T Ổ NG QUAN
Thi ế t b ị Franz
1.1.1 Vai trò c ủ a thi ế t b ị Franz trong thí nghi ệm đo khả năng thẩ m th ấ u qua da
Thử nghiệm đo lường sự giải phóng thuốc là một bước quan trọng trong phát triển sản phẩm thuốc, đặc biệt là xác định kỹ thuật phù hợp với dạng liều và đường phân phối Trong hơn 50 năm qua, độ tan của thuốc đã được sử dụng để thử nghiệm cho các dạng thuốc rắn Gần đây, đối với các sản phẩm thuốc bán rắn, thử nghiệm giải phóng thuốc in vitro (IVRT) đã trở thành một công cụ hữu ích để đánh giá khả năng giải phóng thuốc Tỷ lệ giải phóng in vitro có thể phản ánh hiệu quả tổng hợp của nhiều thông số vật lý và hóa học, như độ hòa tan, kích thước hạt và các đặc tính lưu biến của dạng liều.
Phương pháp IVRT thường áp dụng thiết kế buồng mở, điển hình là hệ thống thiết bị khuếch tán Franz, cho phép sử dụng với màng tổng hợp, cấu trúc mô hoặc mẫu sinh học như da người.
Hình 1.1 Thiết bị Franz và chi tiết các bộ phận
Thiết bị Franz là những công cụ giải phóng riêng biệt, được cấu tạo từ hai phần chính là thủy tinh borosilicate Phần trên, hay còn gọi là nắp thiết bị, buồng cấp hoặc khoang cấp, kết hợp với phần dưới, thường được gọi là thân thiết bị hoặc buồng thụ thể, tạo nên một hệ thống hoàn chỉnh phục vụ cho các nghiên cứu khoa học.
Hình 1.2 Cấu tạo gồm hai phần chính của thiết bị Franz
Buồng trên, hay còn gọi là buồng cấp, được kết nối với buồng dưới, hay buồng thụ thể, thông qua một khớp Màng ngăn, có chức năng thẩm thấu hoặc vận chuyển chất, được đặt ở giữa khớp và được giữ cố định bằng một chiếc kẹp.
Các thiết bị có vỏ bọc cho phép kết nối với nguồn nước để kiểm soát nhiệt độ hiệu quả Trong khi đó, các thiết bị không có vỏ bọc có thể được sử dụng trong máy sấy khô, bồn nước hoặc môi trường có nhiệt độ được kiểm soát Mặc dù giá thành của thiết bị có vỏ bọc cao hơn, nhưng chúng được ưa chuộng hơn nhờ khả năng kiểm soát nhiệt độ dễ dàng.
Các thiết bị Franz thường đi kèm với máy khuấy V-Series Tuy nhiên, khi chỉ sử dụng một thiết bị Franz đơn lẻ cho thí nghiệm in vitro, người dùng có thể thay thế bằng máy khuấy thí nghiệm thông thường.
Tay lấy mẫu, ống dẫn và ống thoát nước nóng của thiết bị Franz tiêu chuẩn được chế tạo từ ống có đường kính ngoài 6mm và độ dày 1,0mm Đường kính bên trong ống khoảng 4mm, với dung sai được nhà sản xuất quy định Các xi lanh được thiết kế tương tự như kích thước kim tiêm.
OD 2mm là kích thước lý tưởng cho việc lấy mẫu từ thiết bị Franz Hiện tại, không có quy chuẩn cụ thể về lượng mẫu cần lấy từ thiết bị này, vì vậy nên lấy một lượng nhỏ nhất có thể để đảm bảo độ chính xác.
1.1.3 Cách ho ạt độ ng c ủ a thi ế t b ị Franz
Các sản phẩm thử nghiệm được đặt trong buồng cấp, nơi màng ngăn tách mẫu thử nghiệm với buồng thụ thể chứa đầy chất trung gian, thường là muối Phosphate Buffered Saline (PBS) Sự thẩm thấu của thuốc bán rắn qua màng được theo dõi bằng cách lấy mẫu từ buồng thụ thể theo thời gian để phân tích, thường sử dụng HPLC Mỗi lần lấy mẫu, chất trung gian sẽ được bổ sung lại, và buồng dưới chứa chất lỏng để lấy mẫu phân tích định kỳ Mục tiêu của thử nghiệm là xác định lượng thẩm thấu qua màng tại các thời điểm cụ thể, với buồng được duy trì ở nhiệt độ 37°C Khả năng thấm của từng chất có thể thay đổi đáng kể, từ 10 đến 50 lần, và kết quả từ thiết bị Franz không nhất thiết dự đoán hiệu quả của cấu trúc, mà có thể xác định liệu cấu trúc đó có tác nhân hoạt động qua da hay không.
Tính th ấ m qua da
1.2.1 Khó khăn khi nghiên c ứ u kh ả năng th ẩ m th ấ u qua da
Lớp sừng là rào cản chính đối với khả năng thẩm thấu qua da, với sự xâm nhập của các hợp chất phụ thuộc vào cấu trúc hóa học của chúng Nhiều yếu tố khác cũng ảnh hưởng đến sự thẩm thấu này, bao gồm cách sử dụng hoặc tiếp xúc với các hợp chất trên bề mặt da, các phương pháp thay đổi tính chất của lớp sừng, quy trình trong mô và các yếu tố sinh học Lớp sừng, nằm ở bề mặt ngoài của da, là lớp tế bào chết chứa keratin và được bao quanh bởi hệ thống ngoại bào giàu lipid.
