XÂY DỰNG MÔ HÌNH TOÁN HỌC GIÚP NHẬN BIẾT CHẤT ỨC...
Transcript of XÂY DỰNG MÔ HÌNH TOÁN HỌC GIÚP NHẬN BIẾT CHẤT ỨC...
ĐẠI HỌC QUỐC GIA HÀ NỘI
KHOA Y DƢỢC
NGUYỄN THỊ HIỀN
XÂY DỰNG MÔ HÌNH TOÁN HỌC
GIÚP NHẬN BIẾT CHẤT ỨC CHẾ
ENZYM HISTON DEACETYLASE 2
CÓ TÁC DỤNG CHỐNG UNG THƢ
KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC NGÀNH DƢỢC HỌC
Hà Nội – 2017
ĐẠI HỌC QUỐC GIA HÀ NỘI
KHOA Y DƢỢC
Người thực hiện: NGUYỄN THỊ HIỀN
XÂY DỰNG MÔ HÌNH TOÁN HỌC
GIÚP NHẬN BIẾT CHẤT ỨC CHẾ
ENZYM HISTON DEACETYLASE 2
CÓ TÁC DỤNG CHỐNG UNG THƢ
KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC NGÀNH DƢỢC HỌC
Khóa: QH.2012.Y
Người hướng dẫn: 1. TS. LÊ THỊ THU HƢỜNG
2. TS. PHẠM THẾ HẢI
Hà Nội - 2017
LỜI CẢM ƠN
Trước hết, tôi xin tỏ lòng biết ơn sâu sắc và gửi lời cảm ơn chân thành
tới TS. Lê Thị Thu Hường, công tác tại bộ môn Dược liệu và Dược học cổ
truyền - khoa Y Dược Trường Đại học Quốc gia Hà Nội là người thầy tận
tình chỉ bảo, động viên, hướng dẫn để tôi hoàn thành luận văn.
Tôi xin chân thành cảm ơn TS.Phạm Thế Hải công tác tại Trường Đại
học Dược Hà Nội đã chỉ bảo tận tình cho tôi từ những bước đi ban đầu khi
nhận đề tài.
Bên cạnh đó, tôi cũng xin gửi lời cảm ơn tới lãnh đạo, thầy cô Khoa Y
Dược, Đại học Quốc gia Hà Nội đã giúp đỡ, tạo điều kiện để tôi được làm
khóa luận, được học tập, nghiên cứu, rèn luyện tại Khoa suốt 5 năm học qua.
Sau cùng, tôi xin bày tỏ lòng biết ơn sâu sắc tới gia đình, anh chị em và
bạn bè luôn sát cánh, đồng hành, ủng hộ động viên tôi trong quá tình học tập,
nghiên cứu hoàn thành luận văn.
Dù đã rất cố gắng nhưng kiến thức, kỹ năng và thời gian thực hiện còn
hạn hẹp, tôi khó tránh khỏi những thiếu sót. Tôi rất mong nhận được những ý
kiến đóng góp của các thầy cô để khóa luận của tôi được hoàn thiện hơn.
Tôi xin chân thành cảm ơn.
Hà Nội, Ngày 8 tháng 6 năm 2017
Sinh Viên
Nguyễn Thị Hiền
DANH MỤC KÝ HIỆU VIẾT TẮT
Tên viết tắt Tên Tiếng Anh Tên Tiếng Việt
CSDL Cơ sở dữ liệu
FDA Food and Drug
Administation
Cơ quan Quản lý Thực
phẩm và Dược phẩm
Hoa Kỳ
HAT Enzym Histon
Acetyltransferase
HDAC Histon deacetylase
HDAC2 Histon deacetylase 2
IC50 The half maximal
inhibitory concentration
Nồng độ ức chế 50%
MLR Multiple Linear
Regression
Phương pháp hồi quy
tuyến tính đa biến
Q2 Hệ số tương quan chéo
Q2
ext Hệ số xác định cho tập
kiểm tra
QSAR Quantitative Structure –
Activity Relationship
Tương quan định lượng
cấu trúc – tác dụng
R2 Hệ số xác định
SAHA Suberoylanilide
hydroxamic acid
Te Test set Tập kiểm tra
Tr Training set Tập huấn luyện
TSPT Tham số phân tử
UHDAC Chất ức chế histon
deacetylase
DANH MỤC HÌNH VẼ
STT Kí hiệu Tên hình Trang
1 Hình 1.1 Cấu trúc nhiễm sắc thể điều hòa hoạt động
phiên mã. (a) Sự methyl hóa và deacetyl
hóa histon dẫn tới hình dạng đóng xoắn
nhiễm sắc thể và ức chế phiên mã. (b) Sự
acetyl hóa và demethyl hóa histon làm tháo
xoắn nhiễm sắc thể và cho phép phiên mã.
7
2 Hình 1.2 Cấu tạo trung tâm hoạt động của HDAC
nhóm I, II, IV
8
3 Hình 2.1 Cấu trúc hóa học của 45 dẫn xuất của acid
hydroxamic thu thập được.
