số tương quan giữa dữ liệu dự đoán và k −1 2 Radj = R2 − N −1 (1− R2 ) thực nghiệm Đại lượng này sử dụng để điều chỉnh R2 khi đưa nhiều biến số vào mô hình k là số biến sử dụng trong mô hình SE Sai số chuẩn là chỉ số sai lệch giữa giá trị dự N  (Y − Yˆ ) i i 2 SE = i =1 đoán và giá trị thực nghiệm. Đối với một mô N − k −1 hình tốt, sai số chuẩn của ước lượng phải thấp. Yi, Ŷi, Ȳ là giá trị thực nghiệm, dự đoán và trung bình, N là số dữ liệu tập luyện 2.2.5 Thiết kế dẫn xuất mới Các dẫn xuất mới của Plumbagin được thiết kế dựa trên các bài báo nghiên cứu thực nghiệm tại các vị trí có sự gắn các nhóm thế nhiều. Kết quả, sự gắn kết nhóm thế phần lớn ở các vị trí R3, R12, R7, R14. Các nhóm thế được gắn vào là những chất có hoạt tính và những nhóm thế này đã được tổng hợp trong thực tế để nâng cao tính khả thi trong nghiên cứu thực nghiệm tương lai. 3. KẾT QUẢ VÀ BÀN LUẬN 3.1 Kết quả 865
3.1.1 Mô hình QSARMLR QSARMLR được xây dựng trên bộ dữ liệu gồm 50 dẫn xuất của Plumbagin với các mô tả 2D và 3D và tham số lượng tử trên công cụ Regression [23] với dự liệu được chia thành 80% cho nhóm luyện và 20% cho nhóm đánh giá. Mô hình QSARMLR được xây dựng bằng phương pháp Forward và kỹ thuật đánh giá chéo. Chất lượng mô hình đánh giá qua các thông số thống kê R2train, R2adj, R2LOO, SE. Bộ mô tả phân tử gồm 378 tham số mô tả phân tử khác nhau. Kết quả, 7 tham số mô tả đã được chọn khi cho ảnh hưởng lớn đến giá trị hoạt tính là numHBa, 11O, xvp3, 3C, Molecular weight, Cosmo volume, 2C (bảng 1). Mô hình QSAR với 7 tham số mô 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 của bộ mô tả trong mô hình QSARMLR với k = 7 thể hiện ở bảng 2 Bảng 2 Giá trị thống kê bộ mô tả mô hình QSARMLR k Mô tả Giá trị P value Std % đóng Error góp b0 Hệ số 113,694 3,745E-11 12,843 - b1 numHBA (Số lượng liên kết Hydro nhận) -4,588 4,246E-07 0,767 6,893 11 b2 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 3 b4 C (Vị trí C số 3) -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 2 b7 C (Vị trí C số 2) -114,550 0,005 38,717 1,307 866
3.1.2 Mô hình mạng thần kinh nhân tạo QSARANN Phương pháp mạng thần kinh nhân tạo ANN cũng được sử dụng để tạo ra mô hình có khả năng dự đoán cao hơn trên phần mềm Matlab 2019a [24]. Các dự đoán xvp3, numHBA, Molecular Weight, Cosmo Volume, 2C, 3C, 11O được sử dụng làm biến đầu vào trong xây dựng mô hình QSARANN. Mô hình QSARANN sử dụng giải thuật lan truyền ngược kết hợp thuật toán Levenberg-Marquest. Kiến trúc của mạng nơron bao gồm ba lớp là I(7)-HL(3)-O(1) như sau: lớp đầu vào I(7) bao gồm 7 tế bào thần kinh (xvp3, numHBA, Molecular-Weight, Cosmo-Volume, 2C, 3C, 11O); lớp đầu ra O(1) bao gồm 1 nơron là giá trị IC50; lớp ẩn gồm 3 tế bào thần kinh. Hàm truyền sử dụng là hàm tansig. Mô hình QSARANN nhận được các giá trị thống kê R2train = 0,954; R2 cross-validation = 0,958; R2test = 0,986. Cả hai mô hình QSARMLR và QSARANN được dùng để dự đoán giá trị IC50 của tổ hợp 140 chất mới. Giá trị IC50 được tính từ hai mô hình MLR và ANN. Sau đó, được sàng lọc và loại bỏ chất có giá trị IC50 lớn hoặc âm. Kết quả, 13 hợp chất được chọn với giá trị IC50 dự báo như bảng 3. Bảng 3 Giá trị IC50pred mô hình QSARMLR và QSARANN I II III IV V VI VII VIII IC50 pred (µM) 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 plba139 3-II, 12-IV, 7-V, 22,947 22,754 14-VIII plba75 3-II, 14-VI 9,598 7,237 3.2 Bàn luận 3.2.1 Mô hình QSARMLR Kết quả đánh giá trên mô hình QSAR hoàn chỉnh từ toàn tập dữ liệu cho thấy phương trình đạt mức độ tương quan cao (R2train = 0,923 > 0,6 [22] ). Giá trị R2train = 0,923 với k = 7 thể hiện mô hình mã hóa 92,3% biến về giá trị hoạt tính trong tập dữ liệu, R2adj = 0,910 mã hóa 91% biến về giá trị hoạt tính. Sai số chuẩn trong mô hình= 4,678. R2LOO = 0,888 (> 0,5 [22] ) và khác biệt giữa R2 và R2LOO ≤ 0,3 [22] cho thấy mô hình có chất lượng dự đoán tốt. Giá trị P-value < 0,05 (cao nhất trên các mô tả là b7= 0,005), mô tả trong mô hình thể hiện độ tin cậy đáng kể ở mức 95% Các mô tả đóng góp ở mức độ khác nhau trong đó, b5, b6, b2 có phần trăm đóng góp nhiều nhất lần lượt là 32,389; 26,839; 23,943 % và các mô tả còn lại cũng có đóng góp vào mô 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, các mô tả này có tương quan thuận đến giá trị IC50. Ngược lại, các mô tả numHBA, 3C, Cosmo Volume có tham số hồi quy âm, các mô tả này có tương quan nghịch đến giá trị IC50. 3.2.2 Mô hình mạng thần kinh nhân tạo QSARANN Mô hình QSARANN I(7)-HL(3)-O(1) cho các giá trị thống kê R2train = 0,954; R2cross-validation = 0,958; R2test = 0,986. Các kết quả này chỉ ra rằng mô hình QSARANN I(7)-HL(3)-O(1) tốt hơn mô hình QSARMLR. Mô hình QSARANN có thể giải thích được 95,4% biến trong tập dữ liệu, trong khi đó mô hình QSARMLR giải thích tương ứng được 92,3% biến. R2cross-validation = 0,958 (> 0,5 [22] ) và khác biệt giữa giá trị R2 và R2cross-validation không lớn hơn 0,3 [22]. Mô hình có chất lượng dự đoán tốt. 4. KẾT LUẬN Nghiên cứu này đã phát triển thành công mô hình QSARMLR và QSARANN để dự đoán hoạt tính IC50 của các dẫn xuất Plumbagin. Mô hình QSARMLR được xây dựng đáp ứng các yêu cầu thống kê. Mô hình QSARANN tốt nhất có kiến trúc mạng là I(7)-HL(3)-O(1). 13 dẫn xuất mới của Plumbagin được sàng lọc có hoạt tính dự báo tốt trên tế bào ung thư HepG2, đặc biệt là plba69 và plba75 có IC50 dự báo lần lượt là 2,636 và 9,598 với MLR và 3,407 và 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 α- aminophosphonates 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