Lớp sừng của da có độ dày từ 7–16 µm ở hầu hết các vùng cơ thể, nhưng dày lên đến 400–600 µm ở lòng bàn tay và bàn chân Thành phần của lớp sừng chứa 40% protein, trong đó 80% là keratin Loại và lượng lipid trong lớp sừng thay đổi theo từng vùng cơ thể, điều này ảnh hưởng đáng kể đến tính thấm qua da.
Nhiều nỗ lực đã được thực hiện để phát triển các phương pháp tiếp cận thực nghiệm trong việc đo lường sự hấp thu qua da Hiện nay, hầu hết dữ liệu được thu thập từ các thí nghiệm in vitro, trong khi dữ liệu in vivo chủ yếu được lấy từ các xét nghiệm sinh học Tỷ lệ chuyển hóa qua da của các loại thuốc thường được nghiên cứu nhiều nhất thông qua các thí nghiệm in vitro, vì phương pháp này đơn giản hơn so với các phép đo lâm sàng.
Mức độ thẩm thấu có thể được đo qua ba phương pháp chính: đầu tiên là sự chuyển hóa thuốc trong cơ thể động vật hoặc con người thử nghiệm; thứ hai là sử dụng da được cắt bỏ từ người hoặc động vật; và thứ ba là áp dụng mô hình màng tổng hợp trong các thí nghiệm in vitro.
Da người được lấy từ nhiều nguồn khác nhau, bao gồm phẫu thuật thẩm mỹ và cắt bớt, và đã được sử dụng trong thí nghiệm in vitro Da từ các loài động vật như lợn, chuột, rắn và thỏ thường được chọn làm thay thế cho da người, trong đó da lợn và chuột được sử dụng phổ biến nhất do có nhiều điểm tương đồng với da người Mặc dù da động vật cho thấy khả năng thẩm thấu hóa chất tốt trong nghiên cứu, nhưng nó không thể hiện sự phức tạp của lớp sừng như ở da người.
1.2.2 Các phương pháp đánh giá khả năng thẩ m th ấ u c ủ a các ch ấ t hóa h ọ c qua da
Các phương pháp ex vivo và in vitro để thử nghiệm tính thẩm thấu của da đã được thiết lập và công bố rộng rãi, được ứng dụng phổ biến trong nhiều lĩnh vực nghiên cứu Da người từ nhiều nguồn khác nhau, bao gồm phẫu thuật thẩm mỹ và phẫu thuật cắt bỏ, đã được sử dụng để đánh giá khả năng thẩm thấu qua da theo phương pháp ex vivo Ngoài ra, việc sử dụng các loại da động vật khác nhau cũng là một phương pháp chấp nhận phổ biến trong các nghiên cứu này.
Da lợn và chuột đã trở thành những lựa chọn phổ biến trong nghiên cứu và ứng dụng thay thế cho da người, nhờ vào khả năng thẩm thấu tương tự Những loài động vật như khỉ và rắn cũng được xem xét, nhưng da lợn và chuột thường được ưa chuộng hơn do các rào cản thẩm thấu của chúng gần giống với da người.
Mặc dù da động vật có khả năng cung cấp các đặc tính rào cản và thẩm thấu tương tự như da người, nhưng chúng không thể hoàn toàn tái hiện sự phức tạp của da người, đặc biệt là tính chất rào cản của lớp sừng Do đó, nhiều nhà nghiên cứu đã nỗ lực phát triển da nhân tạo với các đặc điểm tương đương nhằm khắc phục những vấn đề này.
Một số loại da nhân tạo đã được áp dụng thành công trong cấy ghép da và điều trị phẫu thuật bỏng Da nhân tạo có cấu trúc với các vùng ưa nước và kỵ nước, mang lại đầy đủ đặc điểm của lớp sừng trên da người.
Các mô hình tương đương với da người (LSEs) được sử dụng để đánh giá khả năng thẩm thấu qua da, bao gồm các màng da như biểu bì tái tạo từ nuôi cấy mô, là phương pháp thay thế cho mô động vật Mặc dù các mô này có cấu trúc yếu hơn và ít rào cản hơn so với da người do hàm lượng Ceramide 1 và 3 thấp hơn, một số nghiên cứu cho thấy chúng có thể cung cấp các đặc điểm thẩm thấu tương tự Tuy nhiên, trong nhiều trường hợp, khả năng thẩm thấu qua da của chúng lại vượt quá ước lượng thực tế.
Khi không có da người hoặc da động vật, màng tổng hợp thường được sử dụng thay thế, đặc biệt trong các thí nghiệm sàng lọc với quy mô lớn Hai loại màng nhân tạo phổ biến là polydimethylsiloxan (PDMS) và cellulose axetat Màng PDMS được biết đến với khả năng rào cản đồng nhất, tương tự như lớp sừng của da, trong khi màng cellulose axetat mô phỏng tính thẩm thấu của tế bào nhờ cấu trúc xốp giống như các đường nước và nang trong da Tuy nhiên, cả hai loại màng này thường làm tăng đáng kể khả năng thẩm thấu của các chất.
Nghiên cứu về khả năng thẩm thấu qua da thường gặp rào cản trong việc xác định chính xác Để đánh giá mối quan hệ giữa các phương pháp khác nhau, cần so sánh khả năng thẩm thấu tương đối qua các màng của cùng một hợp chất Tuy nhiên, hiện tại có rất ít dữ liệu so sánh cho mục đích này Để giải quyết vấn đề này, có thể sử dụng mối quan hệ định lượng giữa cấu trúc và tác dụng dựa trên các dữ liệu có sẵn Các mối quan hệ định lượng cấu trúc-tác dụng (QSARs) cho phép thống kê khả năng thẩm thấu qua da của nhiều hóa chất ngoại sinh dựa trên các thông số hóa lý đã được xác định thực nghiệm Mặc dù vậy, việc phát triển mô hình thống kê vẫn gặp phải một số phản đối do những hạn chế và cần cân nhắc một số yếu tố khi xây dựng.