19
4 Hình 3.1 Miền ứng dụng của mô hình QSAR xác
định hợp chất có khả năng ức chế HDAC2
28
5 Hình 3.2 Tóm tắt quy trình sàng lọc in silico chất ức
chế HDAC2 từ CSDL PubChem
30
DANH MỤC BẢNG
STT Ký hiệu Tên bảng Trang
1 Bảng 1.1 Các nhóm thuốc chống ung thư 5
2 Bảng 1.2 Các chất ức chế HDAC đang thử nghiệm
lâm sàng.
12
3 Bảng 2.1 Giá trị IC50 thực nghiệm của 45 hợp
chất trong CSDL.
20
4 Bảng 3.1 Kết quả đánh giá nội và đánh ngoại mô
hình QSAR.
28
5 Bảng 3.2 Kết quả sàng lọc ảo từ CSDL Pubchem. 33
MỤC LỤC
DANH MỤC KÝ HIỆU VIẾT TẮT
DANH MỤC HÌNH VẼ
DANH MỤC BẢNG
MỞ ĐẦU .......................................................................................................... 1
Chƣơng 1- TỔNG QUAN ............................................................................... 3
1.1. Thực trạng ung thư và tử vong do ung thư ............................................. 3
1.1.1. Thực trạng ung thư và tử vong do ung thư trên thế giới .................. 3
1.1.2. Thực trạng ung thư và tử vong do ung thư ở Việt Nam ................... 4
1.2. Thuốc điều trị ung thư ............................................................................. 4
1.3. Tổng quan histon deacetylase ................................................................. 6
1.3.1. Khái niệm histon deacetylase ........................................................... 6
1.3.2. Phân loại các HDAC ......................................................................... 7
1.3.3. HDAC2 và vai trò trong ung thư ...................................................... 8
1.3.4. Các chất ức chế HDAC ................................................................... 11
1.3.5. Cơ chế tác dụng của các chất ức chế HDAC .............................. 13
1.4. Tổng quan phương pháp QSAR ............................................................ 13
1.4.1. Lịch sử QSAR ................................................................................. 13
1.4.2. Đại cương về QSAR ....................................................................... 14
1.4.3. Quy trình xây dựng mô hình QSAR .............................................. 15
Chƣơng 2 - NGUYÊN LIỆU VÀ PHƢƠNG PHÁP NGHIÊN CỨU ....... 19
2.1. Nguyên liệu .......................................................................................... 19
2.1.1. Cơ sở dữ liệu ................................................................................... 19
2.1.2. Phần mềm sử dụng .......................................................................... 20
2.2. Phương pháp nghiên cứu ..................................................................... 20
2.2.1 Tính toán tham số mô tả phân tử ..................................................... 20
2.2.2. Phân chia tập huấn luyện / Tập kiểm tra ........................................ 21
2.2.3. Xây dựng mô hình QSAR ............................................................... 21
2.2.4. Sàng lọc và dự đoán hoạt tính một số dẫn xuất HDAC2 sử dụng mô
hình QSAR đã xây dựng được .................................................................. 21
Chƣơng 3 – KẾT QUẢ VÀ BÀN LUẬN ..................................................... 23
3.1. Kết quả .................................................................................................. 23
3.1.1. Mô hình toán học thu được ............................................................. 23
3.1.2. Đánh giá mô hình theo các tiêu chí của OECD .............................. 27
3.1.3. Sàng lọc ảo đánh giá khả năng ức chế HDAC2 sử dụng mô hình
xây dựng được ........................................................................................... 29
3.2. Bàn luận ................................................................................................ 34
3.2.1. Về mô hình QSAR ......................................................................... 34
3.2.2. Về quy trình sàng lọc ảo. ................................................................ 35
KẾT LUẬN VÀ KIẾN NGHỊ ...................................................................... 37
TÀI LIỆU THAM KHẢO
PHỤ LỤC
MỞ ĐẦU
Theo thống kê của tổ chức Y tế giới (WHO), ung thư đã trở thành căn
bệnh giết người hàng đầu thế giới, với khoảng 14 triệu ca mới phát hiện và
8,2 triệu trường hợp tử vong mỗi năm (số liệu tính đến hết năm 2012). So với
thế giới thì Việt Nam thuộc nhóm nước có tỷ lệ mắc bệnh cao nhất đối với
nhiều loại ung thư. ớc tính mỗi năm tại Việt Nam có khoảng 150 - 200
nghìn người phát hiện bị ung thư, trong đó 70.000 trường hợp tử vong.
