Nguyễn Hoàng Tiến

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ Y TẾ
ĐẠI HỌC Y DƯỢC THÀNH PHỐ HỒ CHÍ MINH
NGUYỄN HOÀNG TIẾN
NGHIÊN CỨU SÀNG LỌC ẢO CÁC CHẤT ỨC CHẾ

CHỌN LỌC MONOAMIN OXIDASE B
KHÓA LUẬN TỐT NGHIỆP DƯỢC SĨ ĐẠI HỌC
Thành phố Hồ Chí Minh - Năm 2020

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ Y TẾ
ĐẠI HỌC Y DƯỢC THÀNH PHỐ HỒ CHÍ MINH
NGUYỄN HOÀNG TIẾN
NGHIÊN CỨU SÀNG LỌC ẢO CÁC CHẤT ỨC CHẾ

KHÓA LUẬN TỐT NGHIỆP DƯỢC SĨ ĐẠI HỌC
Giảng viên hướng dẫn: PGS. TS. LÊ MINH TRÍ
Thành phố Hồ Chí Minh – Năm 2020
ii
MỤC LỤC
DANH MỤC TỪ VIẾT TẮT.................................................................................... vi
DANH MỤC CÁC HÌNH ........................................................................................ vii
DANH MỤC CÁC BẢNG........................................................................................ ix
LỜI CẢM ƠN .............................................................................................................x
ĐẶT VẤN ĐỀ.............................................................................................................1
CHƯƠNG 1. TỔNG QUAN TÀI LIỆU ..................................................................2
1.1. SƠ LƯỢC VỀ BỆNH PARKINSON ..............................................................2
1.1.1. Tổng quan về bệnh Parkinson ...................................................................2
1.1.2. Các dấu hiệu và triệu chứng ......................................................................2
1.1.3. Thuốc điều trị ............................................................................................4
1.1.4. Hội chứng pho mát ....................................................................................5
1.2. ENZYM MONOAMIN OXIDASE B .............................................................5
1.2.1. Tổng quan về enzym monoamin oxidase (MAO).....................................5
1.2.2. Khoang gắn kết của MAO-B ....................................................................7
1.2.3. Các chất ức chế MAO-B ...........................................................................8
1.2.4. Các phương pháp thử nghiệm hoạt tính sinh học trên MAO-B ................9
1.3. TỔNG QUAN VỀ CÁC CÔNG CỤ SÀNG LỌC ẢO ..................................10
1.3.1. Mô hình Pharmacophore .........................................................................10
1.3.2. Mô hình 2D-QSAR .................................................................................11
1.3.3. Đánh giá ADMET ...................................................................................11
1.3.4. Mô hình mô tả phân tử docking ..............................................................12
1.4. THƯ VIỆN CÁC CHẤT SÀNG LỌC ẢO ....................................................12
1.4.1. ZINC .......................................................................................................12
1.4.2. DrugBank ................................................................................................13
1.4.3. Thư viện các chất có nguồn gốc từ dược liệu Traditional Chinese
Medicine (TCM) và Universal Natural Product Database (UNPD) .................13
CHƯƠNG 2. ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU ...................14
iii
2.1. XÂY DỰNG MÔ HÌNH 3D-PHARMACOPHORE .....................................14
2.1.1. Xử lý cơ sở dữ liệu ..................................................................................14
2.1.2. Pharmacophore dựa trên cấu trúc MAO-B .............................................17
2.1.3. Pharmacophore dựa trên ligand ..............................................................17
2.1.4. Đánh giá mô hình 3D-pharmacophore ....................................................19
2.1.5. Ứng dụng mô hình 3D-pharmacophore trong sàng lọc ..........................20
2.2. MÔ HÌNH 2D-QSAR ....................................................................................21
2.2.1. Chuẩn bị cơ sở dữ liệu ............................................................................22
2.2.2. Lựa chọn thông số mô tả .........................................................................22
2.2.3. Loại các chất gây nhiễu bằng Z-score.....................................................22
2.2.4. Xây dựng mô hình...................................................................................23
2.2.5. Phân chia tập cơ sở dữ liệu .....................................................................23
2.2.6. Đánh giá mô hình ....................................................................................23
2.2.7. Ứng dụng mô hình 2D-QSAR trong sàng lọc .........................................25
2.3. SÀNG LỌC ADMET.....................................................................................25
2.4. MÔ HÌNH MÔ TẢ PHÂN TỬ DOCKING...................................................26
2.4.1. Xây dựng mô hình mô tả phân tử docking MAO-B ...............................27
2.4.2. Xây dựng mô hình mô tả phân tử docking MAO-A ...............................29
CHƯƠNG 3. KẾT QUẢ VÀ BÀN LUẬN ............................................................31
3.1. MÔ HÌNH 3D-PHARMACOPHORE ...........................................................31
3.1.1. Pharmacophore dựa trên cấu trúc MAO-B .............................................31
3.1.2. Pharmacophore dựa theo ligand ..............................................................31
3.1.3. Kết quả đánh giá mô hình 3D-pharmacophore .......................................32
3.1.4. Kết quả sàng lọc trên các tập dữ liệu ......................................................34
3.2. MÔ HÌNH 2D-QSAR TRÊN CHẤT ỨC CHẾ MAO-B ...............................34
3.2.1. Lựa chọn thông số mô tả .........................................................................34
3.2.2. Loại các chất gây nhiễu bằng Z-score.....................................................35
3.2.3. Xây dựng mô hình 2D-QSAR .................................................................37
iv
3.2.4. Đánh giá mô hình 2D-QSAR ..................................................................38
3.2.5. Ứng dụng mô hình 2D-QSAR trong sàng lọc .........................................39
3.3. SÀNG LỌC ADMET.....................................................................................40
3.4. MÔ HÌNH MÔ TẢ PHÂN TỬ DOCKING...................................................41
3.4.1. Xây dựng mô hình mô tả phân tử docking MAO-B ...............................41
3.4.2. Mô hình mô tả phân tử docking MAO-A ...............................................44
3.5. BÀN LUẬN ...................................................................................................48
3.5.1. Tập dữ liệu UNPD ..................................................................................48
3.5.2. Tập dữ liệu ZINC ....................................................................................51
3.5.3. So sánh với các nghiên cứu khác ............................................................53
CHƯƠNG 4. KẾT LUẬN VÀ ĐỀ NGHỊ..............................................................55
TÀI LIỆU THAM KHẢO.........................................................................................56
PHỤ LỤC ..............................................................................................................PL-1
v
DANH MỤC TỪ VIẾT TẮT
PD Parkinson Disease (Bệnh Parkinson)
FDA Food and Drug Administration (Cục quản lý Thực phẩm và Dược phẩm
Hoa Kỳ)
MAO Enzym monoamin oxidase
MAO-A Enzym monoamin oxidase A
MAO-B Enzym monoamin oxidase B
QSAR Quantitative Structure Activity Relationship (Mối quan hệ định lượng
cấu trúc – tác dụng)
2D-QSAR QSAR trên không gian 2 chiều
3D-QSAR QSAR trên không gian 3 chiều
QSPR Quantitative Structure – Property Relationship (Mối quan hệ định lượng
giữa cấu trúc - tính chất)
ADMET Hấp thu – phân bố - chuyển hóa – thải trừ - độc tính
TCM Traditional Chinese Medicine (Thư viện các chất phân lập từ các bài
thuốc cổ truyền Trung Hoa)
UNPD Universal Natural Product Database (Thư viện các chất có nguồn gốc tự nhiên)
MOE Molecular Operating Environment
FAD Flavin Adenin Denucleotid
IC50 Nồng độ tối thiểu ức chế 50% (50% inhibitory concentration)
PLS Partial Least Squares (Bình phương tối thiểu từng phần)
RMSD Root mean square deviation (Sai số trung bình bình phương gốc)
RMSE Root mean square error (Sai số bình phương trung bình)
LOO Bỏ - một – ra (Leave One Out)
TP Số lượng chất có hoạt tính được dự đoán đúng (True - Positive)
TN Số lượng chất không có hoạt tính được dự đoán đúng (True - Negative)
FP Số lượng chất có hoạt tính được dự đoán sai (False - Positive)
FN Số lượng chất không hoạt tính được dự đoán sai (False - Negative)
PDB Protein Data Bank (Ngân hàng protein)
WDI World Drug Index (Chỉ số thuốc thế giới)
vi
DANH MỤC CÁC HÌNH
Hình 1.1. Cơ chế các nhóm thuốc điều trị Parkinson .................................................4
Hình 1.2. Cấu trúc MAO-A được vẽ bằng phần mềm Molecular Operating
Environment 2015.10 từ protein mã 2Z5Y trên Protein Data Bank ...........................6
Hình 1.3. Cấu trúc MAO-B được vẽ bằng phần mềm Molecular Operating
Environment 2015.10 từ protein mã 2V5Z trên Protein Data Bank ...........................6
Hình 1.4. Khoang gắn kết MAO-B được tạo bởi Hana Elshaflu và các cộng sự ......7
Hình 1.5. Cấu trúc rasagilin, selegilin và safinamid ...................................................8
Hình 2.6. Các bước tiến hành nghiên cứu .................................................................14
Hình 2.7. Sơ đồ các bước xây dựng mô hình 2D-QSAR ..........................................21
Hình 2.8. Các bước tiến hành xây dựng mô hình mô tả docking MAO-B ...............27
Hình 3.9. Các mô hình pharmacophore S01, S02, S03 được xây dựng dựa theo cấu
trúc protein và sự gióng hàng trên phối tử Safinamid. ..............................................31
Hình 3.10. Các mô hình pharmacophore L01, L02, L07, L13 được xây dựng theo 4
chất của tập xây dựng. ...............................................................................................32
Hình 3.11. Kết quả sàng lọc bằng mô hình 3D-pharmacophore L13 .......................34
Hình 3.12. Biểu đồ thể hiện mối tương quan giữa pIC50 thực nghiệm và pIC50 dự đoán
của tập nhiễu .............................................................................................................36
Hình 3.13. Biểu đồ thể hiện mối tương quan giữa pIC50 thực nghiệm và pIC50 dự đoán
trên toàn tập ...............................................................................................................37
Hình 3.14. Kết quả sàng lọc qua mô hình 2D-QSAR ...............................................39
Hình 3.15. Tỷ lệ các chất đạt và không đạt trong sàng lọc ADMET ........................40
Hình 3.16. Khoang gắn kết của MAO-B được chụp bởi MOE 2015.10 ..................42
Hình 3.17. Biểu đồ phân bố điểm số docking của 4.754 chất dock thành công trên MAO-B 43
Hình 3.18. Khoang gắn kết của MAO-A được chụp bởi MOE 2015.10. ................45
Hình 3.19. Sự khác biệt giữa khoang gắn kết của MAO-A và MAO-B ...................45
Hình 3.20. Kết quả tương tác của 1.905 chất tiềm năng với acid amin trên khoang gắn
kết của MAO-B .........................................................................................................46
Hình 3.21. Biểu đồ phần trăm các chất docking chọn lọc trên MAO-B ...................47
Hình 3.22. Tóm tắt kết quả sàng lọc trong nghiên cứu .............................................48
vii
Hình 3.23. UNPD89644 (Crotafuran E) (màu xanh lá cây) trong khoang gắn kết của
MAO-B và tương tác với acid amin (điểm số docking -24,48KJ/mol) ....................50
Hình 3.24. UNPD203145 (màu xanh lá cây) trong khoang gắn kết của MAO-B và
tương tác với acid amin (điểm số docking -22,73 KJ/mol) ......................................50
Hình 3.27. Tương tác giữa ZINC78829248 với khoang gắn kết của MAO-B (điểm số
docking -36,99 KJ/mol) ............................................................................................52
docking -35,40 KJ/mol) ............................................................................................52
docking -35,27 KJ/mol) ............................................................................................53
docking -35,07 KJ/mol) ............................................................................................53
viii
DANH MỤC CÁC BẢNG
Bảng 2.1. Khung cấu trúc của 397 chất dùng đánh giá mô hình 3D-pharmacophore ...15
Bảng 2.2. Tập xây dựng của mô hình 3D-pharmacophore .......................................18
Bảng 2.3. Giá trị ngưỡng của các rủi ro được đề nghị bởi ADMET Predictor 9.5 ...26
Bảng 3.4. Kết quả đánh giá mô hình 3D-pharmacophore .........................................33
Bảng 3.5. Mức độ tương quan của các thông số mô tả với nhau và với pIC50 .........35
Bảng 3.6. Kết quả loại nhiễu Z-score........................................................................36
Bảng 3.7. Kết quả đánh giá mô hình 2D-QSAR .......................................................38
Bảng 3.8. Miền ứng dụng của mô hình 2D-QSAR ...................................................39
Bảng 3.9. Kết quả sàng lọc ADMET ........................................................................40
Bảng 3.10. Kết quả redocking MAO-B (mã PDB 2V5Z).........................................41
Bảng 3.11. Kết quả docking MAO-B (mã PDB 2V5Z) ............................................43
Bảng 3.12. Kết quả redocking MAO-A (mã PDB 2Z5Y) ........................................44
Bảng 3.13. Kết quả docking trên MAO-A (mã PDB 2Z5Y) ....................................46
Bảng 3.14. Các chất sàng lọc được ở tập UNPD ......................................................49
Bảng 3.15. So sánh với nghiên cửu của Kiran Boppana và các cộng sự (2009) ......54
ix
LỜI CẢM ƠN
Lời đầu tiên em xin gửi lời cảm ơn đến Khoa Dược - Đại học Y Dược thành phố Hồ
Chí Minh, cũng như các thầy cô đã tạo ra một môi trường học tập bổ ích, dạy em
những kiến thức quý báu trong suốt 5 năm học tập. Đồng thời Khoa Dược cũng tạo
điều kiện tốt nhất về máy móc và thiết bị để em có thể hoàn thành tốt khóa luận của
mình.
Em xin gửi lời cảm ơn sâu sắc đến bộ môn Hóa Dược và đặc biệt cảm ơn đến thầy
PGS. TS. Lê Minh Trí và PGS.TS. Thái Khắc Minh đã luôn theo sát, kiểm tra tiến
độ, tận tình chỉ bảo và quan tâm động viên em trong suốt thời gian thực hiện khóa
luận. Thầy luôn sẵn sàng cung cấp kiến thức mới, giải đáp những thắc mắc và cho
em lời khuyên khi gặp các vấn đề trong khóa luận. Em cũng xin cảm ơn thầy
ThS. Mai Thành Tấn đã luôn góp ý để cho khóa luận của em được hoàn thiện hơn.
Em cũng xin dành lời cảm ơn đến quý thầy cô trong Hội Đồng Hóa dược và đặc biệt
cảm ơn cô giảng viên phản biện TS. Nguyễn Thụy Việt Phương đã dành thời gian
đọc bài và đưa ra những góp ý chi tiết cho khóa luận của em.
Em xin cảm ơn anh DS. Bùi Quốc Dũng, anh DS. Trần Thái Sơn đã luôn có mặt ở
lab Hóa Dược để giúp em giải quyết những khó khăn. Cũng như các anh chị DS.
Nguyễn Minh Châu, DS. Đinh Lê Quốc Hoàng, DS. Nguyễn Minh Xuân đã giải đáp
thắc mặc khi em cần. Vả cảm ơn các em monitor tại phòng lab Hóa Dược đã hỗ trợ
trong thời gian khóa luận gấp rút.
Mình xin cảm ơn các bạn Ánh Tuyết, Giang Sơn, Hoàng Minh, Xuân Tiên, Ngọc
Trâm, Thanh Hằng và Thu Hạnh cùng làm khóa luận tốt nghiệp trên lab Hóa Dược
đã hỗ trợ, giúp đỡ, động viên nhau để cùng hoàn thành khóa luận đúng thời hạn.
Cuối cùng con xin cảm ơn sâu sắc đến Ba, Mẹ đã sinh thành, nuôi dưỡng, dành những
điều tốt đẹp nhất cho con để con có thể học tập và hoàn thành được khóa luận này.
Xin cảm ơn tất cả mọi người!
Hồ Chí Minh, ngày 07 tháng 08 năm 2020
Nguyễn Hoàng Tiến
x
« Khóa luận tốt nghiệp DSĐH Đặt vấn đề »
ĐẶT VẤN ĐỀ
Parkinson là bệnh thoái hóa thần kinh đặc trưng bởi các triệu chứng vận động và
không vận động [1]. Bệnh Parkinson ảnh hưởng từ 1 đến 2‰ dân số và tỷ lệ này đang
càng ngày càng gia tăng theo độ tuổi [2]. Tính đến năm 2020 chỉ có ba thuốc được
Cục quản lý Thực phẩm và Dược phẩm Hoa Kỳ (FDA) chấp thuận để điều trị bệnh
Parkinson là rasagilin (năm 2006), selegilin (năm 2006) và safinamid (năm 2017). Ba
thuốc này là các chất ức chế chọn lọc enzym monoamin oxidase B (MAO-B) làm
ngăn chặn quá trình chuyển hóa dopamin ở thần kinh trung ương. Kể từ lúc rasagilin
và selegilin được chấp thuận đến 11 năm sau mới có thêm safinamid được chấp thuận
cho thấy việc phát triển thuốc mới trị bệnh Parkinson diễn ra rất chậm. Nguyên nhân
của việc này một phần do việc tìm kiếm các thuốc mới thất bại trong thử nghiệm lâm
sàng do tác dụng phụ nghiêm trọng của các chất ức chế MAO-B, gây “hội chứng pho
mát” làm tăng huyết áp mạnh khi sử dụng kèm các thực phẩm giàu tyramin [3]. Các
nhà nguyên cứu chỉ ra rằng “hội chứng pho mát” liên quan đến việc ức chế cả MAO-
A và MAO-B vì vậy hướng nghiên cứu các thuốc trị Parkinson hiện nay là ức chế
chọn lọc MAO-B [4]. Để giúp tiết kiệm thời gian và chi phí, các công cụ sàng lọc ảo
như pharmacophore, QSAR, docking,… được áp dụng trong nghiên cứu giúp tìm ra
các hoạt chất tiềm năng từ các ngân hàng dữ liệu.
Với định hướng trên đề tài “Nghiên cứu sàng lọc ảo các chất ức chế chọn lọc
monoamin oxidase B” được tiến hành với các nội dung sau:
1. Thu thập cơ sở dữ liệu các chất ức chế MAO-B
2. Xây dựng mô hình 3D-pharmacophore trên các chất ức chế MAO-B
3. Xây dựng mô hình 2D-QSAR trên các chất ức chế MAO-B
4. Tiến hành đánh giá hấp thu - phân bố - chuyển hóa - thải trừ - độc tính (AMDET)
các chất sàng lọc được
5. Xây dựng mô hình mô tả phân tử docking trên khoang gắn kết của MAO-B
và MAO-A
6. Ứng dụng các mô hình trong sàng lọc các chất ức chế MAO-B trên các cơ sở dữ
liệu thuốc Drugbank, thư viện các chất phân lập từ các bài thuốc cổ truyền Trung Hoa
(TCM), thư viện các chất có nguồn gốc tự nhiên (UNPD) và cơ sở dữ liệu miễn phí
các chất đã thương mại hóa (ZINC).
1
« Khóa luận tốt nghiệp DSĐH Tổng quan tài liệu »
CHƯƠNG 1. TỔNG QUAN TÀI LIỆU