1.2.3 M ố i quan h ệ định lượ ng c ấ u trúc-tác d ụ ng (QSAR) và kh ả năng th ẩ m th ấ u qua da
Mô hình QSAR (Quantitative Structure-Activity Relationship) thống kê mối liên hệ giữa hoạt tính sinh học của các hợp chất và tính chất hóa lý hoặc cấu trúc của chúng Mô hình này cung cấp các phương pháp tiên đoán nhằm ước lượng hoạt động sinh học của các chất được nghiên cứu Trong hơn một thế kỷ qua, lĩnh vực QSAR chủ yếu tập trung vào tối ưu hóa hoạt động của thuốc và dự đoán độc tính Luận văn này hướng đến việc nghiên cứu khả năng thẩm thấu qua da của các chất.
Khả năng thẩm thấu của một hợp chất qua da được xác định thông qua nhiều phương pháp khác nhau Một trong những phương pháp quan trọng là định luật Fick, trong đó bao gồm các yếu tố như lưu lượng và hệ số thấm.
Kp: Hệ số thẩm thấu
∆C m : Chênh lệch nồng độ giữa 2 bên của màng t: Độ dày của màng
1.2.4 Quá trình phát tri ể n c ủ a QSAR trong nghiên c ứ u tính th ấ m qua da
Trong hơn ba mươi năm qua, nhiều nghiên cứu đã được tiến hành để khám phá tính thấm của các hợp chất qua da, tập trung vào mối liên hệ giữa tính chất hóa lý của chúng và khả năng thẩm thấu.
T ổ ng quan v ề m ố i quan h ệ định lượ ng c ấ u trúc-tác d ụ ng c ủ a h ợ p ch ấ t (QSAR)
B ả ng 1.2 Các nghiên cứu về khảnăng thẩm thấu qua da của các hợp chất được công bố sau 1990
Tên tác giả Số chất R 2 Mô hình
Potts và Guy 93 0,67 Tuyến tính
Pugh và Hadgraft 24 0,935 Tuyến tính
Lien và Gao 22 0,96 Tuyến tính
Potts và Guy 37 0,94 Tuyến tính
Hostynek and Magee 20 0,80 Tuyến tính
Roy và cộng sự 60 0,64 Tuyến tính
Abraham và cộng sự 53 0,96 Tuyến tính
Gute và cộng sự 60 0,67 Tuyến tính
Minghetti và cộng sự 14 0,749 Tuyến tính
Dearden và cộng sự 91 0,83 Tuyến tính
Poulin và Krishnan 47 0,95 Mô hình dựa trên K p
Ghafourian và Fooladi 39 0,94 Tuyến tính
Gonzalez và Helguera 38 0,92 Tuyến tính
Pannier và cộng sự 37 0,97 Lôgic mờ
Pannier và cộng sự 54 0,95 Lôgic mờ
Degim và cộng sự 38 0,997 ANN
Moody và MacPherson 65 0,89 Tuyến tính
Majumdar và cộng sự 62 0,934 Tuyến tính
1.3 Tổng quan về mối quan hệ định lƣợng cấu trúc-tác dụng của hợp chất (QSAR)
1.3.1 Khái ni ệ m và nguyên lý chung c ủ a QSAR
QSAR là một phương pháp định lượng thể hiện mối liên hệ giữa cấu trúc phân tử và hoạt tính sinh học hoặc hóa học của các hợp chất Phương pháp này giúp dự đoán hoạt tính dựa trên các đặc điểm cấu trúc của phân tử, từ đó hỗ trợ trong nghiên cứu và phát triển thuốc cũng như các ứng dụng hóa học khác.
Y = f1(x1) + f2(x2) + + fn(xn), trong đó Y đại diện cho biến đáp ứng sinh học hoặc hóa học, thường được thu thập từ các thí nghiệm và được biểu thị bằng giá trị log Kp Ở đây, Kp là hệ số thẩm thấu qua da, cho thấy mối quan hệ giữa các biến độc lập và kết quả sinh học hoặc hóa học.
Các tham số phân tử (molecular descriptors) như x1, x2,… xn được sử dụng để mô tả cấu trúc phân tử của hợp chất và hiện nay đã có hàng ngàn tham số này được áp dụng trong nghiên cứu xây dựng mô hình QSAR Những tham số này có thể được thu thập thông qua các phương pháp thực nghiệm hoặc tính toán lý thuyết bằng các phần mềm chuyên dụng như Dapt, Dragon, Padell, MOE và Hyperchem.
Mô hình QSAR được phát triển dựa trên nguyên lý rằng cấu trúc của mỗi phân tử chứa các yếu tố quyết định đặc tính sinh học, vật lý và hóa lý của nó Do đó, các hợp chất có cấu trúc tương tự thường thể hiện hoạt tính tương đồng.
Từ năm 1868, Crum-Brown và Fraser đã đưa ra nhận định tác dụng sinh học là hàm số của cấu trúc hóa học:
f (C) Đến năm 1893, Richet đã rằng sự khác nhau về tác dụng sinh học là do sự thay đổi về tính chất hóa học hay lý hóa [33]:
f (C) Đây là hai tư tưởng nền tảng để thiết lập các mô hình QSAR sau này
Năm 1900, Meyer và Overton tìm ra mối quan hệ tuyến tính giữa mức độ thân dầu và hoạt tính của thuốc gây mê [29]
Và đến năm 1935, phương trình Hammett ra đời, được coi là phương trình đầu tiên biểu diễn mối quan hệđịnh lượng hoạt tính-cấu trúc [29]:
Với K, Ko là hằng số acid, là hằng số Hammett (thông sốhóa lý đặc trưng cho khả năng hút hoặc đấy điện tử của nhóm thế)
Từ những năm 1960, Corwin Herman Hansch đã nghiên cứu và phát triển mô hình QSAR, một phương trình hồi quy đa tham số Mô hình QSAR Hansch thể hiện mối quan hệ giữa hoạt tính sinh học và các thông số hóa lý, đóng vai trò quan trọng trong lĩnh vực hóa học và dược phẩm.