Trước tình hình đó, việc nghiên cứu và phát triển các thuốc mới chống
lại ung thư luôn là mối quan tâm hàng đầu của ngành công nghiệp dược phẩm
thế giới và Việt Nam. Tuy nhiên, quá trình nghiên cứu phát triển thuốc nói
chung và các thuốc điều trị ung thư nói riêng hiện nay vẫn chủ yếu dựa trên
các phương pháp kinh điển hay phương pháp “thử và lỗi” với nhược điểm là
tốn thời gian, tiền bạc và cho hiệu quả thấp [22]. Ngoài ra, các thuốc điều trị
ung thư hiện đang gặp rất nhiều vấn đề liên quan đến độc tính và tỷ lệ kháng
thuốc cao. Do đó yêu cầu cấp bách đặt ra là phải nghiên cứu và phát triển
thuốc chống ung thư mới, có tác dụng chọn lọc trên đích phân tử nhằm phát
huy tối đa hiệu quả, lâu bị kháng và ít độc hơn.
Histon deacetylase (HDAC) là một trong những đích phân tử được ch
hiện nay, enzym này x c tác cho quá trình deacetyl hoá nhóm -N acetyl
lysine amino acid ở phần đuôi của histon. Người ta đã chứng minh được trong
nhiều tế bào ung thư có sự huy động quá mức các enzym HDAC, gây nên
hiện tượng giảm sự acetyl hoá của histon. Các chất ức chế HDAC có thể ngăn
chặn quá trình này thông qua việc làm thay đổi biểu hiện gen gây ung thư hay
các gen ức chế khối u do gây cường acetyl hóa các protein histone [32]. Hiện
nay người ta đã biết đến 18 loại HDAC khác nhau, chia thành 4 nhóm, trong
đó HDAC2 thuộc nhóm I được đánh giá là một đích phân tử quan trọng do có
vai trò trong quá trình deacetyl hoá của các histon H3K56 và H4K16 xảy ra
trong hầu hết các dòng tế bào ung thư người [7,10].
Quá trình nghiên cứu tìm kiếm chất ức chế HDAC nhằm phát triển
thành thuốc chống ung thư đã kéo dài hơn một thập kỷ [43]. Các mô hình liên
quan mối quan hệ cấu trúc – tác dụng dược lý xuất hiện từ năm 1868, được
biết đến là mô hình toán học định lượng mối liên quan tác dụng dược lý và
cấu trúc hóa học của hợp chất hay còn gọi là QSAR. Xây dựng mô hình
QSAR để dự đoán hoạt tính của những phân tử chưa từng được kiểm tra. Từ
đó gi p tìm kiếm các hợp chất hóa học có tác dụng sinh học, tối ưu hóa cấu
tr c các hợp chất này nhằm tăng hoạt tính sinh học, giảm độc tính, tăng các
tính chất dược động học của thuốc. Phương pháp này nhìn chung nhanh có
tính kinh tế và hỗ trợ rất tốt cho các nghiên cứu thực nghiệm, giúp nâng cao
tỷ lệ thành công của nghiên cứu.
Từ các vấn đề nêu trên, mục tiêu chung của nghiên cứu này là “Xây dựng
mô hình toán học giúp nhận biết chất ức chế enzym histon deacetylase 2 có
tác dụng chống ung thư”. Với mục tiêu cụ thể:
- Xây dựng mô hình QSAR mới sử dụng phương pháp hồi quy tuyến tính
nhằm dự đoán khả năng ức chế HDAC2.
- Đánh giá mô hình xây dựng được theo các tiêu chí của Tổ chức kinh tế
thế giới (OECD).
- Vận dụng mô hình xây dựng được xác định hợp chất dẫn đường tiềm
năng ức chế HDAC2 phát triển thành thuốc chữa ung thư.
Chƣơng 1- TỔNG QUAN
1.1. Thực trạng ung thƣ và tử vong do ung thƣ
1.1.1. Thực trạng ung thư và tử vong do ung thư trên thế giới
Ung thư là một trong những nguyên nhân hàng đầu gây tử vong trên
toàn thế giới. Trong năm 2012, có khoảng 14 triệu trường hợp ung thư được
phát hiện mới và có đến 8,2 triệu ca tử vong liên quan đến ung thư [40].
Trong đó, số lượng các ca tử vong do các ung thư chủ yếu là: ung thư phổi
(1,59 triệu ca), ung thư gan (745000 ca), ung thư dạ dày (723000 ca), ung thư
đại trực tràng (694000 ca), ung thư v (521000 ca), ung thư thực quản
(400000 ca) [40].
Số lượng các ca ung thư mới được dự đoán sẽ tăng khoảng 70% trong
vòng hai thập kỉ tới. Dự đoán số trường hợp ung thư hàng năm sẽ tăng từ 14
triệu trong 2012 lên 22 triệu trong vòng hai thập kỉ tới [2]. Hơn 60% số các ca
ung thư mới hàng năm trên thế giới xảy ra ở Châu Phi, Châu Á, Trung và
Nam Mỹ, chiếm 70% số các ca tử vong ung thư thế giới [40].