1.1. SƠ LƯỢC VỀ BỆNH PARKINSON
1.1.1. Tổng quan về bệnh Parkinson
Bệnh Parkinson (hay còn gọi là PD) là một rối loạn của hệ thần kinh trung ương gây
ảnh hưởng đến tình trạng cử động, thăng bằng và kiểm soát cơ của bệnh nhân. Bệnh
Parkinson thuộc nhóm các bệnh rối loạn vận động, ba đặc điểm đặc trưng của bệnh
là cứng cơ, run và vận động chậm, trường hợp bệnh nặng người bệnh có thể mất đi
một số chức năng vận động vật lý [5]. Các triệu chứng chính xuất hiện tương ứng với
sự giảm kích thích ở vùng vỏ não thuộc phạm vi điều khiển của hạch nền. Điều này
liên quan đến sự giảm hình thành và sản xuất dopamin trong tế bào thần kinh
dopaminergic của não giữa [6]. Các triệu chứng phụ có thể xuất hiện rối loạn chức
năng nhận thức cao cấp và các vấn đề về ngôn ngữ. Đây là bệnh mãn tính tự phát,
nhưng trong một số trường hợp bệnh do độc tính của một số loại thuốc, chấn thương
đầu, hay các rối loạn y tế khác [5].
Dựa theo nguyên nhân gây bệnh có thể chia bệnh Parkinson thành bốn nhóm: nhóm
bệnh tự phát (không biết rõ nguyên nhân), nhóm sơ cấp (biết nguyên nhân), nhóm do
di truyền và nhóm bệnh Parkinson kết hợp chung với thoái hóa nhiều hệ thống khác.
Trong đó phần lớn là nhóm bệnh tự phát [7].
1.1.2. Các dấu hiệu và triệu chứng
Các dấu hiệu và triệu chứng có thể chia thành hai loại: triệu chứng vận động và triệu
chứng không vận động.
1.1.2.1. Triệu chứng vận động
Là những triệu chứng ảnh hưởng đến chức năng vận động của cơ thể. Đây là những
triệu chứng rõ ràng nhất của bệnh Parkinson. Các triệu chứng vận động chính của
bệnh là run, chậm vận động, cứng khớp và cân bằng kém (mất ổn định tư thế). Ở giai
đoạn đầu, những triệu chứng này thường nhẹ. Các triệu chứng thường bắt đầu ở một
bên của cơ thể và có thể tiến triển thành hai bên sau một vài năm. Khi diễn tiến nặng
dần, một vài người có thể gặp khó khăn trong việc đi lại, nói chuyện và các công việc
thường ngày khác. Các triệu chứng này thường tiến triển chậm. Tuy nhiên tốc độ diễn
tiến sẽ khác nhau ở mỗi người [6].
Run thấy rõ ở đầu chi, môi, lưỡi. Run thường khu trú ở một bên cơ thể trong nhiều
năm đầu, run có thể tạm mất khi vận động, nhưng sau đó lại tái diễn, khi ngủ hết run,
xúc động tăng run, tuy nhiên, có trường hợp hoàn toàn không run [8].
2
Cứng đơ: là một trong các triệu chứng quan trọng nhất, chân tay cứng ở tất cả các
nhóm cơ, đi lại khó, sờ nắn các cơ thấy chắc, cứng [8].
Giảm vận động: mất các động tác tự nhiên của nét mặt, của chân tay, nhất là khi cử
động. Mất vẻ biểu lộ tình cảm, nét mặt như người mang mặt nạ, ít chớp mắt. Đa số
mọi bệnh nhân bệnh Parkinson đều có chậm vận động và có thể làm cho người bệnh
cảm thấy yếu sức, mệt mỏi. Ở cánh tay, chậm vận động có thể gây khó khăn trong
những hoạt động như cài nút áo, buộc dây giày, đánh máy tính… Chậm vận động có
thể khiến cho người bệnh khó nhấc chân lên khi đi, bước đi chậm ngắn hơn và cảm
giác không vững. Người bệnh cũng có thể gặp những khó khăn khi thay đổi tư thế từ
đang ngồi sang đứng dậy [8].
Ngoài ra, ở giai đoạn trễ của bệnh còn gặp hiện tượng mất thăng bằng. Khi các phản
xạ tự động bị mất, người bệnh có thể gặp khó khăn nhiều hơn trong việc đi lại, thậm
chí có thể cần có người hỗ trợ hoặc ngồi xe lăn. Nếu như mất thăng bằng tiến triển
sớm ở giai đoạn đầu của bệnh, thì sẽ ít khi nghĩ đến bệnh Parkinson hơn, mà có thể
nghĩ đến hội chứng Parkinson khác như teo cơ hệ thống hoặc liệt trên nhân
tiến triển [8].
1.1.2.2. Triệu chứng không vận động
Các triệu chứng không vận động có thể ảnh hưởng đến cảm xúc, xúc giác và khả năng
suy nghĩ của người bệnh. Có thể kể đến là: những vấn đề về nhận thức và sa sút trí
tuệ, hoang tưởng và ảo giác, trầm cảm và lo âu, rối loạn giấc ngủ [8].
1.1.2.3. Các giai đoạn bệnh Parkinson
Các giai đoạn tiến triển của bệnh Parkinson bao gồm:
Giai đoạn 1: có các dấu hiệu ở 1 bên cơ thể, bệnh nhân vẫn tự chủ trong các sinh hoạt.
Giai đoạn 2: có các dấu hiệu ở hai bên nhưng không bị mất thăng bằng.
Giai đoạn 3: có triệu chứng cả 2 bên cơ thể có mất thăng bằng nhưng bệnh nhân vẫn
tự chủ được trong hoạt động tuy có bị hạn chế.
Giai đoạn 4: bị suy giảm chức năng nặng nhưng vẫn có thể đi đứng được cần sự hỗ
trợ một phần.
Giai đoạn 5: bệnh nhân phải ngồi xe lăn hoặc nằm tại giường, không còn tự chủ được.
3
1.1.3. Thuốc điều trị

Mục đích điều trị nhằm giảm sự tiến triển của bệnh và tăng chất lượng sống cho bệnh
nhân [9]. Các thuốc điều trị PD gồm các nhóm sau:
Gia tăng hoạt tính dopaminergic:
- Phục hồi dopamin thần kinh: levodopa.
- Chủ vận dopamin: bromocriptin, pramipexol, ropinirol, apomorphin.
- Kéo dài tác động của dopamin: ức chế enzym MAO-B có selegilin, rasagilin
và safinamid.
- Giải phóng dopamin từ nơi dự trữ và ức chế sự tái hấp thu: amantadin.
Giảm hoạt tính cholinergic: benzatropin, trihexylphenidyl.
Ngoài ra còn có nhóm ức chế chuyển hóa levodopa trước khi vào hệ thần kinh:
entacapon, tolcapon và carbidopa.
Thuốc được sử dụng ưu tiên ở hàng thứ nhất là levodopa phối hợp với carbidopa. Ở
hàng thứ hai có thuốc ức chế MAO-B, các thuốc này có tác dụng yếu hơn levodopa,
nhưng có thể hỗ trợ làm giảm hiện tượng giảm hiệu quả cuối liều khi sử dụng thuốc
levodopa. Và cho thấy hiệụ lực tương đương với chất ức chế enzym catechol-O-
methyltransferase (COMT). Ngoài ra thuốc ức chế MAO-B còn được sử dụng như
liệu pháp đơn trị trong giai đoạn sớm của bệnh Parkinson [10, 11].
Hình 1.1. Cơ chế các nhóm thuốc điều trị Parkinson [42]
4
1.1.4. Hội chứng pho mát

Trong thời gian sử dụng thuốc ức chế MAO, nếu bệnh nhân sử dụng thực phẩm giàu
tyramin sẽ gây hiện tượng tăng huyết áp nghiêm trọng có thể dẫn đến tử vong. Các
nguyên nhân gây hiện tượng pho mát được giải thích như sau: việc tăng hấp thu
tyramin qua hệ tiêu hóa kết hợp với giảm chuyển hóa ở gan dẫn đến lượng tyramin
trong máu tăng cao, dẫn đến lượng tyramin ở các tế bào thần kinh giao cảm cũng tăng
cao, nó chiếm vị trí của nornadrenalin và adrenalin trên chất nền là enzym MAO từ
đó lượng chất dẫn dẫn truyền thần kinh giao cảm tăng lên nhanh chóng dẫn đến việc
tăng huyết áp cấp [12].
Nghiên cứu chỉ ra rằng, hội chứng pho mát có liên quan đến sự ức chế MAO-A hơn
là MAO-B [13] và đặc biệt ức chế không thuận nghịch MAO-A gây ra hội chứng
nghiêm trọng nhất. Đó là lý do vì sao nhiều thuốc chống trầm cảm có tác dụng mạnh
nhưng lại bị hạn chế sử dụng trong lâm sàng [14]. Việc ức chế chọn lọc một enzym
MAO sẽ giảm được tác dụng phụ không mong muốn này [7].
1.2. ENZYM MONOAMIN OXIDASE B
1.2.1. Tổng quan về enzym monoamin oxidase (MAO)
MAO là họ của enzym xúc tác cho quá trình oxy hóa của monoamin [15,16], chúng
là một flavoprotein vì có chứa co-factor Flavin Adenin Denucleotid (FAD) trong cấu
trúc. Enzym MAO nằm ở màng ngoài ty thể của các loại tế bào và phân bố khắp cơ
thể, có vai trò quan trọng trong sự phân hủy của monoamin trong thức ăn cũng như
các hoạt động dẫn truyền thần kinh [17].
Ở người có hai loại enzym MAO là MAO-A và MAO-B cả hai đều được tìm thấy ở
trong tế bào thần kinh. Trong đó MAO-A còn phân bố nhiều ở nhau thai, ruột và gan,
còn MAO-B phân bố chủ yếu ở não, gan và tiểu cầu [18]. Hai enzym này giống nhau
đến 70% trình tự acid amin [19] và mỗi enzym chuyển hóa cho các cơ chất khác nhau.
MAO-A có cơ chất là tyramin, noradrenalin và serotonin liên quan đến bệnh trầm
cảm còn cơ chất của MAO-B là phenylethylamin, telmethylhistamin và dopamin, liên
quan đến bệnh Parkinson và Alzheimer [18].
MAO-A và MAO-B đều là các enzym gắn lên màng ngoài ty thể với cấu trúc gồm
hai phần, một phần bên ngoài màng và một phần gắn lên màng.Trong khi MAO-A là
một monomer (Hình 1.2) thì MAO-B là dimer với hai chuỗi acid amin giống nhau
(Hình 1.3) [20, 21].
5
Hình 1.2. Cấu trúc MAO-A được chụp bằng phần mềm Molecular Operating Environment
2015.10 từ protein mã 2Z5Y trên Protein Data Bank
Hình 1.3. Cấu trúc MAO-B được chụp bằng phần mềm Molecular Operating Environment
2015.10 từ protein mã 2V5Z trên Protein Data Bank
6
1.2.2. Khoang gắn kết của MAO-B

Cấu trúc khoang gắn kết MAO-B là một khoang lưỡng cực gồm hai khoang với tính
chất trái ngược nhau. Một khoang chất nền nằm trước co-factor FAD, nó tạo được
nhiều liên kết phân cực (liên kết hydro, liên kết cộng hóa trị, tương tác điện tích) từ
các acid amin xung quanh và các phân tử nước trong khoang với chất ức chế. Khoang
còn lại bao gồm nhiều tương tác kỵ nước giữa ligand và các acid amin xung quanh.
Nhìn chung khoang gắn kết MAO-B dài, hẹp và lưỡng cực. Điều này trái ngược với
MAO-A, ngắn, rộng và không phân chia hai khoang rõ rệt như MAO-B. Đây chính
là đặc điểm mà các nhà nghiên cứu khai thác để tìm ra các chất gắn chọn lọc trên
MAO-B [20, 22].
Hình 1.4. Khoang gắn kết MAO-B được tạo bởi Hana Elshaflu và
các cộng sự năm 2018 [43]
Các acid amin trong khoang gắn kết MAO-B (Hình 1.4) gồm: Ile 199, Cys 172, Ile
198, Tyr 435, Tyr 60, Phe 343, Tyr 398, Tyr 326, Leu 171, Leu 167, Ile 316, Phe 168
và Gln 206. Kết quả này cũng phù hợp với nghiên cứu cấu trúc phức hợp MAO-B và
safinamid của Claudia Binda và các cộng sự năm 2007 [20] và nghiên cứu của Luigi
De Colibus và các cộng sự năm 2005 [23].
7
1.2.3. Các chất ức chế MAO-B

Từ những năm 1950, các chất ức chế MAO đã được thử nghiệm lâm sàng trị các bệnh
về thần kinh như trầm cảm, Parkinson nhưng đều thất bại vì hiện tượng gọi là “hội
chứng pho mát”. Chúng kích thích cả thần kinh giao cảm thông qua tác động gián
tiếp vào các amin dẫn truyền thần kinh, trong đó quan trọng là tyramin (là cơ chất
của MAO-A). Tyramin có nhiều trong pho mát và rượu đỏ, khi sử dụng thuốc cùng
những thực phẩm này sẽ gây hiện tượng tăng huyết áp nghiêm trọng, đây được xem
là tác dụng phụ nguy hiểm nhất của các chất ức chế MAO, là rào cản các chất này
trong sử dụng lâm sàng. Theo các nghiên cứu, hội chứng pho mát liên quan đến sự
ức chế MAO-A hơn là MAO-B [13] đặc biệt là ức chế không thuận nghịch MAO-A
gây ra mức độ tăng huyết áp nghiêm trọng nhất, đây cũng là lý do nhiều thuốc chống
trầm cảm mặc dù tác dụng mạnh nhưng vẫn không vượt qua được thử nghiệm lâm
sàng [14].
Hướng nghiên cứu thuốc ức chế MAO hiện nay là chọn lọc MAO-A hoặc MAO-B
để tránh hội chứng pho mát [7]. Đây là cơ sở để các thuốc ức chế chọn MAO-B ra
đời điều trị bệnh Parkinson như rasagilin và selegilin được FDA chấp thuận năm 2006
(với tên biệt dược là Azilet và Emsam) và mới nhất là safinamid được FDA chấp
thuận năm 2017 (tên biệt dược là Xadago).
Hình 1.5. Cấu trúc rasagilin, selegilin và safinamid

Những năm gần đây, các bài báo về các chất ức chế MAO-B liên tục được đăng tải,
trong đó có nhiều chất có tác dụng ức chế chọn lọc trên MAO-B, các chất này từ các
khung cấu trúc có thể kể đến như sau [24]:
8
- Dẫn chất chalcon

- Dẫn chất chromon
- Dẫn chất coumarin
- Dẫn chất N- và O-propargylat
- Dẫn chất (Thio)semicarbazon và hydrazon
- Dẫn chất pyrazol
- Dẫn chất xanthin
- Dẫn chất aryloxy
- Dẫn chất N-aryloxazolidinon
- Dẫn chất imidazol và imidazolin
- Dẫn chất indol và indazol
- Dẫn chất (Iso)quinolin và quinazolin
1.2.4. Các phương pháp thử nghiệm hoạt tính sinh học trên MAO-B
1.2.4.1. Phương pháp thử hoạt tính với chất nền là p-tyramin
Enzym MAO-B người tái tổ hợp được lấy từ Sigma-Aldrich (0,0075 mg protein/ml).
Sử dụng 0,1 mL đệm phosphat nồng độ 0,05 mol/l, ở pH 7,4. Ủ hỗn hợp trong 15
phút ở nhiệt độ 37 oC. Sau đó cho 200 µM thuốc thử Amplex Red (10-acetyl-3,7-
dihydroxyphenoxazin), 1 U/ml horseradish peroxidase và 1 mM p-tyramin. Phản ứng
tạo thành H2O2, kết hợp với thuốc thử trong điều kiện phản ứng như trên sẽ tạo thành
chất resorufin có khả năng phát huỳnh quang. Đo huỳnh quang ở bước sóng kích
thích là 545 nm và bước sóng phát xạ là 590 nm [59].
1.2.4.2. Phương pháp thử hoạt tính với chất nền là kynuramin
Enzym MAO-B người tái tổ hợp được lấy từ Sigma-Aldrich. Pha loãng môi trường
thực hiện phản ứng bằng đệm kali phosphat nồng độ 100 mmol/l ở pH 7,4. Phản ứng
được thực hiện ở thể tích 500 µl. kynuramin nồng độ 30 µM và chất đồng tan DMSO
được sử dụng với nồng độ 4% (thể tích/thể tích). Thêm enzym vào, ủ trong 20 phút
với nhiệt độ 37 oC. Phản ứng kết thúc khi thêm vào 400 µl NaOH 2N. Sau khi thêm
1000 µl nước đem ly tâm với tốc độ 16000 vòng trong 10 phút. 4- hydroxyquinolin
được tạo ra sẽ nổi lên trên bề mặt sẽ được đo huỳnh quang với bước sóng kích thích
là 310 nm, bước sóng phát xạ là 400 nm [25].
9
1.3. TỔNG QUAN VỀ CÁC CÔNG CỤ SÀNG LỌC ẢO

Sàng lọc ảo cơ sở dữ liệu đóng vai trò quan trọng trong lĩnh vực khám phá thuốc bởi
vì đây là phương pháp ít tốn chi phí và và đáng tin cậy trong xác định các thuốc tiềm
năng. Trong ngành công nghiệp dược phẩm, nơi đang chịu áp lực ngày càng tăng về
việc đưa thuốc mới ra thị trường, sàng lọc ảo được xem như là một công cụ hỗ trợ
đắc lực và nâng cao tỷ lệ thành công [26].
1.3.1. Mô hình Pharmacophore
Paul Ehrlich đưa ra định nghĩa đầu tiên về pharmacophore vào năm 1890 là một
khung phân tử mang các đặc trưng thiết yếu chịu trách nhiệm cho hoạt tính sinh học.
Sau đó Peter Günd định nghĩa pharmacophore là tập hợp các đặc trưng cấu trúc phân
tử liên quan với gắn kết thụ thể và chịu trách nhiệm cho hoạt tính sinh học của phân
tử [26]. Theo IUPAC định nghĩa năm 1997, một pharmacophore là tập hợp các đặc
tính mang điện cũng như không mang điện cần thiết để để đảm bảo tối ưu các tương
tác với mục tiêu tác động để cho tác dụng sinh lý [27].
Như vậy pharmacophore không phải là một phân tử, một nhóm chức hoặc một cấu
trúc hóa học mà nó là một khá niệm trừu tượng. Những nguyên tử, nhóm chức của
mỗi phân tử có thể biểu thị thành các đặc tính cụ thể để tạo ra các điểm
pharmacophore như điểm kỵ nước, điểm vòng thơm, điểm cho liên kết hydro, điểm
nhận liên kết hydro, điểm điện tích. Hiện nay có hai cách cơ bản để xây dựng mô
hình pharmacophore, một là dựa trên cấu trúc mục tiêu tác động, hai là dựa trên cấu
trúc ligand. Việc xây dựng mô hình pharmacophore có hiệu quả hay không tuỳ thuộc
vào mức độ đa dạng và chính xác của dữ liệu đầu vào.
Pharmacophore là công cụ sàng lọc ảo hiệu quả và nhanh chóng, nó có thể sàng trên
tập dữ liệu rất lớn gồm cả chục triệu chất và tiết kiệm thời gian tìm kiếm tổng thể các
chất mới. Đồng thời nếu chưa có cấu trúc mục tiêu tác động thì pharmacophore dựa
trên ligand phát huy được tác dụng tìm kiếm các chất mới dựa trên các ligand ban
đầu [28].
Tuy nhiên, mô hình pharmacophore cũng có hạn chế nhất định:
- Thứ nhất, chưa có sự thống nhất trong định nghĩa và vị trí chính xác của các thuộc
tính giữa các nền tảng mô hình hóa và sàng lọc ảo như Catalyst, LigandScout,
Molecular Operating Environment (MOE) và Schrodinger dẫn đến mức độ trùng lặp
không cao trong các danh sách sàng lọc thu được [28].
- Thứ hai, để sử dụng mô hình pharmacophore thì các chất cần phải được chuẩn bị
cấu dạng đầy đủ, nếu cơ sở dữ liệu dùng cho sàng lọc thiếu hụt cấu dạng thì khả năng
có thể có các chất tiềm năng không được phát hiện [27].
10
1.3.2. Mô hình 2D-QSAR

