Professional Documents
Culture Documents
Nguyễn Hoàng Tiến - MAO-B
Nguyễn Hoàng Tiến - MAO-B
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 3.25. 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) ......................................51
Hình 3.26. UNPD13390 (màu xanh lá cây) trong khoang gắn kết của MAO-B và
tương tác với acid amin (điểm số docking -20,63 KJ/mol) ......................................51
Hình 3.27. Tương tác giữa ZINC78829248 với khoang gắn kết của MAO-B (điểm số
docking -36,99 KJ/mol) ............................................................................................52
Hình 3.28. Tương tác giữa ZINC47435563 với khoang gắn kết của MAO-B (điểm số
docking -35,40 KJ/mol) ............................................................................................52
Hình 3.29. Tương tác giữa ZINC59148702 với khoang gắn kết của MAO-B (điểm số
docking -35,27 KJ/mol) ............................................................................................53
Hình 3.30. Tương tác giữa ZINC58283019 với khoang gắn kết của MAO-B (điểm số
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
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 »
2
« Khóa luận tốt nghiệp DSĐH Tổng quan tài liệu »
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
« Khóa luận tốt nghiệp DSĐH Tổng quan tài liệu »
Hình 1.1. Cơ chế các nhóm thuốc điều trị Parkinson [42]
4
« Khóa luận tốt nghiệp DSĐH Tổng quan tài liệu »
5
« Khóa luận tốt nghiệp DSĐH Tổng quan tài liệu »
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
« Khóa luận tốt nghiệp DSĐH Tổng quan tài liệu »
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
« Khóa luận tốt nghiệp DSĐH Tổng quan tài liệu »
8
« Khóa luận tốt nghiệp DSĐH Tổng quan tài liệu »
9
« Khóa luận tốt nghiệp DSĐH Tổng quan tài liệu »
10
« Khóa luận tốt nghiệp DSĐH Tổng quan tài liệu »
11
« Khóa luận tốt nghiệp DSĐH Tổng quan tài liệu »
12
« Khóa luận tốt nghiệp DSĐH Tổng quan tài liệu »
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 »
3D-PHARMACOPHORE
2D-QSAR
ADMET
DOCKING MAO-B
DOCKING MAO-A
14
« Khóa luận tốt nghiệp DSĐH Đối tượng và phương pháp nghiên cứu »
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
1 [48]
2 [49]
3 [50]
15
« Khóa luận tốt nghiệp DSĐH Đối tượng và phương pháp nghiên cứu »
6 [58]
7 [62]
8 [63]
9 [64, 65]
10 [66, 67]
11 [52]
16
« Khóa luận tốt nghiệp DSĐH Đối tượng và phương pháp nghiên cứu »
12 [68]
17
« Khóa luận tốt nghiệp DSĐH Đối tượng và phương pháp nghiên cứu »
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
« Khóa luận tốt nghiệp DSĐH Đối tượng và phương pháp nghiên cứu »
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
- 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
19
« Khóa luận tốt nghiệp DSĐH Đối tượng và phương pháp nghiên cứu »
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
« Khóa luận tốt nghiệp DSĐH Đối tượng và phương pháp nghiên cứu »
Chuẩn bị cơ
sở dữ liệu
Xây dựng
mô hình
2D-QSAR
Đạt
21
« Khóa luận tốt nghiệp DSĐH Đối tượng và phương pháp nghiên cứu »
22
« Khóa luận tốt nghiệp DSĐH Đối tượng và phương pháp nghiên cứu »
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
23
« Khóa luận tốt nghiệp DSĐH Đối tượng và phương pháp nghiên cứu »
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
« Khóa luận tốt nghiệp DSĐH Đối tượng và phương pháp nghiên cứu »
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:
2 +𝑟 ′2
𝑟𝑚
̅̅̅
𝑟𝑚2 = 𝑚
2
25
« Khóa luận tốt nghiệp DSĐH Đối tượng và phương pháp nghiên cứu »
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
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
« Khóa luận tốt nghiệp DSĐH Đối tượng và phương pháp nghiên cứu »
- 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
« Khóa luận tốt nghiệp DSĐH Đối tượng và phương pháp nghiên cứu »
28
« Khóa luận tốt nghiệp DSĐH Đối tượng và phương pháp nghiên cứu »
29
« Khóa luận tốt nghiệp DSĐH Đối tượng và phương pháp nghiên cứu »
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 »
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
« Khóa luận tốt nghiệp DSĐH Kết quả và bàn luận »
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