Đối với nam giới, 5 ung thư phổ biến nhất được chẩn đoán trong năm
2012 là ung thư phổi, tuyến tiền liệt, đại trực tràng, dạ dày và gan. Đối với nữ
giới, 5 ung thư phổ biến nhất được chẩn đoán là ung thư v , đại trực tràng,
phổi, cổ tử cung, dạ dày.
Khoảng 30% các trường hợp tử vong liên quan đến ung thư là do 5 yếu
tố nguy cơ hàng đầu về hành vi và chế độ ăn uống: chỉ số khối cơ thể cao (béo
phì), ăn ít rau quả tươi, ít tập thể dục, nghiện thuốc lá hoặc rượu. Thuốc lá là
yếu tố nguy cơ quan trọng nhất đối với ung thư, gây ra hơn 20% các ca tử
vong ung thư và khoảng 70% các ca tử vong do ung thư phổi trên toàn cầu.
Ngoài ra, các bệnh nhiễm virus HBV, HCV và một số type Human Papilloma
Virus (HPV) là nguyên nhân của trên 20% số các ca tử vong ung thư ở các
nước thu nhập thấp và thu nhập trung bình [12].
1.1.2. Thực trạng ung thư và tử vong do ung thư ở Việt Nam
Ở Việt Nam, trong năm 2012, số lượng các ung thư gặp phổ biến ở nam
giới là gan 16.815 ca, phổi 16.082 ca, dạ dày 9.406 ca, đại trực tràng 4.561 ca
và mũi họng 3.301 ca; còn các ung thư gặp phổ biến ở nữ giới là: vú 11.067
ca, phổi 5.783 ca, gan 5.182 ca, cổ tử cung 5.146 ca và dạ dày 4.797 ca [39].
Ở Việt Nam, tổng số ca tử vong do ung thư năm 2012 là 91.600 ca,
trong đó: số nam giới tử vong do ung thư là 58.200 ca: ung thư gan chiếm
26,9%, phổi 24,4%, dạ dày 14,5%, miệng - thực quản 5,8%, đại trực tràng
5,2% và do ung thư khác là 23,2%; số nữ giới tử vong do ung thư là 33.400
ca: ung thư phổi chiếm 14,5%, gan 13,7%, v 12,5%, dạ dày 12,1%, đại trực
tràng 8% và do ung thư khác là 39,3% [39].
1.2. Thuốc điều trị ung thƣ
Ngày nay có nhiều phương pháp điều trị ung thư, gồm có phẫu thuật,
vật lí trị liệu (xạ trị liệu), hóa trị liệu (dùng thuốc điều trị ung thư), nội tiết,
miễn dịch [1]. Tuy nhiên áp dụng phương pháp nào để điều trị có hiệu quả
còn tuỳ thuộc vào giai đoạn, vào sức chịu đựng của cơ thể, vào khả năng của
cơ sở điều trị và một phần vào kinh nghiệm của thầy thuốc chuyên khoa.
Từ khi bắt đầu tiến triển, ung thư đã có thể cho di căn, do đó các
phương pháp điều trị tại chỗ và tại vùng như phẫu thuật và xạ trị thường
không mang lại hiệu quả. Sử dụng các thuốc điều trị ung thư đặc biệt là các
hóa chất chống ung thư có thể ngăn chặn được tiến triển của ung thư. Hóa
chất chống ung thư đều là những chất gây độc tế bào. Ch ng can thiệp vào
phân bào theo các cách khác nhau, ví dụ như sự sao chép DNA hay quá trình
phân chia các nhiễm sắc thể mới được tạo thành [1]. Điều trị hóa chất dựa trên
sự đáp ứng khác biệt nhau giữa tế bào ung thư và tế bào lành. Đặc trưng tăng
trưởng của ung thư có ảnh hưởng rất lớn đến đáp ứng với hóa trị. Các hiểu
biết về động học tế bào, sự tăng trưởng của khối u, sinh học ung thư là căn
bản cho các nguyên tắc hóa trị lâm sàng.
Có khoảng hơn 200 loại thuốc chống ung thư trên lâm sàng [1]. Theo
cơ chế hoạt động, các thuốc chống ung thư được phân loại như bảng 1.1 [1].