Việc những tính chất khác nhau có tác dụng sinh học khác nhau đã được biết từ rất
lâu, bên cạnh đó khả năng xác định được cấu trúc đã cho phép người ta thành lập
những mối quan hệ cấu trúc – tác dụng (SAR - Structure Activity Relationship), đây
là những quan sát đơn giản mà một thay đổi xác định trong cấu trúc phân tử ảnh
hưởng đến hoạt tính sinh học của chất đó. Và khi cấu trúc phân tử được thông số hóa
thành các thông số mô tả định lượng thì ta có thể xây dựng mối tương quan định
lượng giữa cấu trúc và tác dụng sinh học (QSAR - Quantitative Structure Activity
Relationship) [29].
QSAR có khả năng dự đoán hoạt tính sinh học hoặc phân loại hoạt tính (mạnh hay
yếu) dựa và các thông số mô tả phân tử. Các thông số này được tính toán nhờ vào sự
hỗ trợ của các phần mềm như MOE và xây dựng mô hình QSAR bằng thuật toán bình
phương tối thiểu từng phần (PLS), đây là thuật toán tìm sự liên quan giữa các biến
độc lập xi (thông số mô tả) và biến phụ thuộc yj (giá trị hoạt tính sinh học) dưới công
thức: yj = a + Ʃβjxi + ɛj với a là hệ số hồi quy của hệ số chặn, ɛj là một biến số theo
luật phân phối chuẩn với trung bình bằng 0 và phương sai σ2 và βj là độ dốc ứng với
biến độc lập xi [30].
QSAR bao gồm:
- 2D-QSAR (2 Dimensions - QSAR): tính toán dựa trên những thông số mô tả công
thức hóa học hai chiều, đây là dạng QSAR phổ biến hay dùng.
- 3D-QSAR (3 Dimensions - QSAR): tính toán dựa trên các thông số mô tả công thức
hóa học trong không gian ba chiều.
- BQSAR (Binary – QSAR): đây là QSAR phân loại cho kết quả có hay không.
So với pharmacophore thì mô hình QSAR chỉ áp dụng được tên tập chất nhỏ, không
thể áp dụng trên tập chất quá lớn vì việc tính toán thông số mô tả cho nguyên tập chất
lớn gặp nhiều khó khăn. Vì vậy QSAR nên được sử dụng sau mô hình pharmacophore
khi số lượng chất đã giảm bớt.
1.3.3. Đánh giá ADMET
Hơn hai thập kỷ gần đây, việc đánh giá ADMET(hấp thu, phân bố, chuyển hóa, thải
trừ và độc tính) các chất bằng công cụ máy tính là bước kết hợp quan trọng trong quá
trình tìm kiếm thuốc mới, nó hạn chế việc tốn thời gian và tiền bạc cho việc đi thử
nghiệm tiền lâm sàng không đạt vì tính chất dược động học kém và độc tính cao [31].
Quá trình đánh giá ADMET các chất bao gồm 2 bước: thứ nhất, cần phải xây dựng
mô hình tương quan định lượng giữa cấu trúc và tính chất (QSPR - Quantitative
11
Structure – Property Relationship), mô hình này dùng để tìm ra ngưỡng ADMET

mong muốn. Thứ hai, dự đoán giá trị ADMET cho các chất bằng mô hình QPSR đã
xây dựng [31].
Hiện nay đánh giá ADMET có thể thực hiện trên các trang web như SwissADME
(http://www.swissadme.ch/index.php),vNN
(https://vnnadmet.bhsai.org/vnnadmet/login.xhtml) và bằng nhiều phần mềm trả phí
(ADMET Predictor, ADMEWORKS, Schrodinger QikProp, ARChem SPARC) và
miễn phí (Chem Prop, EPI SuiteTM , Lazar, ToxTree) [31].
Tóm lại, đánh giá ADMET là bước quan trọng và ngày càng được sử dụng thường
xuyên trong sàng lọc ảo đặc biệt là các chất trước khi thử nghiệm tiền lâm sàng.
Nghiên cứu này sẽ sử dụng phần mềm ADMET Predictor 9.5 [75] do công ty
Simulation-Plus (Mỹ) xây dựng để đánh giá ADMET.
1.3.4. Mô hình mô tả phân tử docking
Trong trường hợp có sẵn cấu trúc ba chiều (3D) của thụ thể đích hoặc vị trí gắn kết
của nó, docking là một kỹ thuật hiệu quả cao để sàng lọc ảo [32]. Docking đánh giá
khả năng gắn kết của ligand và mục tiêu tác động (thường là các protein) cũng như
tìm ra cấu dạng gắn kết tối ưu nhất của ligand với mức năng lượng gắn kết tự do thấp
nhất. Có ba phương pháp docking là docking cứng (protein và ligand đều không được
xét đến tính linh động), docking bán linh động (ligand linh động và protein cứng
nhắc), docking linh động (cả protein và ligand đều linh động), trong đó phương pháp
docking bán linh động là phổ biển hơn cả [33].
Docking có nhiều ứng dụng trong thiết kế thuốc hợp lý, nó là công cụ sàng lọc ảo
trên các tập dữ liệu, nó giúp đánh giá sự gắn kết của ligand và mục tiêu tác động và
từ đó có thể tối ưu hóa chất khởi nguồn, đưa ra các giả thuyết về gắn kết để dự đoán
cho các nghiên cứu về đột biến, hỗ trợ nghiên cứu cấu trúc tinh thể nhiễu xạ tia X của
protein [34].
Trong nghiên cứu này, mô hình mô tả phân tử docking được tiến hành sau cùng nhằm
tìm ra các chất gắn kết chọn lọc trên mục tiêu tác động là MAO-B.
1.4. THƯ VIỆN CÁC CHẤT SÀNG LỌC ẢO
1.4.1. ZINC
ZINC là một cơ sở dữ liệu trong nghiên cứu tìm kiếm thuốc mới cho các mục tiêu
sinh học. Từ lúc mới được giới thiệu năm 2005 đến nay kích cỡ tập ZINC đã tăng lên
rất nhiều lần. Hiện nay ZINC15 là phiên bản mới nhất, nó chứa hơn 750 triệu chất và
đặc biệt chứa hơn 230 triệu cấu dạng sẵn sàng cho việc docking [35]. Đây là một ưu
điểm rất lớn của ZINC làm giảm thiểu được thời gian chủng bị cấu dạng cho nhà
12
nghiên cứu. Ngoài ra, ZINC cũng phát triển một công cụ hỗ trợ việc sàng lọc online
đó là ZINCPharmer (http://zincpharmer.csb.pitt.edu/) [36], do đó có thể sàng lọc
nhanh chóng bằng mô hình pharmacophore mình đã chuẩn bị. Ngoài những ưu điểm,
ZINC cũng có hạn chế nhất định, đó là chưa thể tiếp cận tập ZINC15 mà chỉ có thể
tiếp cận tập con mới nhất hiện nay là ZINC Purchasable: Last update 12/2014, dựa
trên phiên bản ZINC12 với khoảng 22 triệu chất và hơn 200 triệu cấu dạng.
1.4.2. DrugBank
DrugBank là một cơ sở dữ liệu miễn phí sử dụng trên web (www.drugbank.ca) [37],
nó bao gồm các thông tin chi tiết của các chất, mục tiêu tác động, cơ chế tác động và
thông tin tương tác của chất. Bao gồm cả các thuốc đã được FDA chấp thuận và các
thuốc đang trong các giai đoạn thử nghiệm [38].
Phiên bản đầu tiên DrugBank 1.0 được giới thiệu vào năm 2006, lúc này nó chỉ có
thông tin lý hóa đơn thuần của các thuốc được FDA chấp thuận và mục tiêu tác động
của nó. Đến năm 2008, DrugBank 2.0 có thêm thông tin về dược lý và thông tin các
chất sinh học. Tiếp đến DrugBank 3.0 (2010) thêm tương tác thuốc và tương tác thuốc
với thức ăn và các thông tin dược động học. DrugBank 4.0 (2014) thêm các dữ liệu
chính xác về chuyển hóa, QSAR và ADMET của các chất. Hiện tại phiên bản
DrugBank 5.0 là phiên bản mới nhất chứa dữ liệu đầy đủ của 8.820 chất lớn hơn bất
kỳ phiên bàn nào trước đây [38].
1.4.3. Thư viện các chất có nguồn gốc từ dược liệu Traditional Chinese
Medicine (TCM) và Universal Natural Product Database (UNPD)
Tính đến năm 2020 có hơn 120 cơ sở dữ liệu khác nhau của các chất có nguồn gốc từ
thiên nhiên [39]. Những tập dữ liệu này được công bố và sử dụng từ năm 2000 cho
đến nay, trong đó có những tập đã sát nhập với những tập lớn hơn ZINC Natural
Products. Nghiên cứu này sẽ sử dụng hai tập chất TCM và UNPD để tìm kiếm các
chất ức chế chọn lọc MAO-B tiềm năng có nguồn gốc từ thiên nhiên [39].
TCM là tập cơ sở dữ liệu hơn 50 nghìn chất với nguồn gốc từ thảo dược, động vật và
khoáng vật được phát triển bởi các nhóm nghiên cứu ở các trường đại học y Trung
Quốc, trường đại học châu Á (Đài Loan) và viện nghiên cứu công nghệ Massachusetts
(Mỹ). Đây là cơ sở dữ liệu miễn phí được tải từ web http://tcm.cmu.edu.tw/ [40].
Trong khi đó, UNPD lớn hơn TCM 4 lần (khoảng 230 nghìn chất) được tải từ trang
web http://pkuxxj.pku.edu.cn/UNPD [39].
13
« Khóa luận tốt nghiệp DSĐH Đối tượng và phương pháp nghiên cứu »
CHƯƠNG 2. ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Mục đích của nghiên cứu này là tìm ra các chất ức chế chọn lọc MAO-B tiềm năng
từ các ngân hàng dữ liệu ZINC, DrugBank, TCM, và UNPD. Với cơ sở dữ liệu rất
lớn khoảng 22 triệu chất nên cần phải có sự kết hợp giữa các mô hình để sàng lọc
được các chất tốt nhất, từ đó tiếp tục cho các thử nghiệm in vitro và in vivo. Sàng lọc
3D-pharmacophore sẽ được thực hiện đầu tiên, tiếp đến là sử dụng mô hình 2D-
QSAR, đánh giá ADMET và cuối cùng là mô hình mô tả phân tử docking (Hình 2.6).
TẬP DỮ LIỆU ZINC,

DrugBank, TCM và UNPD
3D-PHARMACOPHORE
2D-QSAR
ADMET
DOCKING MAO-B
DOCKING MAO-A
Hình 2.6. Các bước tiến hành nghiên cứu

2.1. XÂY DỰNG MÔ HÌNH 3D-PHARMACOPHORE
Đề tài này sẽ xây dựng mô hình 3D-pharmacophore dựa trên cấu trúc protein và dựa
trên ligand. Sử dụng phần mềm LigandScout 4.3 [41].
2.1.1. Xử lý cơ sở dữ liệu
Cơ sở dữ liệu các chất ức chế MAO-B gồm 397 chất với nhiều khung cấu trúc khác
nhau thu thập từ 24 bài báo khoa học được trình bày trong Bảng 2.1. Các chất này có
hoạt tính sinh học dao động từ 0,045 đến 1730 µM được thử hoạt tính trên cùng
enzym MAO-B tái tổ hợp ở người (Recombinant human MAO-B) bằng hai phương
pháp là sử dụng chất nền p-tyramin và kynuramin (được trình bày ở Mục 1.2.4).
Giá trị IC50 được quy đổi về cùng phương pháp sử dụng chất nền kynuramin với chất
đối chiếu là rasagilin và iproniazid.
14
Theo Lesetja J. Legoabe và cộng sự (2012) [44] các chất có IC50 = 0,048 µM cho
hoạt tính ức chế mạnh và theo Belinda Strydom và cộng sự (2010) [45] các chất có
IC50 từ 0,23 đến 1,3 µM cho hoạt tính ức chế trung bình. Vì vậy đề tài sẽ chọn giá
IC50 của rasagilin là 0,03 µM [46] nhân cho 50 lần là 1,5 µM làm ngưỡng để chia
hoạt tính. Những chất có IC50 nhỏ hơn 1,5 µM là những chất có hoạt tính tốt được
xếp vào tập hoạt tính, còn lại những chất có IC50 lớn hơn hoặc bằng 1,5 µM là những
chất có hoạt tính kém được xếp vào tập không hoạt tính.
Các chất được vẽ bằng phần mềm Chemdraw 18.1 [47], lưu dạng file *.mol. Sau đó
đưa vào phần mềm MOE 2015.10 để tối thiểu hóa năng lượng với các thông số được
cài đặt như sau:
- Forcefield: MMFF94
- Gradient: 0,0001 Kcal/mol.
Tập hoạt tính và không hoạt tính được xuất file *.sdf. Tập file này được nhập vào
phần mềm LigandScout 4.3 để xuất các cấu dạng năng lượng thấp. Ở cửa sổ
‘Screening’, chọn ‘Create screening databse’, chọn ‘Icon Best’ và lưu file dạng *.ldp.
Các file này dùng để đánh giá mô hình pharmacophore.
Bảng 2.1. Khung cấu trúc của 397 chất dùng đánh giá mô hình 3D-pharmacophore
STT Khung cấu trúc Trích dẫn
1 [48]
2 [49]
3 [50]
15
[45, 51, 52, 53,

4
54, 55, 56]
[50, 57, 59, 60,

5
61]
6 [58]
7 [62]
8 [63]
9 [64, 65]
10 [66, 67]
11 [52]
16
12 [68]
2.1.2. Pharmacophore dựa trên cấu trúc MAO-B

Trên ngân hàng dữ liệu protein Protein Data Bank (PDB) [69] có hơn 20 cấu trúc
phức phợp enzym MAO-B với chất ức chế. Các cấu trúc này được chụp bằng phương
pháp tia X và đều có độ phân giải tốt từ 1,6 đến 3Å. Đề tài sẽ chọn phức hợp mã
2V5Z vì đây là phức hợp với chất ức chế safinamid, đây là chất ức chế chọn lọc và
thuận nghịch trên MAO-B đã được FDA chấp nhận trong điều trị bệnh Parkinson
(2017). Safinamid có hoạt tính sinh học mạnh (IC50 = 0,024 µM) và chọn MAO-B lên
đến 2.084 lần so với MAO-A [70].
Trên phần mềm LigandScout 4.3 tải protein lên tại cửa sổ ‘Structure-based’ nhấn
chọn ligand đồng kết tinh là safinamid rồi sau đó chọn ‘Create Pharmacophore’. Phần
mềm sẽ tạo ra mô hình pharmacophore tự động. Tiến hành chọn, thay đổi các điểm
pharmacophore theo các điểm tương tác acid amin quan trọng rồi chuyển lần lượt các
mô hình này qua tab ‘Screening’ để tiến hành đánh giá độ nhạy, độ đặc hiệu, tỷ suất
hoạt tính, độ đúng và điểm số GH.
2.1.3. Pharmacophore dựa trên ligand
Từ tập hoạt tính chọn ra 4 chất có hoạt tính sinh học tốt đồng thời có chỉ số chọn lọc
MAO-B cao từ 4 khung cấu trúc khác nhau bao gồm khung indol, khung aryloxy,
khung coumarin và khung chalcon để làm tập xây dựng. Các chất được biểu diễn ở
Bảng 2.2.
17
Bảng 2.2. Tập xây dựng của mô hình 3D-pharmacophore
Hệ số
chọn lọc
Trích
Tên chất* Cấu trúc IC50 (µM) MAO-B
dẫn
so với
MAO-A
EOTP_2015_25
0,0000454 5.727 [48]
_91_1b
JMC_2018_61_
0,0048 2.084 [49]
7043_202
CMC_2014_9_
0,0002 100.000 [57]
1_3
JMC_2009_52_
0,0010 971 [66]
2818_5m
* Ký hiệu đối với tên chất trong nghiên cứu này: Tạp chí_năm_số xuất bản_số
trang bắt đầu.
Tại cửa sổ ‘Ligand-based’ chọn Ligand-Set/Add Molecules/To Training-Set, nhập tập
xây dựng vào phần mềm. Chọn ‘Generate Conformations for Ligand-Set’ để chạy
cấu dạng các chất.
Tạo mô hình 3D-pharmacophore bằng cách ấn vào ‘Create Ligand-Based
Pharmacophore’, chọn các thông số cài đặt như sau:
- Pharmacophore type: Shared feature pharmacophore
- Max number of result pharmacophores: 200
18
Phần mềm sẽ tạo ra 200 mô hình pharmacophore, nghiên cứu sẽ loại các mô hình
trùng và chọn các mô hình còn lại chuyển qua tab ‘Screening’ để đánh giá độ nhạy,
độ đặc hiệu, tỷ suất hoạt tính, độ đúng và điểm số GH.
2.1.4. Đánh giá mô hình 3D-pharmacophore
Sử dụng tập hoạt tính và tập không hoạt tính đã chuẩn bị ở bước xử lý cơ sở dữ liệu
để đánh giá mô hình pharmacophore. Các thông số đánh giá bao gồm [71]:
- Độ nhạy (Se): tỷ lệ các chất dương tính thật (TP) trong tập hoạt tính, biểu thị bằng
công thức (1):
𝑇𝑃
𝑆𝑒 = (1)
𝑇𝑃+𝐹𝑁
TP (True-Positive): số chất có hoạt tính, thỏa mô hình

FN (False-Negative): số chất có hoạt tính, không thỏa mô hình
TP+FN: tổng số chất có hoạt tính
- Độ đặc hiệu (Sp): tỷ lệ các chất âm tính thật (TN) trong tập không hoạt tính, biểu
thị bằng công thức (2):
𝑇𝑁
𝑆𝑝 = (2)
𝐹𝑃+𝑇𝑁
TN (True-Negative): số chất không hoạt tính, không thỏa mô hình