« Khóa luận tốt nghiệp DSĐH Kết quả và bàn luận »
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
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
« Khóa luận tốt nghiệp DSĐH Kết quả và bàn luận »
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
« Khóa luận tốt nghiệp DSĐH Kết quả và bàn luận »
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
GCUT
_PEOE -0,65 -0,8 1 0,83
_0
PEOE_
0,68 -0,85 -0,68 0,25 -0,88 1 -0,85
VSA+3
35
« Khóa luận tốt nghiệp DSĐH Kết quả và bàn luận »
pIC50 pIC50
Tên chất Giá trị Z-score
thực nghiệm dự đoán
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
« Khóa luận tốt nghiệp DSĐH Kết quả và bàn luận »
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
« Khóa luận tốt nghiệp DSĐH Kết quả và bàn luận »
Đánh
Đánh Đánh giá
Số giá
giá nội Roy
Mô hình chất RMSE R2 ngoại
(N)
Q2 R2pred ̅̅̅
𝑟𝑚2 ∆𝑟𝑚2
38
« Khóa luận tốt nghiệp DSĐH Kết quả và bàn luận »
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
39
« Khóa luận tốt nghiệp DSĐH Kết quả và bàn luận »
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
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
« Khóa luận tốt nghiệp DSĐH Kết quả và bàn luận »
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
« Khóa luận tốt nghiệp DSĐH Kết quả và bàn luận »
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
« Khóa luận tốt nghiệp DSĐH Kết quả và bàn luận »
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
« Khóa luận tốt nghiệp DSĐH Kết quả và bàn luận »
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
« Khóa luận tốt nghiệp DSĐH Kết quả và bàn luận »
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
« Khóa luận tốt nghiệp DSĐH Kết quả và bàn luận »
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)
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
« Khóa luận tốt nghiệp DSĐH Kết quả và bàn luận »
1%
10%
50%
39%
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
« Khóa luận tốt nghiệp DSĐH Kết quả và bàn luận »
Sàng lọc
3.536 chất 17.760 chất ADMET
0 chất Docking MAO-B 2 chất
0 chất 3 chất
5 chất 22 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
« Khóa luận tốt nghiệp DSĐH Kết quả và bàn luận »
pIC50
Điểm số Điểm số
dự
docking docking
Chất Cấu trúc đoán
MAO-B MAO-A
(KJ/mol) (KJ/mol) trên
MAO-B
49
« Khóa luận tốt nghiệp DSĐH Kết quả và bàn luận »
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
« Khóa luận tốt nghiệp DSĐH Kết quả và bàn luận »
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
« Khóa luận tốt nghiệp DSĐH Kết quả và bàn luận »
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.
Hình 3.27. Tương tác giữa ZINC78829248 với khoang gắn kết của MAO-B (điểm số
docking -36,99 KJ/mol)
Hình 3.28. Tương tác giữa ZINC47435563 với khoang gắn kết của MAO-B (điểm số
docking -35,40 KJ/mol)
52
« Khóa luận tốt nghiệp DSĐH Kết quả và bàn luận »
Hình 3.29. Tương tác giữa ZINC59148702 với khoang gắn kết của MAO-B (điểm số
docking -35,27 KJ/mol)
Hình 3.30. Tương tác giữa ZINC58283019 với khoang gắn kết của MAO-B (điểm số
docking -35,07 KJ/mol)
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
« Khóa luận tốt nghiệp DSĐH Kết quả và bàn luận »
Bảng 3.15. So sánh với nghiên cửu của Kiran Boppana và các cộng sự (2009)
Mô hình 2D- Đề tài xây dựng được mô hình Không xây dựng mô hình 2D-
QSAR tốt, dùng để sàng lọc. QSAR.
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 »
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 &
medicinal chemistry, 19(24), 7507–7518.
[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 &
medicinal chemistry, 20(24), 7040–7050.
[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
medicinal chemistry, 44(9), 3584–3590.
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)
PL-16
7 ZINC00613811 -35,92 9,67
PL-17
14 ZINC47435563 -35,40 8,87
PL-18
ĐẠI HỌC Y DƯỢC CỘNG HÒA XÃ HỘI CHỦ NGHĨA
THÀNH PHỐ HỒ CHÍ MINH VIỆT NAM
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
Giảng viên hướng dẫn: PGS. TS. LÊ MINH TRÍ
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
CHỌN LỌC MONOAMIN OXIDASE B
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