Trong bài viết này, các ký hiệu được sử dụng bao gồm: C đại diện cho đáp ứng sinh học; là hằng số thế kỵ nước; là hằng số thế Hammett; Es là hằng số thế Taft; và k 1, k 2, k 3, k 4, k 5 là các hệ số phân tích hồi quy.
Kể từ đó, số lượng nghiên cứu về việc xây dựng các mô hình QSAR đã tăng đột biến, với nhiều phương pháp xây dựng và ứng dụng mô hình QSAR trở nên đa dạng hơn bao giờ hết.
1.3.2 Xây d ựng và đánh giá mô hình QSAR
Mô hình QSAR được xây dựng và đánh giá gồm 5 bước như sau:
Bước 1: Chuẩn bịcơ sở dữ liệu
Cơ sở dữ liệu (CSDL) cho các mô hình QSAR thường bao gồm thông tin về hoạt tính, độc tính và đặc tính dược động học của các hợp chất từ các nghiên cứu khoa học, tạo thành một dữ liệu toàn cầu CSDL của một mô hình QSAR cụ thể sẽ chứa cấu trúc phân tử và hoạt tính của các chất, trong đó hoạt tính thường được xác định qua thực nghiệm in vitro.
CSDL ban đầu được phân chia thành hai phần: tập huấn luyện và tập kiểm nghiệm Tập huấn luyện, chiếm 80-90% tổng thể CSDL, được sử dụng để xây dựng mô hình QSAR Trong khi đó, tập kiểm nghiệm đóng vai trò quan trọng trong việc đánh giá hiệu suất của mô hình.
Bước 2: Tính toán tham số phân tử
Cấu trúc phân tử của hợp chất có thể được tạo ra bằng các phần mềm như Chemdraw hoặc thông qua các chức năng tích hợp trong các phần mềm QSAR chuyên dụng Từ những cấu trúc này, các tham số phân tử (TSPT) mô tả thông tin cấu trúc 1D, 2D và 3D của hợp chất sẽ được tính toán bằng phần mềm máy tính.
Hiện nay, một số phần mềm phổ biến được sử dụng để tính toán các Thông số cấu trúc phân tử (TSPT) bao gồm Dragon, Padell, MOE và Hyperchem Sự phát triển của phương pháp QSAR đã dẫn đến việc tính toán ngày càng nhiều nhóm TSPT, giúp mô tả chi tiết và chính xác hơn cấu trúc của các hợp chất Phiên bản cập nhật Dragon 7.0 (2017) có khả năng tính toán lên đến 5270 TSPT.
Các TSPT có thểđược phân loại thành 3 nhóm như sau:
Tham số phân tử 1D bao gồm các thông số như khối lượng phân tử, số nhóm thế và số nguyên tử carbon, có thể thu được từ công thức tổng quát của hợp chất Ngoài ra, các tham số này cũng có thể được tính toán từ sự tổng hợp các nguyên tử thành phần, chẳng hạn như chỉ số khúc xạ và độ phân cực Trong số đó, hệ số phân bố n-octal/nước là tham số quan trọng thường được sử dụng để đánh giá sinh khả dụng và khả năng thấm qua màng tế bào của hợp chất.
Tham số phân tử 2D là những yếu tố quan trọng để mô tả hình dạng và trật tự liên kết của các nguyên tử trong cấu trúc hợp chất Các tham số này bao gồm số lượng liên kết π-π, số vòng thơm và số liên kết hydro (H).
Tham số phân tử 3D là những yếu tố quan trọng mô tả cấu trúc không gian của hợp chất, được xác định dựa trên hệ trục tọa độ của các nguyên tử thành phần Các tham số này bao gồm mô men lưỡng cực, diện tích bề mặt cực và thể tích van der Waals, giúp hiểu rõ hơn về tính chất và hành vi của các phân tử trong không gian.
Để xây dựng mô hình QSAR một cách hiệu quả và đáng tin cậy, bước xử lý số liệu ban đầu là rất quan trọng Công việc này bao gồm việc loại bỏ các giá trị ngoại lai, chuẩn hóa đơn vị và chuyển đổi hàm thức như logarit hóa, mũ hóa hay nghịch đảo Những bước này giúp loại bỏ các yếu tố gây nhiễu, từ đó nâng cao độ chính xác trong quá trình xây dựng mô hình.
Bước 4: Xây dựng mô hình QSAR
NGUYÊN LI ỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨ U
Cơ sở d ữ li ệ u
Cơ sở dữ liệu (CSDL): gồm 93 hợp chất lựa chọn từ dữ liệu trên các bài báo đãđược công bố [6, 9, 12, 16, 27, 30]
B ả ng 2.1 Giá trị log K p các hợp chất xây dựng mô hình QSAR
Phần mềm sử dụng
- Phần mềm vẽ cấu trúc hóa học: Marvin Sketch 17.27, ChemDraw Pro 8.0
- Phần mềm tính toán TSPT: Dragon 6.0
- Phần mềm xây dựng mô hình QSAR: MobyDigs Professional 1.1
- Phần mềm xử lý số liệu: SPSS 22.0, Excel 2010.