FP (False-Positive): số chất không hoạt tính, thỏa mô hình
FP+TN: tổng số chất trong tập không hoạt tính
- Tỷ xuất hoạt tính (Ya): tỷ lệ các chất dương tính thật (TP) trên tổng số các chất thỏa
mô hình (TP+FP) khi sàng lọc qua mô hình, biểu thị bằng công thức (3):
𝑇𝑃
𝑌𝑎 = (3)
𝑇𝑃+𝐹𝑃
- Độ đúng (Acc): khả năng mô hình dự đoán đúng chất có hoạt tính và không hoạt
tính, biểu thị bằng công thức (4):
𝑇𝑃+𝑇𝑁
𝐴𝑐𝑐 = (4)
𝑁
N: tổng số chất của tập hoạt tính và không hoạt tính

- Điểm số GH (5): đánh giá năng lực phân biệt của mô hình, điểm GH kết hợp độ
nhạy, độ đặc hiệu và tỷ suất hoạt tính. Điểm GH cao có nghĩa tỷ lệ dương tính thật
và tỷ lệ âm tính thật đồng thời cao. Giá trị GH dao động từ 0 đến 1. Giá trị GH trên
0,7 cho thấy mô hình có khả năng dự đoán tốt.
19
3 1
𝐺𝐻 = ( × 𝑌𝑎 + × 𝑆𝑒) × 𝑆𝑝 (5)
4 4
Trong ba thông số độ nhạy, độ đặc hiệu và tỷ suất hoạt tính thì giá trị tỷ suất hoạt tính
là quan trọng nhất, giá trị này càng cao cho thấy mô hình có khả năng sàng lọc tốt,
hạn chế tối đa số chất âm tính giả lọt qua mô hình. Đề tài sẽ kết hợp thông số Ya và
GH làm hai thông số trọng yếu để đánh giá mô hình.
Mô hình 3D-pharmacophore tốt nhất sẽ được lưu dưới dạng file *.pml và được dùng
để sàng lọc trên các tập ZINC, DrugBank, TCM và UNPD.
2.1.5. Ứng dụng mô hình 3D-pharmacophore trong sàng lọc
Tập ZINC gần 22 triệu chất nên không thể tạo cấu dạng năng lượng thấp để sàng lọc
pharmacophore trên phần mềm LigandScout, vì vậy công cụ sàng lọc trực tuyến
ZINCPharmer được sử dụng. Tại trang web http://zincpharmer.csb.pitt.edu/ mô hình
pharmacophore sẽ được tải lên. Thiết lập trong ‘Filters’ như sau:
- Max hits per Mol: 1
- Subset selection: ZINC Purchasable: Last updated 12/20/14.
Chọn ‘Submit Query’ để sàng lọc, khi hoàn tất tải kết quả về dưới dạng file *.sdf. Kết
quả sàng lọc sẽ được mở trên MOE 2015.10 và chọn các chất thỏa định luật 5 Lipinski
tại mục ‘Select Entries/Druglike’. Cuối cùng lưu kết quả để tiến hành bước tiếp theo.
Các tập DrugBank, TCM và UNPD với số lượng chất ít hơn nhiều so với ZINC nên
được chuẩn bị cấu dạng năng lượng thấp bằng phần mềm LigandScout 4.3, tiến hành
như mục 2.1.1. Sau khi đã tải lên mô hình pharmacophore và cấu dạng tập chất, chọn
‘Perform Screening’ để tiến hành sàng lọc. Kết quả sàng lọc sẽ được xuất file *.sdf.
20
2.2. MÔ HÌNH 2D-QSAR

Mô hình 2D-QSAR được xây dựng theo sơ đồ tóm tắt ở Hình 2.7.
Chuẩn bị cơ
sở dữ liệu
Tính thông số Lựa chọn Loại nhiễu

mô tả thông số mô
tả
Xây dựng
mô hình
2D-QSAR
Đánh giá mô hình

80% 20%
Phương pháp LOO

Tập Tập
Đánh giá nội Đánh giá ngoại
xây kiểm
dựng Đánh giá Roy tra
Đạt
Ứng dụng mô hình vào

sàng lọc
Hình 2.7. Sơ đồ các bước xây dựng mô hình 2D-QSAR
21
2.2.1. Chuẩn bị cơ sở dữ liệu

Từ cơ sở dữ liệu 397 chất dùng để đánh giá mô hình 3D-pharmacophore, đề tài chọn
ra 107 chất từ các khung cấu trúc khác nhau (Phụ lục 1), có giá trị IC50 xác định và
được thử hoạt tính bằng cùng phương pháp sử dụng chất nền kynuramin. Các chất có
IC50 dạo động lớn từ 1,4 nM đến 131 µM nên được quy đổi về pIC50 = -log(IC50) để
phù hợp cho việc xây dựng phương trình 2D-QSAR. Cấu trúc hóa học được vẽ bằng
phần mềm Chemdraw 18.1 và chuyển vào phần mềm MOE 2015.10 để tối thiếu hóa
năng lượng và tính toán thông số mô tả 2D.
Tối thiểu hóa năng lượng bằng cách chọn Compute/Molecule/Energy Minimize với
thiết lập thông số như sau:
- Force field: MMFF94
- Gradient: 0,0001 Kcal/mol
Sau đó tiến hành tính toán thông số mô tả 2D theo đường dẫn Compute/ Descriptors/
Calculate, tại mục Class chọn tab 2D rồi chọn tất cả các thông số mô tả 2D.
2.2.2. Lựa chọn thông số mô tả
Phần mềm MOE 2015.10 tạo 206 thông số mô tả, trong đó có nhiều thông số không
ý nghĩa và các thông số có tương quan cao với nhau khiến mô hình tốt giả tạo, vì vậy
cần loại bỏ thông số mô tả đó qua các bước sau:
- Loại các thông số có ≥ 20% giá trị 0 bằng phần mềm Excel 365
- Các nhóm thông số có độ tương quan cao với nhau ≥ 0,9 được loại đi và chỉ giữ lại
1 thông số ngẫu nhiên bằng phần mềm RapidMiner Studio 9.7 [72].
- Chia tỷ lệ thông số mô tả: đây là bước quan trọng trước khi xây dựng phương trình
2D-QSAR. Việc chia thông số mô tả để tránh sự ảnh hưởng của các thông số có giá
trị lớn đối với các thông số có giá trị nhỏ và giảm bớt khó khăn cho việc tính toán.
Trong nghiên cứu này, các thông số mô tả được chia bằng công cụ ‘Normalize’ trong
phần mềm Rapidminer 9.7 với thuật toán range transformation, cài đặt min = 0 và
max = 1.
- Cuối cùng tìm kiếm các thông số mô tả tốt nhất có tương quan cao với giá trị pIC50
bằng phương pháp tìm kiếm BestFirst với thuật toán CfsSubsetEval trong phần mềm
Weka 3.8.4 [73].
2.2.3. Loại các chất gây nhiễu bằng Z-score
Đây là phương pháp loại nhiễu dựa trên độ lệch của giá trị hoạt tính dự đoán so với
giá trị hoạt tính trung bình của toàn tập dữ liệu xây dựng phương trình 2D-QSAR. Z-
22
score lớn cho thấy khả năng cao chất đó nằm ngoài đường thẳng tuyến tính 2D-
QSAR. Đề tài tiến hành loại các chất có Z-score ≥ 2 khi tiến hành xây dựng mô hình
[74].
̅̅̅̅̅̅̅
pIC50 − pIC 50
Z − Score =
Độ lệch chuẩn
2.2.4. Xây dựng mô hình
Công cụ QSAR-Model trong phần mềm MOE 2015.10 để xây dựng mô hình với
phương pháp PLS (thuật toán bình phương tối thiểu từng phần). Chọn các thông số
mô tả tốt nhất sau khi qua Weka 3.8.4 Nhấn ‘Fit’ để thực hiện phân tích hồi quy, giá
trị R2 và RMSE sẽ xuất hiện ở mục trạng thái ‘status’. Phương trình hồi quy sẽ được
ghi nhận bằng lệnh ‘Report’ trong cửa sổ ‘QSAR-model’. Phương trình hồi quy có
dạng y = a0 + aixi thể hiện mối liên quan định lượng giữa cấu trúc (thông số mô tả)
và tác dụng sinh học, bấm ‘Save’ để lưu phương trình dưới dạng *.fit, phương trình
này sẽ được ứng dụng để dự đoán hoạt tính sinh học của các chất cần nghiên cứu.
2.2.5. Phân chia tập cơ sở dữ liệu
Tập dữ liệu 107 chất được chia ngẫu nhiên theo tỷ lệ 80% chất làm tập xây dựng và
20% chất làm tập kiểm trả (dùng để đánh giá mô hình) bằng cách sử dụng hàm RAND
trên MOE 2015.10 theo đường dẫn Compute/ Calculator/ RAND. Tiến hành phân
chia 5 lần, mỗi lần được tiến hành độc lập để đảm bảo kết quả đánh giá được khách
quan.
2.2.6. Đánh giá mô hình
Mô hình 2D-QSAR được cho là có khả năng dự đoàn tốt khi giá trị dự đoán và giá trị
thực nghiệm gần nhau. Điểu đó thể hiện qua bình phương hệ số tương quan R2 và căn
của tổng bình phương phần dư RMSE của tập xây dựng mô hình. Các đánh giá mô
hình 2D-QSAR như sau:
- Đánh giá nội LOO trên tập xây dựng đạt Q2>0,5 và RMSE<0,5
- Đánh giá ngoại LOO trên tập kiểm tra đạt R2pred>0,5
- Đánh giá Roy trên cả tập xây dựng và tập kiểm tra đạt 𝑟̅̅̅ 2
𝑚 > 0,5 và ∆𝑟𝑚 < 0,2.
2
2.2.6.1. Đánh giá nội

Đánh giá nội là sử dụng mô hình trên tập xây dựng để đánh giá trên chính tập đó.
Nghiên cứu áp dụng phương pháp đánh giá chéo LOO để đánh giá nội, nó được tiến
hành đồng thời khi xây dựng mô hình 2D-QSAR. Tại cửa sổ QSAR-Model trong
23
MOE 2015.10 chọn ‘Validate’ giá trị Q2 (XR2) và RMSE (XRMSE) của đánh giá
nội sẽ được tự động tính toán và hiển thị, công thức tính Q2 và RMSE như sau:
2
∑𝑛𝑖(𝑦𝑒𝑖 − 𝑦𝑣𝑖 )2
𝑄 =1− 𝑛
∑𝑖 (𝑦𝑒𝑖 − 𝑦̅𝑒 )2
𝑛
1
𝑅𝑀𝑆𝐸 = √ × ∑(𝑦𝑒𝑖 − 𝑦𝑣𝑖 )2
𝑛
𝑖
Trong đó:
- 𝑦𝑒 là giá trị hoạt tính pIC50 thực nghiệm trên tập xây dựng
- 𝑦𝑣 là giá trị pIC50 dự đoán được tính từ đánh giá chéo LOO trên tập xây dựng (tương
ứng với cột $XPRED trong MOE)
- 𝑦̅𝑒 là giá trị trung bình của pIC50 thực nghiệm trên tập xây dựng
2.2.6.2. Đánh giá ngoại
Đánh giá ngoại là sử dụng mô hình trên tập xây dựng để đánh giá khả năng dự đoán
2
trên tập kiểm tra. Trong đánh giá ngoại, kết quả được thể hiện qua giá trị 𝑅𝑝𝑟𝑒𝑑 được
tính theo công thức:
2
2
∑𝑛𝑖(𝑦𝑝(𝑡𝑒𝑠𝑡)𝑖 − 𝑦𝑒(𝑡𝑒𝑠𝑡)𝑖 )
𝑅𝑝𝑟𝑒𝑑 =1− 2
∑𝑛𝑖(𝑦𝑒(𝑡𝑒𝑠𝑡)𝑖 − 𝑦̅𝑒 )
Trong đó:
- 𝑦𝑒(𝑡𝑒𝑠𝑡) là giá trị pIC50 thực nghiệm trên tập kiểm tra
- 𝑦𝑝(𝑡𝑒𝑠𝑡) là giá trị pIC50 dự đoán trên tập kiểm tra (tương ứng với cột $PRED trong
MOE)
- 𝑦̅𝑒 là giá trị trung bình của pIC50 thực nghiệm trên tập xây dựng
2.2.6.3. Đánh giá Roy
Giá trị Q2 và R2pred thay đổi lớn giữa các lần xây dựng (khi lựa chọn tập train/test
khác nhau) và giá trị 𝑦̅𝑒 được sử dụng để tính dẫn đến đánh giá sai nếu tập dữ liệu có
khoảng giá trị lớn. Do đó, Roy và cộng sự đề xuất sử dụng các giá trị dự đoán mới là
𝑟𝑚2 , 𝑟𝑚′2 , 𝑟̅̅̅ 2
𝑚 và ∆𝑟𝑚 được tính toán dựa trên mối tương quan giữa các giá trị hệ số tương
2
quan 𝑟 2 và 𝑟02 .
24
Với trục X là giá trị dự đoán, trục Y là giá trị thực nghiệm, 𝑟 2 là bình phương hệ số
tương quan, 𝑟02 là bình phương hệ số tương quan khi hệ số chặn bằng 0:
𝑟 2 𝑚 = 𝑟 2 × (1 − √𝑟 2 − 𝑟 2 0 )
Với trục X là giá trị thực nghiệm, trục Y là giá trị dự đoán, 𝑟′2 là bình phương hệ số
tương quan, 𝑟′2 0 là bình phương hệ số tương quan khi hệ số chặn bằng 0:
𝑟′2 𝑚 = 𝑟′2 × (1 − √𝑟′2 − 𝑟′2 0 )
Ta tính được 𝑟̅̅̅ 2

𝑚 và ∆𝑟𝑚 theo công thức:
2
2 +𝑟 ′2
𝑟𝑚
̅̅̅
𝑟𝑚2 = 𝑚
2
∆𝑟𝑚2 = |𝑟𝑚2 − 𝑟𝑚′2 |

2.2.7. Ứng dụng mô hình 2D-QSAR trong sàng lọc
Các chất từ các tập ZINC, DrugBank, TCM và UNPD sau khi qua mô hình 3D-
pharmacophore được tính toán thông số mô tả bằng MOE 2015.10 theo đường dẫn
Compute/Descriptors/Calculate , tại tab 2D chọn các thông số mô tả đã lựa chọn ở
mục 2.2.2.
Chọn các chất trong miền ứng dụng của mô hình 2D-QSAR, các chất này sẽ được
tính toán giá trị hoạt tính dự đoán (pIC50). Đề tài sử dụng giá trị pIC50 = 5,82 (đây là
ngưỡng phân chia tập hoạt tính và không hoạt tính của mô hình 3D-QSAR) làm
ngưỡng sàng lọc. Các chất có giá trị pIC50 dự đoán ≥ 5,82 sẽ được chọn để đi sàng
lọc ADMET.
2.3. SÀNG LỌC ADMET
Quá trình nghiên cứu và phát triển dược phẩm có rủi ro cao về tài chính và tốn rất
nhiều thời gian do việc thử nghiệm sinh khả dụng không đạt về các yếu tố hấp thu
phân bố chuyển hóa thải trừ và độc tính của dược chất (gọi chung là ADMET). Vì
vậy việc đánh giá ADMET này cần phải được thực hiện ở giai đoạn đầu để hạn chế
rủi ro thất bại. Bởi vì, phần lớn các thử nghiệm không thành công vì vấn đề ADMET
hơn là vì hiệu quả trị liệu không đạt.
Việc sử dụng công cụ máy tính để đánh giá ADMET thay vì sử dụng các thử nghiệm
trên thú sẽ giảm thiểu chi phí, công sức và thời gian. Và hiện nay có nhiều công cụ
đánh giá ADMET nhưng trong đề tài này sử dụng phần mềm ADMET Predictor 9.5
(đây là phiên bản mới nhất) của công ty Simulation Plus (Mỹ) để tiến hành đánh giá.
Phần mềm ra đời từ năm 1999 được các công ty dược lớn trên thế giới và có sự cộng
tác của FDA để xây dựng mô hình dự đoán ADMET hiệu quả [75].
25
Dữ liệu đầu vào của phần mềm là file *.sdf các chất sau khi sàng lọc bằng mô hình
2D-QSAR. Tính toán các thông số ADMET theo đường dẫn Data/Calculate ADMET
properties. Các thông số thiết lập như sau:
- Properties to calculate: chọn tất cả các mô mình ADMET
- Bỏ chọn 3D, chỉ sử dụng cấu trúc 2D
- pH: 7,4
Chọn ‘Calculate’ để tiến hành tính. Trong bảng kết quả chọn thanh ‘Risk’, lưu kết
quả dưới dạng file *.csv và chuyển qua Excel 365 để phân tích.
Nghiên cứu sẽ chọn ra các cấu trúc có giá trị rủi ro nhỏ hơn ngưỡng tham chiếu được
để nghị bởi ADMET Predictor 9.5 trong Bảng 2.3.
Bảng 2.3. Giá trị ngưỡng của các rủi ro được đề nghị bởi ADMET Predictor 9.5 [75]
Rủi ro tổng Rủi ro hấp thu Rủi ro huyển hóa Rủi ro độc tính
ADMET ADMET ADMET ADMET
7,5 3,5 2,5 2,0
Các ngưỡng rủi ro được thiết lập để dự đoán khả năng một chất có thành công trong
các thử nghiệm sinh khả dụng đường uống hay không. Bằng cách sử dụng 1 tập con
gồm 2.316 chất từ World Drug Index (WDI), người ta đặt ra 1 ngưỡng mà tại ngưỡng
đó khoảng 85% chất trong tập đạt các thử nghiệm và dưới 10% các chất không đạt
các thử nghiệm sinh khả dụng đường uống. Đó là cách xây dựng ngưỡng rủi ro hấp
thu, rủi ro chuyển hóa và rủi ro tổng. Riêng đối với rủi ro độc tính, người ta thiết lập
một mức chặt chẽ hơn đó là tại ngưỡng rủi ro có ít hơn 6% các chất trong tập không
đạt các thử nghiệm độc tính [75].
2.4. MÔ HÌNH MÔ TẢ PHÂN TỬ DOCKING
Để chọn ra các chất có tác động ức chế chọn lọc MAO-B, đề tài tiến hành xây dựng
mô hình docking theo các bước sau:
- Bước 1: xây dựng mô hình mô tả phân tử docking của MAO-B, tiến hành sàng lọc.
- Bước 2: xây dựng mô hình mô tả phân tử docking của MAO-A, tiến hành docking
các chất thỏa mô hình docking MAO-B.
- Bước 3: đánh giá, chọn các chất gắn chọn lọc trên MAO-B.
Phần mềm LeadIT 2.1.8 [76] được sử dụng để docking, cùng sự hỗ trợ của các phần
mềm MOE 2015.10 và SyByl-X 2.0 [52].
26
2.4.1. Xây dựng mô hình mô tả phân tử docking MAO-B