Bảng 1.1. Các nhóm thuốc chống ung thư
Nhóm tác nhân Mục tiêu Cấu trúc hóa học
Các tác nhân ngăn
chặn tổng hợp DNA
bằng alkyl hóa có
nguồn gốc tổng hợp
(các tác nhân alkyl
hóa)
Liên kết chéo DNA Nitrogen mustard
Ethyle limin
Sulfonic acid ester
Epoxide
Nitrosourea
Halogenated hexitol
Hợp chất platinum
Kháng sinh kháng u Xen giữa DNA làm đứt gãy
DNA
Anthracyclin,
Actinomycin D,
Mitomycin C,
Bleomycin
Các kháng chuyển
hóa
Sinh tổng hợp acid nhân Các kháng acid Folic,
kháng Purin, kháng
Pirimidin, các ức chế
tổng hợp protein và acid
amin
Các ức chế giai
đoạn gián phân hình
thoi
Ngăn cản hình thức thoi
trong kì gián phân
Alkaloid nhóm vinca
Podophylin
Colchicin
Hỗn hợp Không xác định Alkylamin (HMM,
PMM)*
Dacarbazin
Procarbazin
Các Taxane Làm đông cứng các vi quản
nội tế bào
Taxol, Taxotere
Các camptothecin Ức chế men topoisomerasa I Camptothecin, CPT - 11
Các hormone Androgen
Estrogen
Steroid
Progestin
Các thuốc tác dụng lên tuyến
yên
Antiandrogen
Estrogen Antiestrogen
Antisteroid
* HMM: Hexamethylmelamine
PMM: Pentamethylmelamine
1.3. Tổng quan histon deacetylase
1.3.1. Khái niệm histon deacetylase
Nhiễm sắc thể là phức hợp gồm 3 thành phần: ADN, protein histon và
protein không phải histon [21]. Đơn vị cơ bản của nhiễm sắc thể là
nucleosom. Mỗi nucleosom gồm 146 cặp base ADN được gói trong một
protein histon octame [16] tạo bởi 4 thành phần: H2A, H2B, H3, H4 [13].
Các đầu amino của protein histon thường bị biến đổi bởi các quá trình
methyl hóa, phosphoryl hóa hoặc acetyl hóa sau dịch mã. Quá trình acetyl hoá
là một trong những cơ chế điều hoà chính của biểu thị gen. Kiểm soát quá
trình biểu thị gen này phụ thuộc vào sự cân bằng giữa hoạt động của enzym
histon acetylase và enzym histon deacetylase, nhờ vào sự điều hoà quá trình
acetyl hoá lysin ở phần đuôi histon [6].
Histon acetyltrasferase (HAT) là enzym acetyl hóa nhóm -NH2 trong
gốc lysin (đầu N tận) của histon, làm trung hòa điện tích dương trên lysin, do
đó giảm khả năng tương tác của histon với ADN (tích điện âm) tạo cấu trúc
mở chromatin. Vì vậy, sự acetyl hóa histon tạo điều kiện cho quá trình phiên
mã, dịch mã xảy ra (hình 1.1b) [6,21].
Histon deacetylase (HDAC) là enzym có tác dụng đối lập với HAT.
HDAC loại bỏ nhóm acetyl từ acetyl lysin (Ac-Lys) ở đầu N tận của histon,
làm đóng xoắn chromatin, do đó ức chế quá trình phiên mã (Hình 1.1) [6,21].
Hình 1.1. Cấu trúc nhiễm sắc thể điều hòa hoạt động phiên mã. (a) Sự
methyl hóa và deacetyl hóa histon dẫn tới hình dạng đóng xoắn nhiễm sắc thể
và ức chế phiên mã. (b) Sự acetyl hóa và demethyl hóa histon làm tháo xoắn
nhiễm sắc thể và cho phép phiên mã.
1.3.2. Phân loại các HDAC
Hiện nay người ta đã biết đến 18 loại HDAC khác nhau, được chia
thành 4 nhóm: I, II, III, IV. HDAC nhóm I, II và IV được gọi là các HDAC
“kinh điển” và thường được sử dụng để sàng lọc và thiết kế các chất ức chế
HDAC mới [43].
Nhóm I: HDAC1, HDAC2, HDAC3, HDAC8. Các enzym này có ở
phần nhân của nhiều loại tế bào.
Nhóm II: gồm nhóm IIa và nhóm IIb. Trong đó nhóm IIa có HDAC4,
HDAC5, HDAC7, HDAC9, nhóm IIb có HDAC6, HDAC10. Các enzym này
biểu thị mô đặc trưng, có khả năng di chuyển giữa bào tương và nhân.
Nhóm III: Các protein điều hoà chuỗi thông tin 2 (SIRT): SIRT 1 – 7,
chúng có ở bào tương, ty thể và nhân.
Nhóm IV: HDAC11, có ở phần nhân của nhiều loại tế bào.
Các enzym nhóm I, II và IV phụ thuộc vào Zn2+
. Nhóm III là các
enzym có cấu trúc phụ thuộc NAD+
[11,43].
Trung tâm hoạt động HDAC gồm 2 phần chính (Hình 1.2): ion Zn2+
là
coenzyme của HDAC và kênh enzym dạng túi hình ống. Cấu trúc rất linh
động, có thể biến đổi phù hợp với chiều dài cơ chất khác nhau. Trên miệng túi
có một vành nhỏ được tạo nên từ một vài vòng xoắn protein, phần vành này
sẽ tương tác với nhóm nhận diện bề mặt HDAC [18].
Hình 1.2. Cấu tạo trung tâm hoạt động của HDAC nhóm I, II, IV.