Phương pháp nghiên cứu
2.2.1 Tính toán tham số mô tả phân tử
Tham số mô tả phân tử là kết quả của quá trình toán học và logic, chuyển đổi thông tin từ cấu trúc hóa học thành các số đặc trưng cho phân tử Để tính toán, tất cả các cấu trúc trong cơ sở dữ liệu được chuyển đổi thành hệ thống đơn giản hóa, với đầu vào được biểu diễn dưới dạng dòng SMILES thông qua phần mềm ChemDraw Pro 8.0 Dựa trên các mã code, 3764 mô tả phân tử thuộc họ 0D, 1D và 2D đã được tính toán bằng phần mềm Dragon phiên bản 6.0.
Tham số mô tả phân tử là giá trị thu được từ quá trình toán học và lôgic để chuyển đổi thông tin mã hóa trong cấu trúc hóa học Trong nghiên cứu này, các tham số này được tính toán thông qua phần mềm Dragon.
Dragon là phần mềm nghiên cứu hóa tin và thiết kế thuốc, được phát triển bởi công ty Talete của Italia vào năm 1993 Phần mềm này có khả năng tính toán hơn 5000 thông số phân tử khác nhau, với các mô tả phân tử được phân loại theo chiều thông tin cấu trúc Các tham số 0D mô tả thành phần cấu tạo như số lượng nguyên tố C, N, trong khi tham số 1D thể hiện cấu trúc dưới dạng chuỗi và các vân tay cấu trúc Tham số 2D mô tả cấu trúc hình học topo, giúp xác định vị trí và thứ tự của các nguyên tố trong phân tử dựa trên lý thuyết graph Cuối cùng, tham số 3D cung cấp thông tin về đặc điểm cấu trúc không gian của phân tử.
V NU các phương pháp lý thuyết như MoRSE, GETAWAY, tính toán lượng tử, mô tả bề mặt hoặc thể tích phân tử
Trong nghiên cứu này, chúng tôi đã chọn sử dụng tham số phân tử 2D để mô tả cấu trúc các hợp chất Lý do là vì mô tả phân tử 2D không yêu cầu thông tin về cấu trúc 3D, đồng thời có tính ổn định cao hơn Các hợp chất mô tả dưới dạng 3D thường có độ linh động về cấu dạng, điều này làm cho mô tả 2D trở thành lựa chọn ưu việt hơn.
2.2.2 Phân chia t ậ p hu ấ n luy ệ n / T ậ p ki ể m tra
Sau khi hoàn tất việc tính toán mô tả phân tử, 93 chất trong cơ sở dữ liệu đã được chia ngẫu nhiên thành hai tập: tập huấn luyện (Tr - training set) và tập kiểm tra (Te - test set).
Tập huấn luyện gồm 77 chất, chiếm 83,8% cơ sở dữ liệu, được sử dụng để xây dựng mô hình và phát hiện mối quan hệ có khả năng dự đoán Trong khi đó, tập kiểm tra bao gồm các phân tử mà mô hình chưa từng gặp, nhằm đánh giá độ mạnh và khả năng ngoại suy của các mô hình đã được xây dựng.
2.2.3 Xây d ự ng mô hình QSAR
Xây dựng mô hình QSAR cho các nhóm chất và đích tác dụng khác nhau thường trải qua năm bước cơ bản, được tóm tắt trong hình 2.1 [40].
Hình 2.1 Các bước xây dựng mô hình QSAR
Tập huấn luyện gồm 83,8% số hợp chất trong CSDL được lựa chọn ngẫu nhiên để xây dựng mô hình QSAR Các hợp chất còn lại được xếp vào
Chuẩn bị cơ sở dữ liệu
Tính toán tham số phân tử
Xây dựng mô hình QSAR Đánh giá mô hình QSAR
Phương pháp hồi quy đa biến tuyến tính (MLR) được thực hiện bằng phần mềm SPSS 22.0, trong khi việc lựa chọn TSPT được thực hiện thông qua thuật giải di truyền (Genetic algorithm) sử dụng phần mềm MobyDigs Professional 1.1 Cuối cùng, các mô hình sẽ được đánh giá để xác định mô hình tốt nhất.
Sử dụng phần mềm MobyDigs Professional 1.1 để lựa chọn tham số phân tử qua phương pháp thuật giải di truyền, sau đó xây dựng mô hình QSAR trên tập huấn luyện bằng phương pháp hồi quy tuyến tính đa biến (MLR) với phần mềm SPSS 22.0 nhằm xác định mối tương quan giữa hoạt tính ức chế và các tham số mô tả phân tử từ Dragon.
Khi lựa chọn TSPT phù hợp, không cần đưa tất cả các biến vào mô hình Việc thêm biến độc lập có thể làm tăng hệ số tương quan R², nhưng chỉ có giá trị khi chúng có mối liên hệ mạnh với biến phụ thuộc Mô hình lý tưởng là mô hình có Q² cao nhất Để chọn mô hình với các biến tối ưu, hãy sử dụng thuật giải di truyền thông qua phần mềm MobyDigs Professional 1.1.
Thuật giải di truyền sử dụng nguyên tắc chọn lọc tiến hóa tự nhiên, trong đó mỗi thế hệ mới tạo ra các sinh vật bằng cách kết hợp các yếu tố thích nghi với môi trường từ thế hệ trước, cùng với những đột biến ngẫu nhiên Thuật toán này mã hóa các tham số của cấu trúc ban đầu thành một nhiễm sắc thể, được biểu diễn dưới dạng một vector.
Từ nhiễm sắc thể ban đầu, một quần thể được tạo ra ngẫu nhiên và đánh giá để lựa chọn các nhiễm sắc thể có hàm mục tiêu Q2 cao nhất Quy trình này giúp tăng Q2 của toàn bộ nhiễm sắc thể bằng cách truyền các đặc tính cấu trúc thuận lợi giữa các quần thể Sau nhiều chu kỳ tìm kiếm và đánh giá, cuối cùng sẽ tìm được một nhiễm sắc thể phù hợp với giá trị Q2 cao nhất.