Các bước xây dựng mô hình docking MAO-B được tiến hành theo Hình 2.8.
Chuẩn bị Đánh giá
khoang và Redocking Docking
kết quả
ligand
- Chuẩn bị khoang
gắn kết bằng MOE
- Redocking ligand
2015.10
đồng kết tinh trong Docking tập chất sau Chọn các chất có
- Xác định các acid
phức hợp ban đầu khi qua các công cụ điểm số docking tốt
amin quan trọng bằng
bằng LeadIT 2.1.8 sàng lọc bằng nhất và phân tích
LeadIT 2.1.8
- Đánh giá RMSD LeadIT 2.1.8. tương tác acid amin.
- Tối thiểu hóa năng
và điểm số docking.
lượng ligand bằng
SyByl-X 2.0.
Hình 2.8. Các bước tiến hành xây dựng mô hình mô tả docking MAO-B
2.4.1.1. Chuẩn bị protein
Khoang gắn kết được chuẩn bị từ phức hợp MAO-B và safinamid được tải từ PDB
với mã 2V5Z. Trong MOE, sử dụng công cụ ‘Sequence Editor’ để loại bỏ chuỗi acid
amin B và ligand đồng kết tinh, giữ lại co-factor FAD và các phân tử nước. Việc giữ
lại các phân tử nước là quan trọng bởi vì trong khoang gắn kết của MAO-B có các
phân tử nước tạo được các liên kết với ligand, các phân tử nước không quan trọng sẽ
được loại bỏ trên phần mềm LeadIT.
Tiến hành sửa chữa cấu trúc, proton hóa cấu trúc, tính điện tích riêng phần, tối ưu hóa
hình học và tối thiểu hóa năng lượng bằng công cụ ‘Quickprep’ với thiếp lập như sau:
- Cố định (Tether – Receptor): Strength: 5.000.
- Refine: 0,0001 Kcal/mol/Å.
- Các thông số khác để như mặc định.
Lưu file dưới dạng *.pdb và đưa vào phần mềm LeadIT để xác định khoang gắn kết.
2.4.1.2. Xác định khoang gắn kết
Trên phần mềm LeadIT, đưa protein vừa chuẩn bị vào theo đường dẫn Molecules/
Prepare Receptor. Bước ‘Choose Receptor Components’ chọn thêm co-factor là
FAD. Đến bước “Define Bindind Site’, chọn ‘Reference Ligand’ sau đó tải ligand
đồng kết tinh được tách ra từ phức hợp lên, phần mềm sẽ tự động chọn các acid amin
quan trọng và khoang gắn kết và bán kính khoang đề nghị là 6.5Å.
Bấm ‘next’ đến khi phần mềm tạo xong khoang gắn kết, lưu dưới dạng *.fxx để tiến
hành redocking và docking.
27
2.4.1.3. Chuẩn bị ligand

Ligand đồng kết tinh trong phức hợp là safinamid được tối thiếu hóa năng lượng 3
bước bằng SyByl-X 2.0.
- Bước 1: tối thiểu hóa năng lượng lần 1, chọn Compute/Minimize/Molecules, thiết
lập thông số như sau:
+ Method: Conj Grad
+ Termination: Energy Change = 0,0001 Kcal/mol
+ Max Iterations: 10.000
+ Modify/Charge: Gasteiger-Huckel
- Bước 2: chạy động học phân tử chọn Compute/Dynamics/Setup Smilated
Annealing, chọn Run = 5 và nhấn OK.
- Bước 3: tối thiếu hóa năng lượng lần 2 giống như bước 1, lưu lại file *.mol2.
Các chất trong tập ZINC sau khi sàng lọc qua mô hình 3D-Pharmacophore, 2D-
QSAR và ADMET được chọn top để docking, cấu dạng các chất này được tải từ trang
web http://zinc15.docking.org thông qua ZINCID. Các cấu dạng này đã được chuẩn
bị sẵn cho việc docking nên không cần qua ba bước tối thiểu hóa năng lượng như
trên.
Các chất trong tập DrugBank, TCM và UNPD sau khi sàng qua mô hình 3D-
pharmacophore, 2D-QSAR và ADMET được tối thiểu hóa năng lượng 3 bước trong
SyByl.
2.4.1.4. Redocking và đánh giá kết quả
Để đánh giá sự phù hợp của mô hình docking, nghiên cứu tiến hành redocking ligand
đồng kết tinh safinamid vào khoang gắn kết đã được chuẩn bị bằng phần mềm LeadIT
với các thiết lập như sau:
- Chọn LeadIT/Open Project: tải lên khoang gắn kết vừa tạo được.
- Chọn Docking/Define FlexX Docking.
- Tại mục ‘General Docking Information/Docking library’ tải lên phối tử.
- ‘Docking Details’ chọn:
+ Số bước lặp tối đa ‘Maximum Number of Solutions per Iteration’: 1.000
+ Số lần phân mảnh ‘Maximum Number of Solutions per Fragmentation’: 200
- Số lượng cấu dạng liên kết giữ lại ‘Number of Poses to Keep’: Top 10
28
- Chọn ‘Apply & Dock!’

10 cấu dạng có điểm số docking tốt nhất sẽ được giữ lại, đánh giá điểm số docking,
tương tác acid amin và giá trị RMSD (Căn bậc hai của bình phương độ lệch trung
bình của cấu dạng ligand sau docking so với cấu dạng có sẵn trong cấu trúc tinh thể).
Giá trị RMSD ≤ 2Å thì mô hình docking mới đáng tin cậy [53].
Đồng thời nghiên cứu cũng tiến hành docking cấu trúc 2D đã tối thiểu hóa năng lượng
của rasagilin vào khoang gắn kết MAO-B. Điểm số docking của hai quá trình này sẽ
được đánh giá và sử dụng để làm ngưỡng cho việc sàng lọc.
2.4.1.5. Docking
Trên phần mềm LeadIT, tải file *.fxx của khoang gắn kết lên. Tiếp đến tải thư viện
các chất cần docking lên (các chất sau khi qua mô hình ADMET). Thiết lập các thông
số như sau:
- Số bước lặp tối đa ‘Maximum Number of Solutions per Iteration’: 1.000
- Số lần phân mảnh ‘Maximum Number of Solutions per Fragmentation’: 200
- Số lượng cấu dạng liên kết giữ lại ‘Number of Poses to Keep’: Top 1
Chọn ‘Apply and Dock!’ để bắt đầu docking.
Sau khi docking xong, chọn Dock/Export Poses để lưu kết quả docking dưới dạng
file *.sdf có chứa điểm số docking. Phân tích kết quả docking trên phần mềm MOE.
2.4.2. Xây dựng mô hình mô tả phân tử docking MAO-A
Trên PDB có 4 cấu trúc tinh thể của MAO-A người với chất ức chế là harmin và
clorgylin có mã 2Z5X, 2Z5Y, 2BXS VÀ 2BXR. Trong đó phức hợp mã 2Z5Y có độ
phân giải thấp nhất là 2,17Å nên đề tài sẽ chọn phức hợp này để đi redocking và đánh
giá kết quả. Các bước xây dựng mô hình mô tả phân tử docking MAO-A làm tương
tự như MAO-B.
2.4.2.1. Chuẩn bị protein, ligand, redocking và đánh giá kết quả
Protein mã 2Z5Y được tải về từ PDB, dưới dạng file *.pdb được đưa vào phần mềm
MOE để loại bỏ chuỗi acid amin B, loại bỏ ligand đồng kết tinh và xử lý qua công cụ
‘Quickprep’ tương tự như khi xử lý MAO-B. Khoang gắn kết MAO-A được lưu file
*.fxx.
Ligand đồng kết tinh tách ra từ phức hợp là harmin được tối thiểu hóa năng lượng ba
bước trên SyByl-X 2.0 như mục 2.4.1.3. File *.mol2 được xuất ra để chuẩn bị cho
việc redocking.
29
Trong phần mềm LeadIT, tải khoang gắn kết và ligand đồng kết tinh đã chuẩn bị lên.
Cài đặt như sau:
- ‘Docking Details’:
+ Số bước lặp tối đa ‘Maximum Number of Solutions per Iteration’: 1.000
+ Số lần phân mảnh ‘Maximum Number of Solutions per Fragmentation’: 200
- Số lượng cấu dạng liên kết giữ lại ‘Number of Poses to Keep’: Top 10.
- Chọn ‘Apply & Dock!’
10 pose có điểm số docking tốt nhất sẽ được giữ lại, đánh giá RMSD để xem tính tin
cậy của mô hình docking.
2.4.2.2. Docking
Các chất từ các tập ZINC, DrugBank, TCM và UNPD sau khi qua được mô hình
docking MAO-B sẽ được sàng lọc tiếp tục trên mô hình docking MAO-A. Các chất
dock không thành công và dock thành công với điểm số docking kém sẽ là những
chất gắn chọn lọc trên MAO-B tiềm năng.
30
« Khóa luận tốt nghiệp DSĐH Kết quả và bàn luận »
CHƯƠNG 3. KẾT QUẢ VÀ BÀN LUẬN

3.1. MÔ HÌNH 3D-PHARMACOPHORE
3.1.1. Pharmacophore dựa trên cấu trúc MAO-B
Từ phức hợp MAO-B với safinamid mã 2V5Z, đề tài xây dựng được 3 mô hình 3D-
pharmacophore dùng để sàng lọc các chất có hoạt tính ức chế MAO-B (Hình 3.9).
S01 S02
S03
Hình 3.9. Các mô hình pharmacophore S01, S02, S03 được xây dựng dựa theo cấu trúc
protein và sự gióng hàng trên phối tử Safinamid. Màu vàng biểu diễn tương tác bề mặt kỵ
nước, màu xanh lá là nhóm liên kết cho hydro, màu đỏ là liên kết nhận hydro
Mô hình S01 là mô hình bao gồm tất cả các điểm được phần mềm LigandScout đề
xuất bao gồm 4 điểm tương tác kỵ nước, 1 điểm cho liên kết hydro, 1 điểm nhận liên
kết hydro. Mô hình S02 là mô hình S01 bỏ đi 2 điểm kỵ nước. Mô hình S03 là mô
hình S01 bỏ đi 1 điểm cho hydro và 1 điểm nhận hydro.
3.1.2. Pharmacophore dựa theo ligand
Từ 4 chất của tập xây dựng ở Bảng 2.2 phần mềm LigandScout 4.3 đã tạo ra bốn mô
hình khác nhau được trình bày ở Hình 3.10.
31
L01 L02
L07 L13
Hình 3.10. Các mô hình pharmacophore L01, L02, L07, L13 được xây dựng theo 4 chất
của tập xây dựng. Màu vàng biểu diễn tương tác bề mặt kỵ nước, màu đỏ là liên kết nhận
hydro, màu xanh lam là vòng thơm
Mô hình L01 gồm 4 điểm trong đó có 3 điểm tương tác kỵ nước và 1 điểm vòng thơm.
Mô hình L02 cũng 4 điểm như mô hình L01 như khác vị trí vòng thơm. Đến mô hình
L07 có thêm 1 điểm nhận liên kết hydro. Và cuối cùng, mô hình L13 nhiều điểm nhất
bao gồm 3 điểm tương tác kỵ nước, 1 điểm cho liên kết hydro và 2 điểm vòng thơm.
Nhận xét chung từ các mô hình 3D-pharmacophore L01, L02, L07 và L13 đều có
những điểm tương đồng và xuất hiện ở cả bốn mô hình là 3 điểm tương tác kỵ nước,
đây có thể là một đặc điểm chung của các chất ức chế MAO-B.
3.1.3. Kết quả đánh giá mô hình 3D-pharmacophore
Các mô hình pharmacophore dựa trên cấu trúc và dựa trên ligand được đưa vào phần
mềm LigandScout để đánh giá, kết quả được trình bày ở Bảng 3.4.
32
Bảng 3.4. Kết quả đánh giá mô hình 3D-pharmacophore
Tập
Tập hoạt
không Tỷ suất
tính Độ Độ đặc Độ
Mô hoạt tính hoạt Điểm
nhạy hiệu đúng
hình tính GH
213 184 (Se) (Sp) (Acc)
(Ya)
TP FN FP TN
S01 1 212 0 184 0,0047 1,0000 1,0000 0,4660 0,7512
S02 2 211 1 183 0,0094 0,9946 0,6667 0,4660 0,4996
S03 17 196 3 181 0,0798 0,9837 0,8500 0,4987 0,6467
L01 88 125 22 162 0,4131 0,8804 0,8000 0,6297 0,6191
L02 86 127 24 160 0,4038 0,8696 0,7818 0,6196 0,5977
L07 82 131 19 165 0,3850 0,8967 0,8119 0,6222 0,6323
L13 48 165 4 180 0,2254 0,9783 0,9231 0,5743 0,7324
Từ bảng kết quả, các mô hình pharmacophore dựa theo cấu trúc S01, S02 và S03 đều
có độ nhạy rất thấp từ 0,0047 đến 0,0798. Điều này cho thấy các điểm pharmacophore
từ tương tác của safinamid và khoang gắn kết của MAO-B mang các đặc trưng riêng,
các đặc trưng này không có ở đại đa số các chất trong tập hoạt tính. Tuy nhiên, nó
vẫn có các điểm pharmacophore tương đồng là ba điểm tương tác bề mặt kỵ nước.
Trong ba mô hình S01, S02 và S03 thì mô hình S01 có tỷ suất hoạt tính và điểm GH
cao nhất nhưng vì độ nhạy quá thấp nên các mô hình này không dùng để sàng lọc trên
các tập dữ liệu.
Các mô hình pharmacophore dựa trên ligand L01, L02, L07 và L13 đều có độ nhạy
cao hơn các mô hình dựa trên cấu trúc. Trong các mô hình này thì mô hình L13 mặc
dù có độ nhạy khá thấp là 0,2254 nhưng có tỷ suất hoạt tính cao nhất là 0,9783. Tỷ
suất hoạt tính càng cao sẽ cho biết số chất dương tính thật với mô hình càng cao, hạn
chế các chất âm tính giả lọt qua mô hình. Vì vậy mô hình L13 sẽ được chọn để sàng
lọc trên các tập dữ liệu ZINC, UNPD, TCM và DrugBank.
33
3.1.4. Kết quả sàng lọc trên các tập dữ liệu

Kết quả sàng lọc các tập ZINC, DrugBank, TCM và UNPD được thể hiện trong
Hình 3.11.
3D-pharmacophore Luật 5 Lipinski
ZINC 22.777093 chất 417.062 chất 409.771 chất
Mô hình L13
DrugBank 8.820 chất Luật 5 Lipinski 8.047chất 3D-pharmacophore 74 chất

TCM 57.423 chất 26.089 chất 39 chất
UNPD 229.358 chất 159.493 chất Mô hình L13 164 chất
Hình 3.11. Kết quả sàng lọc bằng mô hình 3D-pharmacophore L13
Tỷ lệ sàng lọc sau khi ứng dụng mô hình 3D-pharmacophore và định luật 5 Lipinski
là: ZINC (1,8%), DrugBank (0,84%), TCM (0,07%) và UNPD (0,07%).
3.2. MÔ HÌNH 2D-QSAR TRÊN CHẤT ỨC CHẾ MAO-B
3.2.1. Lựa chọn thông số mô tả
Từ tập dữ liệu 107 chất ban đầu, phần mềm MOE 2015.10 tính được 206 thông số
mô tả, trong các thông số này có nhiều thông số có nhiều giá trị 0, nhiều thông số vô
nghĩa và thông số có tương quan cao với nhau. Lần lượt phân tích và loại bỏ các thông
số mô tả này trên excel 365, Rapidminer Studio 9.7 và Weka 3.8.4, kết quả thu được
7 thông số mô tả để xây dựng phương trình 2D-QSAR:
- a_nH: số nguyên tử Hydro trong phân tử
- a_nN: số nguyên tử Nitơ trong phân tử
- GCUT_PEOE_0: tính toán giá trị đặc trưng của ma trận khoảng cách
- h_pKa: tính acid
- h_pKb: tính base
- PEOE_VSA+3: tổng diện tích bề mặt Van der Waals có điện tích từng phần trong
khoảng [0,15;0,20]
- Rsynth: tính khả thi có thể tổng hợp được, có giá trị từ 0 đến 1. Giá trị 0 có nghĩa là
không chắc phân tử đó có thể tổng hợp được, giá trị 1 có nghĩa phân tử đó có thể tổng
hợp được
Để xem tính tương quan của các thông số mô tả với nhau và với pIC50, công cụ
‘Correlation Maxtrix’ trong MOE được sử dụng theo đường dẫn
Compute/Analysis/Correlation Maxtrix, kết quả được thể hiện trong Bảng 3.5:
Các thông số mô tả tương quan tốt với giá trị pIC50 trong đó giá trị tương quan thấp
34
nhất và cao nhất đều là tương quan nghịch là -0,48 (Rsynth) và -0,85
(PEOE_VSA+3).
Bảng 3.5. Mức độ tương quan của các thông số mô tả với nhau và với pIC50
GCUT
PEOE
Thông _
a_nH a_nN h_pKa h_pKb _ Rsynth pIC50
số PEOE
VSA+3
_0
a_nH 1 -0,71
a_nN 0,68 1 -0,83
GCUT
_PEOE -0,65 -0,8 1 0,83
_0
h_pKa 0,48 0,4 -0,56 1 -0,48
h_pKb -0,64 -0,75 0,68 -0,38 1 0,83
PEOE_
0,68 -0,85 -0,68 0,25 -0,88 1 -0,85
VSA+3
Rsynth 0,26 -0,39 -0,39 -0,02 -0,35 0,43 1 -0,48
3.2.2. Loại các chất gây nhiễu bằng Z-score

Xây dựng phương trình 2D-QSAR sơ bộ từ 107 chất ban đầu trên MOE theo đường
dẫn Compute/QSAR, chọn 7 thông số mô tả ở trên và chọn ‘Fit’. Tiếp đến chọn
‘Validate’ và chọn hết 3 mục trống để xuất hiện giá trị Z-Score trên Database Viewer.
Đề tài loại được 7 chất gây nhiễu có Z-score ≥2, các chất này có sự tương quan giữa
giá trị pIC50 thực nghiệm và pIC50 dự đoán rất thấp (R2 = 0,14), được minh họa trong
Hình 3.12.
35
Bảng 3.6. Kết quả loại nhiễu Z-score
pIC50 pIC50
Tên chất Giá trị Z-score
thực nghiệm dự đoán
BMC_2011_19_7507_3c 6,65 5,32 2,39
BMC_2011_19_7507_3d 4,19 5,32 2,03
BMC_2012_20_7040_1d 7,15 5,75 2,51
BMC_2012_20_7040_1h 7,37 5,75 2,90
BMC_2012_20_7040_1k 7,29 5,67 2,92
BMC_2013_23_5498_4b 6,21 7,43 2,20
BMC_2013_23_5498_5c 8,54 7,09 2,61
7
pIC50 dự đoán
R² = 0,14
6
4
4 5 6 7 8 9
pIC50 thực nghiệm
Hình 3.12. Biểu đồ thể hiện mối tương quan giữa pIC50 thực nghiệm và pIC50 dự đoán của
tập nhiễu
36
8
R² = 0,88
7
pIC50 dự đoán
2
2 3 4 5 6 7 8 9 10
pIC50 thực nghiệm
Hình 3.13. Biểu đồ thể hiện mối tương quan giữa pIC50 thực nghiệm và pIC50 dự đoán trên
toàn tập
3.2.3. Xây dựng mô hình 2D-QSAR
Sau khi loại nhiễu, mô hình 2D-QSAR được xây dựng trên toàn tập gồm 100 chất với
mức độ tương quan giữa giá trị hoạt tính thực nghiệm và giá trị hoạt tính dự đoán cao,
bình phương hệ số tương quan R2 = 0,88 và căn bậc hai của tổng bình phương phần
dư RMSE = 0,42. Mức độ tương quan được minh họa trong Hình 3.13.
Phương trình 2D-QSAR như sau:
pIC50 = 6,69709
− 0,31977×a_nH
− 0,04221×a_nN
+ 1,34494×GCUT_PEOE_0
− 0,54578×h_pKa
+ 1,00641×h_pKb
− 2,22940×PEOE_VSA+3
− 0,60484×rsynth
37
3.2.4. Đánh giá mô hình 2D-QSAR

Kết quả đánh giá mô hình 2D-QSAR được trình bày trong Bảng 3.7.
Bảng 3.7. Kết quả đánh giá mô hình 2D-QSAR
Đánh
Đánh Đánh giá
Số giá
giá nội Roy
Mô hình chất RMSE R2 ngoại
(N)
Q2 R2pred ̅̅̅
𝑟𝑚2 ∆𝑟𝑚2
Ngẫu nhiên XD1 80 0,39 0,89 0,85 0,84 0,10

1 KT1 20 0,80 0,74 0,01
Ngẫu nhiên XD2 80 0,42 0,88 0,84 0,82 0,11

2 KT2 20 0,85 0,80 0,10
Ngẫu nhiên XD3 80 0,41 0,88 0,85 0,83 0,11

3 KT3 20 0,81 0,77 0,14
Ngẫu nhiên XD4 80 0,44 0,87 0,83 0,80 0,12

4 KT4 20 0,92 0,83 0,08
Ngẫu nhiên XD5 80 0,44 0,87 0,83 0,81 0,12

5 KT5 20 0,89 0,75 0,12
Toàn tập 100 0,42 0,88 0,85 0,82 0,11
*XD: tập xây dựng, *KT: tập kiểm tra

Từ bảng kết quả cho thấy hệ số tương quan R2 trên 5 tập xây dựng và trên toàn tập
đều cao từ 0,87 đến 0,89 cho thấy mức độ tương quan cao giữa giá trị hoạt tính sinh
học thực nghiệm và hoạt tính sinh học dự đoán. Đánh giá nội (Q2 > 0,5) và đánh giá
2
ngoại (𝑅𝑝𝑟𝑒𝑑 > 0,5) đều đạt trên tất cả các tập. Về đánh giá Roy, giá trị 𝑟̅̅̅
𝑚 đều lớn
2
hơn 0,5 và giá trị ∆𝑟𝑚2 đều nhỏ hơn 0,2.