1.3.3. HDAC2 và vai trò trong ung thư
Histon deacetylasa 2 (HDAC2) thuộc HDAC nhóm I. HDAC2 hoạt
động như một chất ức chế phiên mã thông qua loại bỏ nhóm lysine ở đầu N
của protein histon (H2A, H2B, H3 và H4). Tuy nhiên HDAC2 không liên kết
với ADN nên chúng sẽ được chọn lọc bởi các yếu tố phiên mã như YY1,
SP1/SP3, gen ức chế khối u p53 và BRCA1. HDAC2 cũng có thể được gắn
vào ADN như là một phần của phức hợp CoREST, mSin3 và NuRD. Những
phức hợp là mục tiêu với các trình tự gen đặc hiệu bằng các tương tác với các
yếu tố phiên mã trình tự đặc hiệu. Ví dụ, các HDAC2/HDAC1 chứa phức hợp
Sin3-SAP chọn lọc họ E2F của các yếu tố phiên mã để ức chế phiên mã [17].
Phức hợp chứa HDAC2 cũng liên quan đến gen điều chỉnh phiên mã
qua thụ thể trung gian. Những phức hợp chứa gen biến đổi biểu sinh khác,
chẳng hạn như MeCp2 – là một protein có nhóm liên kết methyl. Các enzyme
vận chuyển nhóm methyl DNA DNMT1, DNMT3A và DNMT3B, sự methyl
transferases histone SUVAR39H1 và G9a và histon bị bỏ đi nhóm methyl
(LSD1), cho thấy một cách khác mà HDAC2 quy định biểu hiện gen và sửa
chữa nhiễm sắc.
HDAC2 cũng quy định biểu hiện gen thông qua sự deacetyl của yếu tố
phiên mã cụ thể bao gồm STAT3 và SMAD7. HDAC2 là một chìa khóa quan
trọng của gen điều hòa chu kỳ tế bào, quá trình tế bào tự tiêu diệt, kết dính tế
bào và di cư. Cùng với HDAC1, HDAC2 quy định việc phiên mã của các gen
liên quan đến quá trình tạo máu, biệt hóa tế bào biểu mô, phát triển tim và tế
bào thần kinh [34].
Các đột biến có thể có ở HDAC2 xuất hiện ở tế bào soma. HDAC2 bị
đột biến trong các khối u lẻ tẻ và trong các khối u phát sinh ở người có ung
thư biểu mô đại trực tràng không polyp di truyền. Đột biến này do sự cắt bỏ 9
adenin ở exon1 tạo thành protein không hoạt động. Sự biểu hiện các dạng đột
biến của HDAC2 gây ra sự kháng với tác dụng của các chất ức chế HDAC.
Việc thiếu các biểu hiện và chức năng HDAC2 tạo nên sự tăng điều chỉnh gen
th c đẩy tăng trưởng khối u [5,25].
HDAC2 liên quan đến nhiều bệnh ung thư khác nhau:
Việc điều hòa về biểu hiện hoạt động HDAC2 có liên quan đến sự phát
triển ung thư. HDAC2 biểu hiện quá mức trong các loại ung thư khác nhau
bao gồm cả đại tràng, dạ dày, cổ tử cung, ung thư tuyến tiền liệt, ung thư phổi
không tế bào nhỏ và ung thư biểu mô tế bào gan. HDAC2 biểu hiên quá mức
liên quan đến ung thư một phần thông qua việc chọn lọc sai lầm của nó và sự
im lặng của các gen ức chế khối u. Sự ức chế của gen p21WAF1 ức chế khối
u ở vùng khởi động và có thể được đảo ngược bởi việc điều trị bằng thuốc ức
chế HDAC [31]. Biểu hiện HDAC2 tương quan với tiên lượng xấu khi bệnh ở
giai đoạn tiên triển trong ung thư đại trực tràng, tuyến tiền liệt, dạ dày và biểu
mô tế bào gan.
Ung thư đại tràng: Có một số nghiên cứu cho thấy HDAC2 biểu hiện
quá mức trong ung thư đại tràng. Sự gia tăng các biểu hiện HDAC2 đã được
tìm thấy ở mức độ protein và mRNA chỉ ra rằng HDAC2 quá mức là do hoạt
hóa phiên mã. Các nghiên cứu cho thấy trong loại khối u này sự phiên mã
HDAC2 được điều chỉnh bởi tín hiệu beta-catenin-TCF-myc đã bị xóa bỏ
trong bệnh ung thư đại tràng. HDAC2 biểu hiện quá mức tương quan với tiên
lượng xấu và bệnh ở giai đoạn tiến triển trong ung thư đại trực tràng. Tuy
nhiên, Ropero và các cộng sự tìm thấy một sự đột biến bất hoạt của HDAC2
trong ung thư đại tràng với bất ổn microsatellite [29].
Ung thư v : Các nghiên cứu khác nhau cho thấy vai trò quan trọng của
HDAC2 trong ung thư v . HDAC2 gây lão hóa trong tế bào ung thư v . Hơn
nữa sự mất hoạt tính của HDAC2 kéo theo quá trình chết tế bào (apoptosis)
của tamoxifen trong estrogen/ progesterone tế bào ung thư v dương tính
[27].