Các bước thực hiện thuật giải di truyền:
Khởi tạo một quần thể ban đầu từ file.mdd, chứa dữ liệu về tên và mô tả phân tử được tính toán bằng phần mềm Dragon 6.0, cùng với giá trị log Kp của các hợp chất trong tập huấn luyện.
(2): Xác định hàm mục tiêu (fitness) cho mỗi cá thể trong quần thể Hàm mục tiêu trong nghiên cứu này là giá trị Q 2
Quá trình tạo ra quần thể mới được thực hiện bằng cách lai ghép chéo các cá thể hiện có thông qua phương pháp chọn lọc, đồng thời tạo ra các đột biến trong quần thể mới với xác suất nhất định Điều này được thực hiện thông qua việc cài đặt giải thuật di truyền.
(4): Các cá thể trong quần thể mới được sinh ra thay thế cho các cá thể trong quần thể cũ.
(5): Nếu điều kiện dừng, giải thuật dừng lại và trả về cá thể tốt nhất cùng với giá trị hàm mục tiêu của nó
Lập mô hình hồi quy đa biến tuyến tính (MLR) bằng phần mềm SPSS 22.0 là một phương pháp phổ biến trong nghiên cứu, cho phép xác định mối quan hệ tuyến tính giữa biến phụ thuộc (Y) và nhiều biến độc lập (x) Trong nghiên cứu này, các biến độc lập x đại diện cho các TSPT đặc trưng cho cấu trúc hợp chất trong cơ sở dữ liệu, trong khi biến phụ thuộc Y là giá trị log Kp, với Kp là hệ số thẩm thấu qua da Phân tích hồi quy không chỉ giúp ước tính các giá trị mà còn cung cấp cái nhìn sâu sắc về mối quan hệ giữa các biến.
K Ế T QU Ả VÀ BÀN LU Ậ N
K ế t qu ả
3.1.1 Mô hình toán h ọc thu đượ c
Mô hình QSAR (Quantitative Structure-Activity Relationship) thể hiện mối liên hệ định lượng giữa cấu trúc và hoạt tính của các hợp chất thông qua một phương trình toán học QSAR áp dụng các TSPT, kỹ thuật xác suất thống kê và trí tuệ nhân tạo để phát triển các mô hình Giả thuyết cơ bản của QSAR là cấu trúc phân tử chứa những đặc điểm cấu trúc liên quan đến tính chất hóa học, vật lý và sinh học Nhờ vào các mô hình QSAR, hoạt tính sinh học của các phân tử mới hoặc chưa được kiểm nghiệm có thể được dự đoán dựa trên cấu trúc của các hợp chất tương tự đã được nghiên cứu.
Phương pháp QSAR là kỹ thuật xây dựng mô hình toán học để dự đoán hoạt tính của các hợp chất dựa trên cấu trúc hóa học của chúng QSAR cho phép dự đoán kết quả của các thử nghiệm trước khi tiến hành trong phòng thí nghiệm, cung cấp thông tin quan trọng về khả năng của một thử nghiệm cụ thể Nhờ vào khả năng này, QSAR giúp xác định các yếu tố liên quan và thiết lập thứ tự ưu tiên cho các chất mới trong quá trình thử nghiệm.
Mô hình QSAR được phát triển dựa trên 93 hợp chất trong cơ sở dữ liệu Cấu trúc hóa học của các hợp chất này được trình bày trong phụ lục, cùng với giá trị log Kp của chúng.
CSDL được trình bày trong bảng 2.1, với 3764 TSPT cho mỗi phân tử được tính toán bằng phần mềm Dragon 6.0 Sau khi loại bỏ TSPT gây nhiễu, còn lại 1152 TSPT được kiểm tra mối quan hệ phi tuyến với biến đáp ứng log Kp Sử dụng chức năng lựa chọn ngẫu nhiên của SPSS 22.0, 77 hợp chất được chọn vào tập huấn luyện, trong khi 16 hợp chất còn lại được đưa vào tập kiểm nghiệm Các mô hình QSAR được xây dựng trên tập huấn luyện bằng các phương pháp MLR và GA đã cho ra kết quả đáng chú ý.
Kết quả mô hình MLR xây dựng được như sau:
Log K p = -2.49869 - 3.18926 x nR07 - 0.06478 x CATS2D_04_LL - 0.97246 x B03[O-O] + 1.25602 x B06[N-O] - 0.19308 x F02[C-N] + 0.50869 x MLOGP Đơn vị Kp: cm/h
Thông số thống kê của 10 mô hình tốt nhất được tóm tắt trong bảng 3.1
B ả ng 3.1 Thông số thống kê của các mô hình QSAR log K p
Ký hiệu mô hình R 2 Q 2 Q 2 ext
Cả 10 mô hình đều đáp ứng các tiêu chí thống kê với các thông số R², Q² và Q² ext đạt yêu cầu Đặc biệt, mô hình M2 nổi bật với độ chính xác và độ bền vững cao, thể hiện qua các giá trị R², Q² và Q² ext cao nhất, đồng thời đảm bảo tính chính xác và độ tin cậy trong đánh giá ngoại.
Thông số mô hình M2 tốt nhất:
Mô hình đạt R² = 0,84, cho thấy độ chính xác cao, vượt mức tối thiểu 0,6 Q² = 0,79 chỉ ra độ ổn định tốt và khả năng dự đoán nội chính xác Khả năng dự đoán ngoại đạt 73,56%, chứng tỏ mô hình có khả năng dự đoán hoạt tính hiệu quả.