Kết quả phân tích cho thấy mô hình 2D-QSAR đã xây dựng có khả năng dự đoán tốt
hoạt tính sinh học các chất trong phạm vi miền giá trị của nó. Miền giá trị ứng dụng
38
cho sàng lọc chính là miền giá trị toàn tập trước khi qua bước chia tỷ lệ thông số mô
tả (Bảng 3.8).
Bảng 3.8. Miền ứng dụng của mô hình 2D-QSAR
Thông GCUT PEOE

a_nH a_nN H_pKa H_pKb rsynth
số _PEOE_0 _VSA+3
Min 8 0 -0,8504 8 2,3293 0 0
Max 25 5 -0,7586 14 14 51,7141 0,92
3.2.5. Ứng dụng mô hình 2D-QSAR trong sàng lọc

Các chất thỏa sau khi qua mô hình 3D-pharmacophore được áp dụng miền ứng dụng
của mô hình 2D-QSAR và dự đoán pIC50, kết quả tổng cộng có 21.498 chất có pIC50
dự đoán ≥ 5,82 (Hình 3.14). Các chất này sẽ được đánh giá hấp thu phân bố chuyển
hóa thải trừ và độc tính bằng phần mềm ADMET Predictor 9.5.
Miền ứng dụng pIC50 dự đoán
ZINC 409.771 chất mô hình 229.908 chất ≥ 5,82 21.452 chất
DrugBank 74 chất 38 chất 3 chất
TCM 39 chất 13 chất 7 chất
UNPD 164 chất 67 chất 36 chất
Hình 3.14. Kết quả sàng lọc qua mô hình 2D-QSAR
39
3.3. SÀNG LỌC ADMET

Các chất sau khi sàng lọc qua mô hình 2D-QSAR được đưa vào phần mềm ADMET
Predictor 9.5 để dự đoán các giá trị rủi ro hấp thu, phân bố, chuyển hóa, thải trừ và
độc tính. Kết quả thể hiện trong Bảng 3.9 và Hình 3.15.
Bảng 3.9. Kết quả sàng lọc ADMET
Số chất thỏa ngưỡng rủi ro

Tập dữ Số chất thỏa
liệu Hấp thu Chuyển hóa Độc tính Tổng cả 4 ngưỡng
≤ 3,5 ≤ 2,5 ≤ 2,0 ≤ 7,5
DB 3/3 2/3 2/3 2/3 2/3
TCM 7/7 3/7 7/7 7/7 3/7
UNPD 36/36 22/36 36/36 35/36 22/36
ZINC 21451/21452 18372/21452 20712/21452 21120/21452 17760/21452
UNPD 61.1 38.9
TCM 42.9 57.1
DrugBank 66.7 33.3
ZINC 82.8 17.2
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
Đạt Không đạt
Hình 3.15. Tỷ lệ các chất đạt và không đạt trong sàng lọc ADMET
Trong các tập dữ liệu thì ZINC có tỷ lệ đạt cao nhất là 82,8% tương ứng với 17.760
chất, tập TCM có tỷ lệ đạt thấp nhất với 42,9% tương ứng với 3 chất. Vậy tổng cộng
có 17.787 chất vượt qua được đánh giá ADMET.
40
3.4. MÔ HÌNH MÔ TẢ PHÂN TỬ DOCKING

3.4.1. Xây dựng mô hình mô tả phân tử docking MAO-B
Kết quả redocking ligand đồng kết tinh safinamid và docking rasagilin được trình bày
trong Bảng 3.10.
Bảng 3.10. Kết quả redocking MAO-B (mã PDB 2V5Z)
Điểm số docking RMSD

Ligand Top pose
(KJ/mol) (Å)
1 -31,06 1,23
2 -29,94 1,40
3 -29,84 1,63
4 -29,71 1,00
5 -29,70 1,65
Safinamid
6 -29,43 1,78
7 -29,37 1,30
8 -29,35 1,80
9 -28,96 1,03
10 -28,90 1,64
Rasagilin 1 -20,44 -
Top 10 pose tốt nhất của safinamid đều có RMSD nhỏ hơn 2Å cho thấy mô hình
docking có thể dùng cho sàng lọc và cho kết quả tin cậy. 10 pose này có điểm số
docking rất thấp từ -31,06 KJ/mol đến -28,90 KJ/mol cho thấy ligand gắn kết rất tốt
với khoang. Đồng thời kết quả docking rasagilin vào khoang gắn kết này có điểm số
docking ít âm hơn so với safinamid nhưng vẫn là điểm số docking tốt. Nghiên cứu
này sẽ chọn điểm số docking của rasagilin để làm ngưỡng cho sàng lọc, các chất có
điểm số docking ≤ - 20,44 KJ/mol sẽ qua được mô hình docking MAO-B, ngược lại
các chất có điểm số docking > -20,44 KJ/mol sẽ bị loại.
41
Hình 3.16. Khoang gắn kết của MAO-B (mã PDB 2V5Z) được chụp bởi MOE 2015.10.
Hình ảnh ligand đồng kết tinh safinamid (màu xanh lá cây), co-factor FAD (màu đỏ) và
các acid amin (trái). Khoang gắn kết của MAO-B (phải). Tương tác của ligand đồng kết
tinh safinamid với các acid amin quan trọng trong khoang gắn kết MAO-B (dưới). Màu
tím là các tương tác phân cực, màu xanh lá cây là các tương tác kỵ nước và, đường thẳng
nét đứt là các liên kết hydro
Hình 3.16 cho thấy khoang gắn kết của MAO-B hẹp và dài, đặc biệt khoang chia làm
hai khoang nhỏ bởi vùng eo ở giữa, một khoang tạo được các liên kết hydro với phối
tử và khoang còn lại tạo tương tác kỵ nước với phối tử. Kết quả này phù hợp với các
nghiên cứu của Claudia Binda và các cộng sự [20].
3.4.1.2. Ứng dụng mô hình mô tả phân tử docking trong sàng lọc
Các chất từ các tập Drugbank, TCM và UNPD sau khi thỏa sàng lọc ADMET được
docking vào khoang gắn kết của MAO-B. Riêng tập ZINC sẽ chọn top 5000 chất có
hoạt tính pIC50 dự đoán tốt nhất từ 17.760 chất thỏa sàng lọc ADMET để tiến hành
docking. Kết quả docking được xuất file *.sdf và phân tích trên MOE. Số chất dock
thành công và số chất thỏa ngưỡng được thể hiện trong Bảng 3.11.
42
Bảng 3.11. Kết quả docking MAO-B (mã PDB 2V5Z)
Số chất dock thành Số chất thỏa ngưỡng

Tập chất
công (-20,44 KJ/mol)
ZINC 4741/5000 3536/5000
DrugBank 1/2 0/2
TCM 0/3 0/3
UNPD 12/22 5/22
Tổng 4.754 3.541
Tập TCM không có chất nào dock thành công trên MAO-B, tập DrugBank có 1 chất
dock thành công là DB07363 với điểm số docking là -16,46 KJ/mol, giá trị này gần
với ngưỡng sàng lọc cho thấy khả năng chất này có tác dụng ức chế trung bình đến
yếu trên MAO-B.
Trong khi đó tập ZINC có số chất docking thỏa ngưỡng cao nhất là 3.536 chất và tập
UNPD là 5 chất. Tổng cộng 3.541 chất này sẽ được lưu file *.sdf để tiến hành docking
trên khoang gắn kết của MAO-A.
Hình 3.17. Biểu đồ phân bố điểm số docking của 4.754 chất dock thành công trên MAO-B
Hình 3.17 cho thấy chỉ có 0,74% chất có điểm số docking trong khoảng từ -10 KJ/mol
đến 0 KJ/mol, thể hiện khả năng gắn kết vừa phải và yếu. Những chất có điểm số
docking từ -30 KJ/mol đến -20 KJ/mol chiếm tỷ lệ cao nhất là 72,7%, cho thấy khả
năng gắn kết tốt và đặc biệt có 262 chất tương ứng với 5,51 % chất có điểm số docking
rất âm (từ -30 KJ/mol trở xuống), dự báo khả năng gắn kết rất mạnh vào MAO-B.
43
3.4.2. Mô hình mô tả phân tử docking MAO-A

Kết quả redocking ligand đồng kết tinh harmin vào khoang gắn kết MAO-A cho kết
quả như Bảng 3.12.
Bảng 3.12. Kết quả redocking MAO-A (mã PDB 2Z5Y)
Điểm số docking RMSD

Ligand Top pose
(KJ/mol) (A)
1 -18,53 1,12
2 -18,44 0,57
3 -17,81 0,91
4 -17,16 1,24
5 -16,94 0,76
Harmin
6 -14,95 1,42
7 -14,48 0,80
8 -13,86 1,38
9 - 13,44 1,46
10 - 13,34 0,64
Kết quả RMSD của 10 pose tốt nhất đều nhỏ hơn 2Å, kết quả nhỏ nhất là 0,57 và lớn
nhất là 1,42 cho thấy mô hình tin cậy và có thể dùng cho sàng lọc. Đề tài sẽ dùng
điểm số docking của pose thấp điểm nhất là -13,34 KJ/mol làm ngưỡng, các chất có
điểm số docking lớn hơn ngưỡng này được xem như chất có khả năng ức MAO-A
yếu, điểm số càng lớn thì ức chế càng yếu và ngược lại.
44
Hình 3.18. Khoang gắn kết của MAO-A (mã PDB 2Z5Y) được chụp bởi MOE 2015.10.
Hình ảnh ligand đồng kết tinh harmin (màu xanh lá cây), co-factor FDA (màu xanh lam)
và các acid amin (trái). Khoang gắn kết của MAO-A (phải). Tương tác của ligand đồng kết
tinh harmin với các acid amin trọng trong khoang gắn kết MAO-A (dưới). Màu tím là các
tương tác phân cực, màu xanh lá cây là các tương tác kỵ nước và, đường thẳng nét đứt là
các liên kết hydro
Hình 3.19. Sự khác biệt giữa khoang gắn kết của MAO-A (trái) và MAO-B (phải)
So sánh hình ảnh khoang gắn kết của MAO-B và MAO-A cho thấy khoang MAO-B
hẹp, dài và có vùng eo hẹp chia khoang làm 2 phần một phần có nhiều tương tác phân
cực và 1 vùng có nhiều tương tác kỵ nước. Trong khi đó khoang gắn kết của
MAO-A rộng hơn, ngắn hơn và không chia rõ hai phần như MAO-B. Những đặc
điểm này kết hợp với các tương tác với acid amin quan trong trong khoang sẽ là
45
đặc điểm để các chất gắn kết chọn lọc trên MAO-B so với MAO-A. Kết quả này phù
hợp với thông tin đã trình bày ở phần tổng quan.
3.4.2.2. Docking
3.541 chất qua được mô hình docking MAO-B được tiến hành docking lên khoang
gắn kết đã chuẩn bị của MAO-A. Các chất dock không thành công và các chất dock
thành công với điểm số > -13,34 KJ/mol sẽ là những chất có tiềm năng ức chế
chọn lọc MAO-B, kết quả ở Bảng 3.13.
Bảng 3.13. Kết quả docking trên MAO-A (mã PDB 2Z5Y)
Số chất dock thành công

Số chất dock không
Tập Điểm số docking Điểm số docking
thành công
> -13,34 KJ/mol ≤ -13,34 KJ/mol
UNPD 1/5 3/5 1/5
ZINC 1904/3536 986/3536 646/3536
Tổng cộng có 1905 chất dock không thành công từ hai tập UNPD và ZINC sẽ được
phân tích tương tác acid amin trên khoang gắn kết của MAO-B bằng công cụ PLIF
trên MOE 2015.10 theo đường dẫn Compute/PLIF/Generate.
Hình 3.20. Kết quả tương tác của 1.905 chất tiềm năng với acid amin trên khoang gắn kết
của MAO-B
Từ Hình 3.20, ta thấy các chất tiềm năng đều cho tương tác với các acid amin ở
khoang gắn kết, trong đó tương tác cao nhất là Ile 199, Cys 172, Tyr 326 và Tyr 435.
Bên cạnh đó, các phân tử nước trong vùng hoạt tính cũng chiếm tỷ lệ tương tác cao.
46
1%
10%
50%
39%
Từ -25 đến -20,44 KJ/mol Từ -30 đến - 25 KJ/mol

Từ -35 đến -30 KJ/mol Âm hơn -35 KJ/mol
Hình 3.21. Biểu đồ phần trăm các chất docking chọn lọc trên MAO-B
Trong 1.905 chất tiềm năng thì các chất có điểm số docking từ -25 KJ/mol đến -20,44
KJ/mol chiểm phần lớn (50%), các chất có điểm số docking gần với điểm số docking
của safinamid (-31,06 KJ/mol) chiếm 10% cho thấy các chất này gắn kết mạnh trên
MAO-B. Và đặc biệt có 1% tương ứng với 18 chất có điểm số docking rất âm
(< −35 KJ/mol) dự báo khả năng gắn kết rất mạnh và chọn lọc trên MAO-B
(Phụ lục 2).
47
3.5. BÀN LUẬN

Qua các mô hình sàng lọc ảo mà nghiên cứu đã xây dựng thì thu được 1.905 chất từ
hai tập là UNPD và ZINC. Trong khi đó nghiên cứu không thu được chất nào ở tập
DrugBank và TCM. Tóm tắt kết quả sàng lọc ảo ở Hình 3.22.
ZINC 21.777.093 chất 409.771 chất 21.452 chất

DrugBank 8.820 chất 3D-pharmacophore 74 chất 2D-QSAR 3 chất
TCM 57.423 chất 5 Lipinski 39 chất Miền ứng dụng 7 chất
UNPD 229.358 chất 164 chất 36 chất
Sàng lọc
3.536 chất 17.760 chất ADMET
0 chất Docking MAO-B 2 chất
0 chất 3 chất
5 chất 22 chất
Docking không thành

công trên MAO-A
ZINC 1.904 chất
UNPD 1 chất
Hình 3.22. Tóm tắt kết quả sàng lọc trong nghiên cứu
3.5.1. Tập dữ liệu UNPD
Kết quả sàng lọc ở tập UNPD có 1 chất là UNPD89644 không gắn được trên MAO-
A, cho thấy tiềm năng lớn trong ức chế chọn lọc MAO-B. Ngoài ra đề tài tìm được 3
chất khác trong tập này gắn được trên MAO-A nhưng cho điểm số docking ít âm hơn
ngưỡng (-13,34KJ/mol) là UNPD13390, UNPD100906 và UNPD203145, dự báo các
chất này gắn trên MAO-A yếu hơn so với MAO-B. Điểm số docking và giá trị pIC50
dự đoán thể hiện trong Bảng 3.14.
48
Bảng 3.14. Các chất sàng lọc được ở tập UNPD
pIC50
Điểm số Điểm số
dự
docking docking
Chất Cấu trúc đoán
MAO-B MAO-A
(KJ/mol) (KJ/mol) trên
MAO-B
UNPD89644 -24,48 - 8,81
UNPD203145 -22,73 -3,86 8,81
UNPD100906 -27,23 -4,74 7,51
UNPD13390 -20,63 -11,16 8,06
UNPD89644 có tên thông thường là crotafuran E thuộc nhóm pterocarpanoid là một