Bệnh ung thư tuyến tiền liệt: Theo nghiên cứu của Weichert và các
cộng sự thấy rằng HDAC2 được biểu hiện mạnh mẽ trong hơn 70% các
trường hợp phân tích ung thư tuyến tiền liệt. Sự gia tăng trong biểu hiện
HDAC2 có liên quan với tăng cường tăng sinh tế bào khối u [5].
Ung thư biểu mô tế bào gan: HDAC2 quy định chu kỳ tế bào và sự
phân chia của HDAC2 gây ra ngừng chuyển pha G1/S trong chu kỳ tế bào.
Trong quá trình chuyển đổi G1/S, sự phân chia đích của HDAC2 có tính
chọn lọc gây ra các biểu hiện của p16 (INK4a) và p21 (WAF1/Cip1), và đồng
thời ức chế sự biểu hiện của cyclin D1, CDK4 và CDK2. Do đó, sự ức chế
HDAC2 dẫn đến sự giảm điều chỉnh của gen đích E2F/DP1 thông qua việc
giảm sự phosphoryl hóa protein PRB [5].
Ung thư phổi: HDAC2 được điều chỉnh lên cao trong ung thư phổi.
HDAC2 bất hoạt dẫn đến thoái hoá tăng trưởng tế bào khối u và kích hoạt các
quá trình chết tế bào (apoptosis) qua p53, kích hoạt Bax và ức chế BCL2.
Trong điều chỉnh chu kỳ tế bào, HDAC2 bất hoạt gây ra cảm ứng biểu hiện
p21WAF1/Cip1, đồng thời ức chế sự biểu hiện của cyclin E2, cyclin D1, và
CDK2, tương ứng. Do đó, điều này dẫn đến việc giảm quá trình phosphoryl
hóa của protein PRB trong chuyển pha G1/S và do đó bất hoạt phiên mã gen
đích E2F/DP1 của các tế bào A549. HDAC2 trực tiếp điều chỉnh biểu hiên
p21WAF/Cip1 không phụ thuộc p53 [5].
Bệnh phổi tắc nghẽn mãn tính (COPD): giảm hoạt động và biểu hiện
HDAC2 được tìm thấy trong bệnh phổi tắc nghẽn mãn tính (COPD). Việc
giảm hoạt động của HDAC2 làm tăng điều hòa các gen liên quan đến phản
ứng viêm và kháng corticosteroid trong COPD [5].
1.3.4. Các chất ức chế HDAC
Yoshida và cộng sự (1990), đã phát hiện ra dẫn chất hydroxamat tự
nhiên đầu tiên có tác dụng ức chế trực tiếp HDAC là Trichostatin A (TSA),
vốn là chất có tác dụng chống nấm [41]. Sau đó, dựa trên hiểu biết về mối liên
quan giữa HDAC và ung thư đồng thời xác định được cấu trúc 3D của các
HDAC, một số chất ức chế HDAC đã được nghiên cứu và thử nghiệm trên
lâm sàng để ứng dụng trong điều trị ung thư. Cho đến nay, nhiều chất ức chế
HDAC (UHDAC) đã được công bố. Chúng có thể có nguồn gốc tự nhiên hay
tổng hợp. Trong các nhóm chất ức chế HDAC, các acid hydroxamic là nhóm
chất được quan tâm chú ý và tập trung nghiên cứu nhiều nhất. Do các acid
hydroxamic có cấu tr c đơn giản, dễ tổng hợp và có nhóm -NHOH tạo được
phức bền với Zn+ ở trung tâm hoạt động của HDAC mang lại có hoạt tính ức
chế enzym mạnh. Hiện nay, FDA đã phê duyệt một acid hydroxamic UHDAC
điển hình là vorinostat (suberoylanilide hydroxamic acid, Zolinza) vào năm
2006 sử dụng trong điều trị u lympho da tế bào [cutaneous T-cell lymphoma
(CTCL)]. Một hợp chất UHDAC khác là depsipeptide (romidepsin, Istodax)
cũng được FDA cấp phép lưu hành vào năm 2009 để điều trị CTCL và điều
trị ung thư hạch tế bào T ngoại vi [peripheral T-cell lymphoma (PTCL)]. Đây
chính là nguồn động lực để các nhà nghiên cứu tiếp tục tìm kiếm các chất ức
chế HDAC mới. Nhiều chất ức chế enzym HDAC khác cũng đang được thử
nghiệm lâm sàng nhằm phát triển liệu pháp điều trị ung thư dựa trên đích này,
bao gồm nhóm hydroxamat, benzamid, peptid vòng, acid carboxylic (Bảng
1.2) [4,30].
Bảng 1.2. Các chất ức chế HDAC đang thử nghiệm lâm sàng.