Như vậy mô hình thoả mãn các tiêu chí đánh giá nội và ngoại về độ chính xác, độổn định và khảnăng dự đoán tốt
3 1.3 Đánh giá mô hình theo 5 tiêu chí củ a OECD
Tiêu chí 1: Có đích cụ thể
Mục đích của tiêu chí này là đảm bảo rằng mô hình QSAR được xây dựng để dự đoán giá trị log Kp cho một tác dụng và hoạt tính cụ thể trong điều kiện nhất định Các mô hình này nhằm dự đoán khả năng thẩm thấu qua da của các chất dựa trên cấu trúc phân tử, với đơn vị của giá trị Kp là cm/h.
Tiêu chí 2: Thuật toán rõ ràng
Tiêu chí này đảm bảo rằng mô hình QSAR được phát triển dựa trên một thuật toán cụ thể, điều này rất quan trọng để đảm bảo tính lặp lại của mô hình.
Một số mô hình thương mại hóa không công bố thuật toán sử dụng, điều này có thể tạo ra rào cản pháp lý do kết quả không thể được công bố độc lập Đánh giá được thực hiện với các TSPT từ phần mềm Dragon 6.0, với các mô hình được xây dựng dựa trên thuật toán MLR, một phương pháp thống kê phổ biến trong xây dựng các mô hình QSAR.
Để đạt được khả năng dự đoán chính xác trong sàng lọc ảo, việc xác định miền cấu trúc ứng dụng của mô hình QSAR là rất quan trọng Miền ứng dụng này bao gồm không gian cấu trúc mà mô hình đã được xây dựng Chỉ những dự đoán liên quan đến các hợp chất có cấu trúc nằm trong miền này mới được coi là đáng tin cậy.
Miền ứng dụng được xác định dựa trên mối quan hệ giữa phần dư chuẩn và giá trị đòn bẩy (h) của từng hợp chất Biểu đồ (Hình 3.1) minh họa mối liên hệ này, trong đó chỉ số h phản ánh ảnh hưởng của chất đến không gian cấu trúc của biến Giá trị giới hạn h*, được tính bằng công thức h* = 3p/N (với p là số biến độc lập và N là số lượng quan sát), đóng vai trò quan trọng trong việc tham chiếu các dự đoán từ mô hình QSAR Miền ứng dụng được xác định trong khoảng ± 3 phần dư chuẩn và h* bằng 0.6.
Standerized residuals (Te) Standerized residuals (Tr)
Stan d er iz e d R es idua ls
Mô hình QSAR được áp dụng để đánh giá các chất, và sau khi tính toán tập huấn luyện, tất cả 77 hợp chất đều nằm trong miền ứng dụng Đối với tập kiểm tra, toàn bộ 16 hợp chất cũng nằm trong miền này.
V NU nằm trong miền ứng dụng, do đó có thể thấy các dự đoán của mô hình đối với tập kiểm tra là hoàn toàn đáng tin cậy
Tiêu chí 4 yêu cầu có thước đo phù hợp để đánh giá độ chính xác, độ bền vững và khả năng dự đoán của mô hình QSAR Các giá trị R², Q² và khả năng dự đoán nội, ngoại là những thước đo phổ biến được các nhà nghiên cứu QSAR sử dụng để đánh giá chất lượng mô hình Kết quả cho thấy các mô hình xây dựng không chỉ đạt yêu cầu thống kê mà còn đảm bảo tính chính xác và bền vững với R² = 0.8438 và Q² = 0.7894, đồng thời có độ chính xác dự đoán nội và ngoại cao với Q² ext = 0.7356.
Tiêu chí 5 yêu cầu giải thích cơ chế tác dụng nếu có thể, nhưng không bắt buộc Các nhà nghiên cứu QSAR cho rằng mô hình QSAR không luôn luôn chỉ ra được cơ chế tác dụng, điều này không có nghĩa là mô hình đó không thể áp dụng Tiêu chí này nhằm đảm bảo rằng nếu mô hình chỉ ra cơ chế tác dụng cụ thể, thì cần được công bố cùng với mô hình Mục tiêu nghiên cứu này là xây dựng các mô hình QSAR dự đoán khả năng thẩm thấu qua da dựa trên cấu trúc phân tử, không nhằm phân tích cơ chế tác dụng.
Bàn lu ậ n
QSAR (Quantitative Structure-Activity Relationship) hiện đang được ứng dụng rộng rãi trong các lĩnh vực như dược phẩm, y học và hóa học Kỹ thuật này kết hợp các thông tin về cấu trúc phân tử, phương pháp thống kê và trí tuệ nhân tạo để phát triển các mô hình dự đoán Các mô hình này thường được xây dựng thông qua hồi quy đa biến tuyến tính, giúp tối ưu hóa quá trình nghiên cứu và phát triển sản phẩm.
Với việc sử dụng giải thuật di truyền, V NU đã chọn lựa các tham số phân tử nhằm tối ưu hóa mô hình Phương pháp này cho phép xác định mô hình tốt nhất để biểu thị mối quan hệ giữa biến đáp ứng và các tham số phân tử.
Mô hình xây dựng giúp tối ưu hóa thời gian và chi phí trong nghiên cứu và phát triển thuốc Dựa trên cơ sở dữ liệu các hợp chất đã công bố, chúng ta có thể nhanh chóng xác định các hợp chất phù hợp cho các mục tiêu nghiên cứu tiếp theo.
Mô hình QSAR gặp một số hạn chế, bao gồm việc dữ liệu thu thập từ nhiều bài báo khác nhau có thể dẫn đến sai số trong quá trình xây dựng Việc giải thích các biến TSPT cũng gặp khó khăn do cơ chế phức tạp, đòi hỏi hiểu biết sâu về hóa lượng tử Hơn nữa, thiếu tài liệu tham khảo làm hạn chế khả năng giải thích và ứng dụng của mô hình này.