chất được phân lập từ cây Crotalaria pallida, tên Việt Nam là Lục lạc hay Sục sạc,
Muồng phân, Muồng lá tròn ,thuộc họ Đậu. Ở Việt Nam, cây mọc khắp nơi đặc biệt
khu vực miền núi, và được dân gian dùng để trị các bệnh suy nhược thần kinh, đau
bụng, lỵ. Năm 2004, Horng-Huey Ko cùng các cộng sự nghiên cứu về tác dụng kháng
viêm của cây Crotalaria pallida trong điều trị bệnh viêm thần kinh trung ương.
Nghiên cứu chỉ ra rằng, Crotafuran E có tác dụng làm giảm sản xuất NO ở tế bào thần
kinh đệm và có ý nghĩa trong điều trị bệnh lý về viêm thần kinh trung ương liên quan
đến NO [77].
Trong nghiên cứu này crotafuran E có điểm số docking là -24,48 KJ/mol, và tạo được
hai liên kết hydro với Cys 172, Tyr 326 và 2 phân tử nước trong khoang gắn kết của
MAO-B (Hình 3.23), dự báo khả năng gắn kết tốt của crotafuran E với MAO-B.
49
Đồng thời giá trị hoạt tính sinh học dự đoán là 8,81 (1,55 nM) cho thấy khả năng chất
này hoạt tính ức chế MAO-B tốt.
Hình 3.23. UNPD89644 (Crotafuran E) (màu xanh lá cây) trong khoang gắn kết của MAO-
B và tương tác với acid amin (điểm số docking -24,48KJ/mol)
UNPD203145 (tên IUPAC là 4-[(2S,3R)-3-(hydroxymethyl)-5-[(E)-prop-1-enyl]-
2,3-dihydro-1-benzofuran-2-yl]phenol) là dẫn xuất của (+)-conocarpan được phân
lập từ rễ cây Krameria lappacea họ Krameriaceae, cây mọc ở khu vực Bắc Mỹ.
Nghiên cứu của Lisa Baumgartner và cộng sự năm (2011) chỉ ra rằng các thành phần
trong cây có tác dụng ức chế enzym Cyclooxygenase cho tác dụng kháng viêm [78].
UNPD203145 docking vào khoang gắn kết của MAO-B với điểm số -22,73 KJ/mol
và tạo được liên kết hydro với các acid amin Gln 206, Ser 200, Ile 199, Ile 198
(Hình 3.24).
Hình 3.24. UNPD203145 (màu xanh lá cây) trong khoang gắn kết của MAO-B và tương
tác với acid amin (điểm số docking -22,73 KJ/mol)
UNPD100906 (tên IUPAC là (2S)-2-[4-hydroxy-3-(3-methylbut-2-enyl)phenyl]-3,4-
dihydro-2H-chromen-7-ol) có cấu trúc khung flavan. Trong tập UNPD, chất này có
điểm số docking trên MAO-B âm nhất với -27,23 KJ/mol. Trong khoang gắn kết
50
MAO-B, nó tạo được các liên kết cho hydro với các acid amin Cys 172, Ile 198,
Ile 199 và Leu 165 (Hình 3.25).
Hình 3.25. UNPD100906 (màu xanh lá cây) trong khoang gắn kết của MAO-B và tương
tác với acid amin (điểm số docking -27,23 KJ/mol)
UNPD13390 (tên IUPAC là phenyl 4-methylbenzoat) có điểm số docking trên
MAO-B là -20,63 KJ/mol, cho thấy khả năng gắn kết tốt với MAO-B. Tuy nhiên,
trên MAO-A, chất này có điểm số docking là -11,16 KJ/mol gần ngưỡng redocking
của MAO-A là -13,34KJ/mol. Xét tương tác acid amin ta thấy chất này ít tương tác
với acid amin trên khoang gắn kết MAO-B. Vậy trong 4 chất tập UNPD thì
UNPD13390 gắn trên MAO-B yếu nhất.
Hình 3.26. UNPD13390 (màu xanh lá cây) trong khoang gắn kết của MAO-B (trái) và
tương tác với acid amin (điểm số docking -20,63 KJ/mol)
3.5.2. Tập dữ liệu ZINC
Trong số 1.904 chất ức chế chọn lọc MAO-B mà đề tài đã tìm ra, có 18 chất có điểm
số docking trên MAO-B âm nhất (< -35 KJ/mol) (Phụ lục 2), trong đó có 4 chất cho
nhiều tương tác với acid amin quan trọng trong khoang gắn kết gồm ZINC78829248,
ZINC47435563, ZINC59148702 và ZINC58283019.
51
ZINC78829248 cho liên kết hydro với Gln 206, Cys 172 và một phân tử nước khoang
gắn kết.
ZINC47435563 cho kết hydro với Pro 102, Ile 198 và một phân tử nước khoang gắn
kết và tạo thêm một tương tác vòng thơm với lle 199.
ZINC59148702 tạo được 4 liên kết hydro, trong đó ba liên kết cho hydro với Cys
172 và Pro 102 và Ile 199, một liên kết nhận hydro với Tyr 326.
ZINC58283019 tạo được 3 liên kết hydro với Tyr 435, Pro 102 và một phân tử nước
khoang gắn kết.
Từ kết quả trên, ta thấy các acid amin hay tạo được liên kết hydro với chất ức chế
MAO-B là Gln 206, Cys 172, Pro 102, Ile 199, Ile 198, Tyr 326. Bản đồ tương tác
của ZINC78829248, ZINC47435563, ZINC59148702 và ZINC58283019 được trình
bày ở các Hình 3.27 đến Hình 3.30.
docking -36,99 KJ/mol)
52
3.5.3. So sánh với các nghiên cứu khác
Hiện nay, trong lĩnh vực nghiên cứu in silico chất ức chế chọn lọc MAO-B, các nhà
nghiên cứu trên thế giới chủ yếu tập trung vào khả năng gắn kết của các chất ức chế,
các khung ức chế tiềm năng trên MAO-B. Có rất ít những nghiên cứu sử dụng các
công cụ sàng lọc ảo để sàng lọc trên tập dữ liệu lớn như ZINC, DrugBank, TCM hay
UNPD. Nghiên cứu của Kiran Boppana và các cộng sự năm 2009, với tựa đề
“Knowledge based identification of MAO-B selective inhibitors using
pharmacophore and structure based virtual screening models” [79]. Đề tài thực hiện
có những điểm khác biệt với đề tài của Kiran Boppana và các cộng sự năm 2009 như
sau (Bảng 3.15).
53
Bảng 3.15. So sánh với nghiên cửu của Kiran Boppana và các cộng sự (2009)
Nghiên cứu của Kiran

Đặc điểm Đề tài nghiên cứu
Boppana và các cộng sự (2009)
3D-pharmacophore dựa theo cấu 3D-pharmacophore dựa theo

trúc và dựa theo ligand (sử dụng ligand (trong đó tập xây dựng
Mô hình 3D- 4 chất có hoạt tính mạnh). gồm 22 chất hoạt tính mạnh và
pharmacophore
Kết quả được mô hình sáu điểm. hoạt tính rất yếu).
Kết quả được mô hình ba điểm.
Mô hình 2D- Đề tài xây dựng được mô hình Không xây dựng mô hình 2D-
QSAR tốt, dùng để sàng lọc. QSAR.
Đề tài sử dụng phần mềm

ADMET Predictor 9.5 để đánh
Đánh giá ADMET Không đánh giá ADMET.
giá hấp thu, phân bố, chuyển
hóa, thải trừ và độc tính.
Mô hình mô tả Đề tài sử dụng phần mềm

Sử dụng phần mềm GLIDE.
phân tử docking LeadIT 2.1.8.
Cơ sở dữ liệu cá nhân với khoảng

Thư viện sàng lọc ZINC, DrugBank, TCM, UNPD.
120.000 chất
Kết quả sàng lọc 1.905 chất. 15 chất.
So với nghiên cứu của Kiran Boppana và các cộng sự năm 2009, đề tài này có những
điểm đổi mới, đem lại những ưu điểm nổi bật.
- Thứ nhất, nghiên cứu này sàng trên các thư viện dữ liệu lớn ZINC, DrugBank và
đặc biệt có thêm hai thư viện các chất có nguồn gốc tự nhiên TCM và UNPD. Điều
này đem lai kết quả có 4 chất có nguồn gốc tự nhiên từ tập UNPD là UNPD89644,
UNPD203145, UNPD100906 và UNPD13390 có tiềm năng ức chế chọn lọc
MAO-B, từ đó xác định được hai dược liệu là Crotalaria pallida (cây Lục Lạp) và
Krameria lappacea (họ Krameriaceae ở vùng Bắc Mỹ) có chứa hoạt chất tiềm năng
dùng làm thuốc trị bệnh Parkinson.
- Thứ hai, nghiên cứu sử dụng nhiều mô hình sàng lọc ảo kết hợp, do đó các chất thu
được sau cùng có tiềm năng đạt trong các thử nghiệm in vitro và in vivo sau này.
54
« Khóa luận tốt nghiệp DSĐH Kết luận và đề nghị »
CHƯƠNG 4. KẾT LUẬN VÀ ĐỀ NGHỊ