Phương pháp này có nhược điểm là chỉ khai thác mối tương quan tuyến tính giữa cấu trúc hóa học và tác dụng sinh học của các hợp chất, trong khi thực tế, mối tương quan đó có thể phi tuyến tính Một số nghiên cứu đã chỉ ra rằng việc khai thác mối tương quan phi tuyến tính về tính thấm qua da có thể mang lại kết quả tương đối khả quan.
Tại Việt Nam, lần đầu tiên đã xây dựng và đánh giá các mô hình QSAR dự đoán khả năng thẩm thấu qua da dựa trên cấu trúc phân tử, mặc dù trên thế giới đã có nhiều nghiên cứu tương tự Các mô hình này không chỉ đảm bảo tính chính xác và bền vững mà còn có khả năng dự đoán tốt, đáp ứng các tiêu chí bắt buộc do Tổ chức Hợp tác và Phát triển Kinh tế thế giới (OECD) đề ra để đánh giá mô hình QSAR.
Mô hình log K p thu được sau quá trình tính toán:
Log Kp = -2.49869 - 3.18926 x nR07 - 0.06478 x CATS2D_04_LL - 0.97246 x B03[O-O] + 1.25602 x B06[N-O] - 0.19308 x F02[C-N] + 0.50869 x MLOGP
Mô hình QSAR có sự tham gia của 6 biến, là các tham số phân tử 2D
Tham số phân tử 2D là công cụ quan trọng để mô tả các cấu trúc phân tử dựa trên kích thước, độ phân nhánh và hình dạng tổng thể Các tham số này bao gồm nR07, CATS2D_04_LL, B03[O-O], B06[N-O], F02[C-N] và MLOGP, đóng vai trò trong việc phân tích và mô hình hóa các đặc tính của phân tử.
nR07: Số vòng 7 cacbon có trong hợp chất
CATS2D_04_LL: CATS2D Lipophilic-Lipophilic tại khoảng cách tôpô
B03[O-O]: Sự hiện diện / vắng mặt của liên kết O-O tại khoảng cách tôpô 3
B06[N-O]: Sự hiện diện / vắng mặt của liên kết N-O tại khoảng cách tôpô 6
F02[C-N]: Tần số C - N ở khoảng cách tôpô 2
MLOGP: Hệ số phân chia octanol –nước Moriguchi
Các dấu (+) trong TSPT B06[N-O] và MLOGP cho thấy sự hiện diện của nhiều liên kết N-O, cùng với hệ số phân chia octanol-nước Moriguchi, sẽ làm tăng khả năng thẩm thấu qua da của hợp chất Tuy nhiên, hệ số trung bình của TSPT MLOGP là 0.50869, do đó không phải là yếu tố quyết định ảnh hưởng đến log Kp và kết quả của mô hình.
Các dấu (-) ở các TSPT như nR07, CATS2D_04_LL, B03[O-O], và F02[C-N] chỉ ra rằng biến gắn với tham số âm có tác động ngược chiều đến giá trị log Kp Số liên kết N-C với hệ số nhỏ (-0.19308) có ảnh hưởng tối thiểu đến tính thấm, trong khi hợp chất có vòng chứa 7 carbon lại có hệ số rất cao.
Hệ số phân bố dầu nước Log (3.18926) dường như có ảnh hưởng mạnh nhất đến tính thấm của hợp chất Sự phân cực của các vòng thơm, với mật độ electron cao, dễ gây ra sự phân cực trong phân tử, trong khi bản chất không phân cực của màng phospholipid trên da khiến các hợp chất này khó thẩm thấu qua màng.
K p lại là một chỉ số của khả năng thân dầu, một hợp chất có tính thân dầu sẽ dễ dàng thấm qua màng
3.2.3 So sánh v ớ i các mô hình khác trên th ế gi ớ i
Mô hình nghiên cứu được xây dựng theo các nguyên tắc của OECD đạt R² = 0.84 và Q² = 0.79, với khả năng dự đoán ngoại đạt 73,56% Điều này cho thấy mô hình đáp ứng tốt các tiêu chí về độ chính xác, độ ổn định và khả năng dự đoán.
Mô hình nghiên cứu này có lượng hợp chất trong cơ sở dữ liệu (CSDL) lớn hơn so với hầu hết các mô hình đã được công bố trước đây, điều này thể hiện tính khái quát và khả năng dự đoán cao đối với nhiều hợp chất Với khả năng dự đoán đạt 73,56%, mô hình này có tiềm năng ứng dụng trong phát triển thuốc điều trị qua da, điều trị tại chỗ và các sản phẩm hóa mỹ phẩm.
KẾT LUẬN VÀ KIẾN NGHỊ
Từ những kết quả nghiên cứu đã trình bày trên đây chúng tôi rút ra các kết luận sau:
Nghiên cứu đã phát triển một mô hình toán học thành công, thể hiện mối quan hệ định lượng giữa cấu trúc hóa học và khả năng thẩm thấu qua da, dựa trên phân tích 93 hợp chất từ cơ sở dữ liệu.
Mô hình đạt R² = 0.84, Q² = 0.79 và khả năng dự đoán ngoại là 73,56%, cho thấy tính chính xác, ổn định và khả năng dự đoán cao Nó hoàn toàn phù hợp với các nguyên tắc của OECD và có tính ứng dụng cao.
Mô hình này sở hữu lượng dữ liệu lớn hơn hầu hết các nghiên cứu trước đây trên thế giới, điều này giúp tăng cường tính ứng dụng và khả năng khái quát của mô hình.