Dựa trên thực tế các thuốc ức chế chọn lọc MAO-B trong điều trị bệnh Parkinson trên
thị trường hiện nay rất ít (chỉ mới ba thuốc là rasagilin, selegilin và safinamid) và
hiện tượng pho mát gây tác dụng phụ nghiêm trọng của các chất ức chế MAO nên đề
tài này được thực hiện để tìm kiếm các chất ức chế chọn lọc MAO-B.
Nghiên cứu xây dựng các mô hình sàng lọc ảo theo thứ tự 3D-pharmacophore, 2D-
QSAR, đánh giá hấp thu - phân bố - chuyển hóa - thải trừ - độc tính (ADMET) và mô
hình mô tả phân tử docking. Từ bốn thư viện dữ liệu các chất ZINC, DrugBank, TCM
và UNPD đề tài sàng được 1.904 chất từ tập ZINC có tiềm năng ức chế chọn lọc trên
MAO-B. Trong số đó, có bốn chất là ZINC78829248, ZINC47435563,
ZINC59148702 và ZINC58283019 có điểm số docking < -35 KJ/mol và cho tương
tác với nhiều acid amin quan trọng trong khoang gắn kết MAO-B là Gln 206, Cys
172, Pro 102, lle 199, lle 198, Tyr 326.
Tập các chất có nguồn gốc từ thiên nhiên UNPD tìm được 4 chất là UNPD89644,
UNPD203145, UNPD100906 và UNPD13390. Đáng lưu ý có hai chất UNPD89644
(crotafuran E) được phân lập từ cây Crotalaria pallida (cây Lục Lạp) và
UNPD203145 được phân lập từ cây Krameria lappacea (họ Krameriaceae ở vùng
Bắc Mỹ).
Các hướng nghiên cứu tiếp theo cho đề tài bao gồm:
- Tiến hành mô phỏng động học 18 chất tập ZINC và 4 chất tập UNPD để đánh giá
khả năng tương tác của các chất trong điều kiện cấu trúc mục tiêu linh động.
- Thử nghiệm hoạt tính sinh học in vitro và in vivo của các 22 chất tiềm năng này trên
MAO-B và và MAO-A để đánh giá mức độ chọn lọc trên MAO-B so với MAO-A.
55
TÀI LIỆU THAM KHẢO
[1] Schneider R. B., Iourinets J., Richard I. H. (2017), “Parkinson's disease psychosis:
presentation, diagnosis and management”, Neurodegenerative disease management,
7(6), 365–376.
[2] Tysnes O. B., Storstein A. (2017), “Epidemiology of Parkinson's disease”,
Journal of neural transmission, 124(8), 901–905.
[3] Finberg J. P., Gillman K. (2011), “Selective inhibitors of monoamine oxidase type
B and the "cheese effect"”, International review of neurobiology, 100, 169–190.
[4] Finberg J. P., Rabey J. M. (2016), “Inhibitors of MAO-A and MAO-B in
Psychiatry and Neurology”, Frontiers in pharmacology, 7, 340.
[5] Kalia, L. V., Lang, A. E. (2015), “Parkinson's disease”, Lancet (London,
England), 386(9996), 896–912.
[6] Sveinbjornsdottir S. (2016), “The clinical symptoms of Parkinson's disease”,
Journal of neurochemistry, 139 Suppl 1, 318–324.
[7] Stephen G.R., Joseph M.S. (2019), “Parkinson’s Disease”, Medical Clinics of
North America, 103(2),337-350.
[8] https://www.uptodate.com/contents/parkinson-disease-symptoms-and-diagnosis-
beyond-the-basics, [Ngày truy cập: 1/8/2020].
[9] Raza C., Anjum R., Shakeel N. (2019), “Parkinson's disease: Mechanisms,
translational models and management strategies”, Life sciences, 226, 77–90.
[10] Young J., Mendoza M. (2018), “Parkinson's disease: A treatment guide”, The
Journal of family practice, 67(5), 276–286.
[11] Dezsi L., Vecsei L. (2017), “Monoamine Oxidase B Inhibitors in Parkinson's
Disease”, CNS & neurological disorders drug targets, 16(4), 425–439.
[12] Finberg J. P., Gillman K. (2011), “Selective inhibitors of monoamine oxidase
type B and the "cheese effect"”, International review of neurobiology, 100, 169–190.
[13] Pickar D., Dennis L. M., Robert M. C. (1982), “Selective and Nonselective
Monoamine Oxidase Inhibitors”, Arch Gen Psychiatry, 39, 535-540.
[14] Finberg J. P., Rabey J. M. (2016), “Inhibitors of MAO-A and MAO-B in
Psychiatry and Neurology”, Frontiers in pharmacology, 7, 340.
56
[15] Tipton K. F., Boyce S., O'Sullivan J., Davey G. P., Healy J. (2004), “Monoamine
oxidases: certainties and uncertainties”, Current medicinal chemistry, 11(15), 1965–
1982.
[16] Edmondson D. E., Mattevi A., Binda C., Li M., Hubálek F. (2004), “Structure
and mechanism of monoamine oxidase”, Current medicinal chemistry, 11(15), 1983–
1993.
[17] Yeung A., Georgieva M. G., Atanasov A. G., Tzvetkov N. T. (2019),
“Monoamine Oxidases (MAOs) as Privileged Molecular Targets in Neuroscience:
Research Literature Analysis”, Frontiers in molecular neuroscience, 12, 143.
[18] Müller T., Möhr J. D. (2019), “Pharmacokinetics of monoamine oxidase B
inhibitors in Parkinson's disease: current status”, Expert opinion on drug metabolism
& toxicology, 15(5), 429–435.
[19] Carradori S., Petzer J. P. (2015), “Novel monoamine oxidase inhibitors: a patent
review (2012 - 2014)”, Expert opinion on therapeutic patents, 25(1), 91–110.
[20] Binda C., Wang J., Pisani, L., Caccia C., Carotti A., Salvati P., Edmondson D.
E., Mattevi A. (2007), “Structures of human monoamine oxidase B complexes with
selective noncovalent inhibitors: safinamide and coumarin analogs”, Journal of
medicinal chemistry, 50(23), 5848–5852.
[21] Son S. Y., Ma J., Kondou Y., Yoshimura M., Yamashita E., Tsukihara T. (2008),
“Structure of human monoamine oxidase A at 2.2-A resolution: the control of
opening the entry for substrates/inhibitors”, Proceedings of the National Academy of
Sciences of the United States of America, 105(15), 5739–5744.
[22] Binda C., Hubálek F., Li M., Herzig Y., Sterling J., Edmondson D. E., Mattevi
A. (2004), “Crystal structures of monoamine oxidase B in complex with four
inhibitors of the N-propargylaminoindan class”, Journal of medicinal chemistry,
47(7), 1767–1774.
[23] De Colibus L., Li M., Binda C., Lustig A., Edmondson D. E., Mattevi A. (2005),
“Three-dimensional structure of human monoamine oxidase A (MAO A): relation to
the structures of rat MAO A and human MAO B”, Proceedings of the National
Academy of Sciences of the United States of America, 102(36), 12684–12689.
[24] Guglielmi P., Carradori S., Ammazzalorso A., Secci D, (2019), “Novel
approaches to the discovery of selective human monoamine oxidase-B inhibitors: is
there room for improvement?”, Expert opinion on drug discovery, 14(10), 995–1035.
57
[25] Booysen H. P., Moraal C., Terre'Blanche G., Petzer A., Bergh J. J., Petzer J. P.
(2011), “Thio- and aminocaffeine analogues as inhibitors of human monoamine
oxidase”, Bioorganic & medicinal chemistry, 19(24), 7507–7518.
[26] Khedkar S. A., Malde K., Coutinho E. C., Srivastava S, (2007), “Pharmacophore
Modeling in Drug Discovery and Development: An Overview”, Medicinal
Chemistry, 3, 187-197.
[27] Qing X L. X., De Raeymaecker J, Tame J, Zhang K, De Maeyer M, Voet A
(2014), "Pharmacophore modeling: advances, limitations, and current utility in drug
discovery", Journal of Receptor, Ligand and Channel Research, 7, 81-92.
[28] Schneider G., Neidhart W., Giller T., Schmid G, (1999), "“Scaffold-Hopping”
by Topological Pharmacophore Search: A Contribution to Virtual Screening",
Angewandte Chemie International Edition, 38(19), 2894-2896.
[29] Gini G. (2016), “QSAR Methods”, Methods in molecular biology,(Clifton, N.J.),
1425, 1–20.
[30] Livingstone D. (1995), “Data Analysis for Chemists: Applications to QSAR and
Chemical Product Design”, Oxford University Press,149-158.
[31] Ghosh J., Lawless M. S., Waldman M., Gombar V., Fraczkiewicz R. (2016),
“Modeling ADMET”. Methods in molecular biology (Clifton, N.J.), 1425, 63–83.
[32] Dror O., Schneidman-Duhovny D., Inbar Y., Nussinov R., Wolfson H. J. (2009),
“Novel approach for efficient pharmacophore-based virtual screening: method and
applications”, Journal of chemical information and modeling, 49(10), 2333–2343.
[33] Chen Y. C. (2015), "Beware of docking!", Trends in pharmacological
sciences, 36(2), 78-95.
[34] Kukol A. (2008), “Molecular modeling of proteins”, Journal of the American
Chemical Society, 130 (37).
[35] http://zinc15.docking.org/, [Ngày Truy cập 15/7/2020].
[36] ZINCPharmer ZINCPharmer, Search ZINC, Serch Molport,
http://zincpharmer.csb.pitt.edu, [Ngày truy cập 10-07-2020].
[37] www.drugbank.ca, [Ngày truy cập: 1/7/2020].
[38] Wishart D. S., Feunang Y. D., Guo A. C. et al (2018), “DrugBank 5.0: a major
update to the DrugBank database for 2018”, Nucleic acids research, 46(D1), D1074–
D1082.
58
[39] Sorokina M., Steinbeck C. (2020), “Review on natural products databases:
where to find data in 2020”, J Cheminform, 12-20.
[40] Chen CY-C (2011), “TCM Database@Taiwan: The World’s Largest Traditional
Chinese Medicine Database for Drug Screening In Silico”, PLoS ONE, 6(1), 15939.
[41] Inte:Ligand (2019), LigandScout 4.3, A-2344 Maria Enzersdorf Clemens Maria
Hofbauer-Gasse 6, Austria, Europe.
[42] Armstrong M. J., Okun M. S. (2020), “Diagnosis and Treatment of Parkinson
Disease: A Review”, JAMA, 323(6), 548–560.
[43] Elshaflu H., Todorović T. R., Nikolić M., Lolić A. et al (2018), “Selenazolyl-
hydrazones as Novel Selective MAO Inhibitors With Antiproliferative and
Antioxidant Activities: Experimental and In-silico Studies”, Frontiers in chemistry,
6, 247.
[44] Legoabe L. J., Petzer A., Petzer J. P. (2012), “Selected chromone derivatives as
inhibitors of monoamine oxidase”, Bioorganic & medicinal chemistry letters, 22(17),
5480–5484.
[45] Strydom B., Malan S. F., Castagnoli N., Jr Bergh J. J., Petzer J. P. (2010),
“Inhibition of monoamine oxidase by 8-benzyloxycaffeine analogues”, Bioorganic
& medicinal chemistry, 18(3), 1018–1028.
[46] Sang, Z., Wang K., Shi J., Liu W., Tan Z. (2019), “Design, synthesis, in-silico
and biological evaluation of novel chalcone-O-carbamate derivatives as
multifunctional agents for the treatment of Alzheimer's disease”, European journal
of medicinal chemistry, 178, 726–739.
[47] https://www.perkinelmer.com/category/chemdraw, [Ngày truy cập: 15/6/2020]
[48] Carradori S., Petzer J. P. (2015), “Novel monoamine oxidase inhibitors: a patent
review (2012 - 2014)”, Expert opinion on therapeutic patents, 25(1), 91–110.
[49] Gealageas R., Devineau A., So P., Kim C. et al (2018), “Development of Novel
Monoamine Oxidase-B (MAO-B) Inhibitors with Reduced Blood-Brain Barrier
Permeability for the Potential Management of Noncentral Nervous System (CNS)
Diseases”, Journal of medicinal chemistry, 61(16), 7043–7064.
[50] Secci D., Carradori S., Bolasco A., Chimenti P. et al (2011), “Synthesis and
selective human monoamine oxidase inhibition of 3-carbonyl, 3-acyl, and 3-
carboxyhydrazido coumarin derivatives”, European journal of medicinal chemistry,
46(10), 4846–4852.
59
[51] Booysen H. P., Moraal C., Terre'Blanche G. et al (2011), “Thio- and
aminocaffeine analogues as inhibitors of human monoamine oxidase”, Bioorganic &
[52] Koch P., Akkari R., Brunschweiger A., Borrmann T. et al (2013), “1,3-Dialkyl-
substituted tetrahydropyrimido[1,2-f]purine-2,4-diones as multiple target drugs for
the potential treatment of neurodegenerative diseases”, Bioorganic & medicinal
chemistry, 21(23), 7435–7452.
[53] Mostert S., Mentz W., Petzer A., Bergh J. J., Petzer J. P. (2012), “Inhibition of
monoamine oxidase by 8-[(phenylethyl)sulfanyl] caffeine analogues”, Bioorganic &
[54] Okaecwe T., Swanepoel A. J., Petzer A., Bergh J. J., Petzer J. P. (2012),
“Inhibition of monoamine oxidase by 8-phenoxymethylcaffeine derivatives”,
Bioorganic & medicinal chemistry, 20(14), 4336–4347.
[55] Song B., Xiao T., Qi X., Li L.N. et al (2012), “Design and synthesis of 8-
substituted benzamido-phenylxanthine derivatives as MAO-B inhibitors”,
Bioorganic & medicinal chemistry letters, 22(4), 1739–1742.
[56] Strydom B., Bergh J. J., Petzer J. P. (2011), “8-Aryl- and alkyloxycaffeine
analogues as inhibitors of monoamine oxidase”, European journal of medicinal
chemistry, 46(8), 3474–3485.
[57] Delogu G. L., Serra S., Quezada E. et al (2014), Monoamine oxidase (MAO)
inhibitory activity: 3-phenylcoumarins versus 4-hydroxy-3-phenylcoumarins,
ChemMedChem, 9(8), 1672–1676.
[58] Carroll R. T., Dluzen D. E., Stinnett H., Awale P. et al (2011), “Structure-activity
relationship and docking studies of thiazolidinedione-type compounds with
monoamine oxidase B”, Bioorganic & medicinal chemistry letters, 21(16), 4798–
4803.
[59] Matos M. J., Vazquez-Rodriguez S., Uriarte E., Santana L., Viña D. (2011),
MAO inhibitory activity modulation: 3-Phenylcoumarins versus 3-
benzoylcoumarins”, Bioorganic & medicinal chemistry letters, 21(14), 4224–4227.
[60] Matos M. J., Vilar S., Gonzalez-Franco R. M. et al (2013), “Novel (coumarin-3-
yl)carbamates as selective MAO-B inhibitors: synthesis, in vitro and in vivo assays,
theoretical evaluation of ADME properties and docking study”, European journal of
medicinal chemistry, 63, 151–161.
60
[61] Mertens M. D., Hinz S., Müller C. E., Gütschow M. (2014), “Alkynyl-
coumarinyl ethers as MAO-B inhibitors”, Bioorganic & medicinal chemistry, 22(6),
1916–1928.
[62] D'Ascenzio M., Carradori S., Secci D., Mannina L. et al (2014), “Identification
of the stereochemical requirements in the 4-aryl-2-cycloalkylidenhydrazinylthiazole
scaffold for the design of selective human monoamine oxidase B inhibitors”,
Bioorganic & medicinal chemistry, 22(10), 2887–2895.
[63] Meiring L., Petzer J. P., Petzer A. (2013), “Inhibition of monoamine oxidase by
3,4-dihydro-2(1H)-quinolinone derivatives”, Bioorganic & medicinal chemistry
letters, 23(20), 5498–5502.
[64] Strydom B., Bergh J. J., Petzer J. P. (2013), “Inhibition of monoamine oxidase
by phthalide analogues”, Bioorganic & medicinal chemistry letters, 23(5), 1269–
1273.
[65] Van der Walt M. M., Terre'Blanche G., Petzer A., Petzer J. P. (2012), “Novel
sulfanylphthalimide analogues as highly potent inhibitors of monoamine oxidase B”,
Bioorganic & medicinal chemistry letters, 22(21), 6632–6635.
[66] Chimenti F., Fioravanti R., Bolasco A., Chimenti P. et al (2009), “Chalcones: a
valid scaffold for monoamine oxidases inhibitors”, Journal of medicinal chemistry,
52(9), 2818–2824.
[67] Legoabe L., Kruger J., Petzer A., Bergh J. J., Petzer J. P. (2011), “Monoamine
oxidase inhibition by selected anilide derivatives”, European journal of medicinal
chemistry, 46(10), 5162–5174.
[68] Desideri N., Fioravanti R., Proietti Monaco L. et al (2013), “1,5-Diphenylpenta-
2,4-dien-1-ones as potent and selective monoamine oxidase-B inhibitors”, European
journal of medicinal chemistry, 59, 91–100.
[69] Berman M. H., Westbrook J., Feng Z., Gilliland G. et al (2000), “The Protein
Data Bank”, Nucleic Acids Research, 28(1), 235–242.
[70] Gealageas R., Devineau A., So P., Kim, C. et al (2018), “Development of Novel
Monoamine Oxidase-B (MAO-B) Inhibitors with Reduced Blood-Brain Barrier
Permeability for the Potential Management of Noncentral Nervous System (CNS)
Diseases”, Journal of medicinal chemistry, 61(16), 7043–7064.
[71] Kirchmair J., Markt P., Distinto S., Wolber G. , Langer T. (2008), “Evaluation
of the performance of 3D virtual screening protocols: RMSD comparisons,
61
enrichment assessments, and decoy selection - What can we learn from earlier
mistakes?”, 22.
[72] RapidMiner Studio 9.7 (2020), RapidMiner Studio, Visual Workflow Designer
for Data Scientists, Inc RapidMiner, 100 Summer Street, Suite 1503, Boston, MA
02110.
[73] https://sourceforge.net/projects/weka/files/weka-3-8/3.8.4/, [Ngày Truy cập:
15/7/2020].
[74] Ojha P. K., Mitra I., Das R. N., Roy K. (2011), "Further exploring rm2 metrics
for validation of QSPR models", Chemometrics and Intelligent Laboratory Systems,
107(1),194-205.
[75] SimulationsPlus. (2019), ADMET Predictor v9.5, Inc. Simulations Plus,
Lancaster, CA, USA.
[76] BioSolveIT (2016), FlexX Protein-Ligand Docker/User & Technical Reference
as Part of LeadIT 2.1, Germany. BioSolveIT GmbH.
[77] Ko H. H., Weng J. R., Tsao L. T., Yen M. H., Wang J. P., Lin C. N. (2004),
“Anti-inflammatory flavonoids and pterocarpanoid from Crotalaria pallida and C.
assamica”, Bioorganic & medicinal chemistry letters, 14(4), 1011–1014.
[78] Baumgartner L., Sosa S., Atanasov A. G. (2011), “Lignan derivatives from
Krameria lappacea roots inhibit acute inflammation in vivo and pro-inflammatory
mediators in vitro”, Journal of natural products, 74(8), 1779–1786.
[79] Boppana K., Dubey P. K., Jagarlapudi S. A., Vadivelan S., Rambabu G. (2009),
“Knowledge based identification of MAO-B selective inhibitors using
pharmacophore and structure based virtual screening models”, European journal of
62
PHỤ LỤC
PHỤ LỤC 1. Tập dữ liệu xây dựng mô hình 2D-QSAR trên các chất ức chế MAO-B
pIC50 pIC50
STT Chất Cấu trúc thực dự
nghiệm đoán
BMC_2010_18
1 6,44 6,21
_1018_5a
BMC_2010_18
2 6,64 6,46
_1018_5b
BMC_2010_18
3 6,66 6,46
_1018_5c
BMC_2010_18
4 6,74 6,22
_1018_5d
BMC_2010_18
5 6,75 6,48
_1018_5e
BMC_2010_18
6 6,78 6,39
_1018_5f
PL-1
BMC_2010_18
7 6,82 6,15
_1018_5g
BMC_2011_19
8 6,65 4,87
_7507_3c
BMC_2011_19
9 4,19 4,87
_7507_3d
BMC_2011_19
10 4,54 4,88
_7507_3f
BMC_2011_19
11 4,61 4,88
_7507_3g
BMC_2011_19
12 4,63 4,86
_7507_3i
BMC_2011_19
13 4,65 4,84
_7507_3j
PL-2
BMC_2011_19
14 4,74 4,90
_7507_3k
BMC_2011_19
15 4,75 5,01
_7507_3l
BMC_2011_19
16 4,75 4,80
_7507_4c
BMC_2011_19
17 4,77 4,69
_7507_4e
BMC_2011_19
18 4,80 4,73
_7507_5a
BMC_2011_19
19 4,84 4,62
_7507_5b
BMC_2012_20
20 5,52 5,74
_4336_3a
PL-3
BMC_2012_20
21 6,83 5,75
_4336_3c
BMC_2012_20
22 5,53 5,75
_4336_3d
BMC_2012_20
23 5,53 5,72
_4336_3e
BMC_2012_20
24 5,72 5,92
_4336_3f
BMC_2012_20
25 6,60 5,75
_4336_3h
BMC_2012_20
26 6,72 5,75
_4336_3i
BMC_2012_20
27 5,73 5,75
_4336_3j
PL-4
BMC_2012_20
28 5,11 5,62
_4336_4a
BMC_2012_20
29 5,16 5,63
_4336_4b
BMC_2012_20
30 5,21 5,63
_4336_4c
BMC_2012_20
31 5,24 5,63
_4336_4d
BMC_2012_20
32 5,24 5,80
_4336_4e
BMC_2012_20
33 5,31 5,55
_4336_4f
BMC_2012_20
34 5,36 5,50
_4336_4g
PL-5
BMC_2012_20
35 5,39 5,63
_4336_4h
BMC_2012_20
36 5,42 5,63
_4336_4i
BMC_2012_20
37 5,75 5,50
_4336_5a
BMC_2012_20
38 5,77 5,51
_4336_5c
BMC_2012_20
39 5,79 5,51
_4336_5d
BMC_2012_20
40 5,86 5,51
_4336_5e
BMC_2012_20
41 7,15 5,17
_7040_1d
PL-6
BMC_2012_20
42 7,37 5,17
_7040_1h
BMC_2012_20
43 7,29 5,10
_7040_1k
BMC_2012_20
44 6,11 6,02
_7040_2a
BMC_2012_20
45 6,33 6,02
_7040_2b
BMC_2012_20
46 5,46 5,77
_7040_2c
BMC_2012_20
47 4,85 5,76
_7040_2d
BMC_2012_20
48 4,86 4,81
_7040_3a
PL-7
BMC_2012_20
49 4,97 4,83
_7040_3b
BMC_2012_20
50 5,02 5,18
_7040_4a
BMC_2012_20
51 6,70 5,18
_7040_4b
BMC_2012_20
52 5,07 4,93
_7040_4c
BMC_2012_22
53 8,35 8,25
_6632_8a
BMC_2012_22
54 8,25 8,53
_6632_8b
BMC_2012_22
55 7,92 8,53
_6632_8c
PL-8
BMC_2012_22
56 8,17 8,25
_6632_8d
BMC_2012_22
57 7,70 7,70
_6632_8e
BMC_2012_22
58 7,96 8,06
_6632_8f
BMC_2012_22
59 8,13 8,07
_6632_8g
BMC_2012_22
60 8,13 8,08
_6632_8h
BMC_2012_22
61 7,52 8,09
_6632_8i
BMC_2012_22
62 8,21 7,69
_6632_8j
BMC_2012_22
63 7,92 7,60
_6632_8k
PL-9
BMC_2013_23
64 7,17 7,89
_1269_6a
BMC_2013_23
65 8,55 8,18
_1269_6b
BMC_2013_23
66 8,62 8,18
_1269_6c
BMC_2013_23
67 8,19 7,90
_1269_6d
BMC_2013_23
68 8,85 8,18
_1269_6e
BMC_2013_23
69 8,74 8,18
_1269_6f
BMC_2013_23
70 8,05 8,11
_1269_6g
BMC_2013_23
71 8,46 8,18
_1269_6h
BMC_2013_23
72 7,33 7,70
_1269_6i
PL-10
BMC_2013_23
73 7,17 8,02
_1269_6j
BMC_2013_23
74 7,19 7,71
_1269_6k
BMC_2013_23
75 7,21 7,60
_1269_6m
BMC_2013_23
76 7,74 7,72
_1269_6n
BMC_2013_23
77 7,21 7,72
_1269_6o
BMC_2013_23
78 7,32 7,72
_1269_6p
BMC_2013_23
79 7,62 7,72
_1269_6q
BMC_2013_23
80 7,82 7,89
_1269_6r
BMC_2013_23
81 6,21 7,17
_5498_4b
PL-11
BMC_2013_23
82 7,07 7,17
_5498_4c
BMC_2013_23
83 7,42 6,65
_5498_5a
BMC_2013_23
84 8,54 6,94
_5498_5c
BMC_2013_23
85 6,72 6,60
_5498_5d
BMC_2013_23
86 6,89 6,55
_5498_5e
EJMC_2011_4
87 6,21 6,06
6_3474_5a
EJMC_2011_4
88 5,91 6,12
6_3474_5b
EJMC_2011_4
89 6,00 6,33
6_3474_5c
PL-12
EJMC_2011_4
90 6,00 6,46
6_3474_5d
EJMC_2011_4
91 6,01 6,46
6_3474_5e
EJMC_2011_4
92 6,08 6,33
6_3474_5f
EJMC_2011_4
93 6,19 6,03
6_3474_5g
EJMC_2011_4
94 6,26 6,09
6_3474_5h
EJMC_2011_4
95 6,42 6,15
6_3474_5i
EJMC_2011_4
96 6,27 6,09
6_3474_5j
EJMC_2011_4
97 6,30 6,24
6_3474_5k
PL-13
EJMC_2011_4
98 6,34 6,10
6_3474_5l
EJMC_2011_4
99 6,40 6,16
6_3474_5m
EJMC_2011_4
100 6,42 6,16
6_3474_5n
EJMC_2011_4
101 7,49 7,31
6_5162_7c
EJMC_2011_4
102 7,59 7,31
6_5162_7d
EJMC_2011_4
103 7,05 6,83
6_5162_7e
EJMC_2011_4
104 7,23 6,83
6_5162_7f
EJMC_2011_4
105 6,39 6,83
6_5162_7g
PL-14
EJMC_2011_4
106 6,54 6,83
6_5162_7h
EODD_2019_1
107 3,88 2,45
4_995_2c
PL-15
PHỤ LỤC 2. 18 chất có điểm số docking âm nhất trên MAO-B từ tập ZINC
Điểm số
pIC50
docking
STT Chất Cấu trúc dự
MAO-B
đoán
(KJ/mol)
1 ZINC08010455 -40,06 8,19
2 ZINC69921624 -39,05 9,26
3 ZINC21285023 -38,54 8,65
4 ZINC01157895 -37,70 8,24
5 ZINC78829248 -36,99 10,19
6 ZINC84350650 -36,04 8,53
PL-16
7 ZINC00613811 -35,92 9,67
8 ZINC05191218 -35,85 9,53
9 ZINC56101098 -35,74 10,07
10 ZINC79651118 -35,73 8,89
11 ZINC77474774 -35,63 8,78
12 ZINC02071516 -35,52 8,82
13 ZINC68570362 -35,41 8,64
PL-17
14 ZINC47435563 -35,40 8,87
15 ZINC13973188 -35,27 10,21
16 ZINC59148702 -35,27 10,33
17 ZINC58283019 -35,07 9,09
18 ZINC07132285 -35,01 9,92
PL-18
ĐẠI HỌC Y DƯỢC CỘNG HÒA XÃ HỘI CHỦ NGHĨA
THÀNH PHỐ HỒ CHÍ MINH VIỆT NAM
KHOA DƯỢC Độc lập – Tự do – Hạnh phúc
TP. Hồ Chí Minh, ngày tháng năm 2020
GIẤY XÁC NHẬN ĐÃ BỔ SUNG, SỬA CHỮA KHÓA LUẬN

THEO Ý KIẾN ĐÓNG GÓP CỦA HỘI ĐỒNG
Tên đề tài khóa luận: NGHIÊN CỨU SÀNG LỌC ẢO CÁC CHẤT ỨC CHẾ
Họ và tên sinh viên: NGUYỄN HOÀNG TIẾN
Giảng viên phản biện: TS. NGUYỄN THỤY VIỆT PHƯƠNG
Khóa luận đã được bổ sung, chỉnh sửa các nội dung sau:
1. Lỗi chính tả và định dạng.
2. Chỉnh sửa trình bày, lỗi xuống dòng, số bảng và số hình.
3. Sửa lại một số thuật ngữ cho phù hợp.
4. Thêm đánh số trang phụ lục.
5. Tài liệu tham khảo.
6. Thêm tương tác acid amin của chất UNPD203145.
Giảng viên phản biện Giảng viên hướng dẫn Chủ tịch hội đồng
XÁC NHẬN CỦA GIẢNG VIÊN HƯỚNG DẪN
CHO PHÉP SINH VIÊN NỘP KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC
Đơn vị: Khoa Dược – Đại học Y Dược Thành phố Hồ Chí Minh
Tên đề tài hướng dẫn: NGHIÊN CỨU SÀNG LỌC ẢO CÁC CHẤT ỨC CHẾ
Sinh viên thực hiện đề tài: NGUYỄN HOÀNG TIẾN
Lớp: Dược chính quy 2015
Mã số sinh viên: D14-265
Tôi xin xác nhận sinh viên Nguyễn Hoàng Tiến đã hoàn thành đề tài và cho phép
nộp khóa luận tốt nghiệp cho Khoa.
Giảng viên hướng dẫn

Nguyễn Hoàng Tiến - MAO-B

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Nguyễn Hoàng Tiến - MAO-B

Uploaded by

Copyright:

Available Formats

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ Y TẾ

ĐẠI HỌC Y DƯỢC THÀNH PHỐ HỒ CHÍ MINH

NGHIÊN CỨU SÀNG LỌC ẢO CÁC CHẤT ỨC CHẾ

KHÓA LUẬN TỐT NGHIỆP DƯỢC SĨ ĐẠI HỌC

Thành phố Hồ Chí Minh - Năm 2020