Nhóm Hợp chất Pha Loại ung thƣ
Acid carboxylic Butyrat
AN-9 (tiền thuốc)
Acid valproic
Phenyl butyrate
I, II
I, II
I, II
I
Ung thư đại tràng
Thể rắn, NSCLC
Thể rắn, ung thư máu, AML,
MDS, CTCL, u trung biểu
mô
Thể rắn, AML/MDS
Acid hydroxamic SAHA
PXD101
NVP-LAQ824
LBH-589
ITF-2357
SB-939
CRA 024781
JNJ-16241199
Đã c/m
I, II
II
I
II, III
II
I
I
I
CTCL
Thể rắn, ung thư máu
Ung thư máu
Thể rắn, ung thư máu
Thể rắn, AML, ALL,
MDS
U lympho Hodgkin
Thể rắn, ung thư máu
Các benzamid SNDX-275
(MS-275)
CI-994
MGCD-0103
I, II
I, II
II
Thể rắn, u lympho, AML, u
hắc sắc tố ác tính di căn tiến
triển
Thể rắn, NSCLC, tế bào
thận, tuỵ
Thể rắn, ung thư bạch cầu,
MDS
Peptid vòng Depsipeptid
(FK228)
I, II Thể rắn, CLL, AML, CTCL,
u đa tuỷ xương, NHL tế bào
T ngoại vi, RAI kháng
thyroid, ung thư đại tràng
tiến triển
Trong đó:
NSCLC (Non-Small Cell Lung Cancer) : Ung thư phổi không tế bào nhỏ
AML (Acute Myeloid Leukemia): Bệnh bạch cầu myeloid cấp tính
MDS (Myelodysplastic Syndrome ): Hội chứng rối loạn sinh tủy
CTCL (Cutaneous T Cell Lymphoma): U lympho tế bào T da
NHL (non-Hodgkin's lymphoma): Ung thư hạch không Hodgkin
RAI (Radioactive iodine): Iod phóng xạ
Tuy nhiên, mỗi nhóm nêu trên đều có những hạn chế nhất định như:
các acid hydroxamic bị chuyển hoá nhanh, ức chế không chọn lọc lên các loại
enzym HDAC; các benzamid và acid béo có hiệu lực kém; các peptid vòng
khó tạo thành về mặt hoá học và FK-228 có phần gắn kết với ion Zn2+
chứa
thiol [26].
1.3.5. Cơ chế tác dụng của các chất ức chế HDAC
Các chất ức chế HDAC có tác dụng chống ung thư do tác động lên
nhiều giai đoạn quan trọng của chu trình tế bào làm mất sự điều hòa trong
tế bào ác tính. Trong đó, yếu tố then chốt quyết định hoạt tính chống ung
thư của ch ng là th c đẩy sự biệt hóa, ức chế chu trình tế bào và th c đẩy
sự chết tế bào. Ngoài ra, hoạt hóa đáp ứng miễn dịch và ức chế sự tạo
mạch cũng là vai trò rất quan trọng của các UHDA, gián tiếp ức chế sự
phát triển của các khối u. Ngoài ra các chất ức chế HDAC ngăn cản các đuôi
histon có nhóm acetyl tiến đến vị trí xúc tác [7,9].
Vai trò sinh học của HDAC và các nghiên cứu về các chất UHDA cho
thấy nó là một mục tiêu quan trọng cần hướng tới trong điều trị ung thư. Do
đó, việc tìm kiếm các hợp chất mới có tiềm năng ức chế HDAC là một hướng
đi nhằm tìm kiếm các hợp chất mới với khả năng ức chế cao hơn, ít độc tính
hơn đang là một hướng đi được nhiều nhà khoa học quan tâm [21].
1.4. Tổng quan phƣơng pháp QSAR
1.4.1. Lịch sử QSAR
Lịch sử phát triển của phương pháp QSAR có thể nói khởi nguồn từ
những nghiên cứu của Crum-Brown và Frasher (1868) khi nhận xét rằng tác
dụng sinh học là hàm số của cấu trúc hóa học. Đến năm 1893, Richet đã cho
rằng sự khác nhau về tác dụng sinh học là do sự thay đổi về tính chất lí hóa.
Đến năm 1935, một phương trình quan trọng của Hammett được coi là mô
hình đầu tiên biểu diễn mối quan hệt hoạt tính và cấu trúc:
Log
Với K, Ko là hằng số acid, là hằng số Hammett, thông số hóa l đặc
trưng cho khả năng h t hoặc đấy điện tử của nhóm thế.
QSAR thực sự được nghiên cứu bởi C.L. Corwin Hansch từ
những năm 60 của thế kỉ 20. Mô hình QSAR Hansch thường sử dụng phương
pháp hồi quy tuyến tính đa biến để biểu thị mối tương quan giữa các tham số
hóa lí và hoạt tính sinh học, ví dụ một phương trình của ông như sau:
Log (1/C) = k1+ k22+ k3
Trong đó: C là nộng độ mol mà tại đó hoạt chất thể hiện hoạt tính sinh
học, : hằng số kỵ nước, : hằng số thế Hammett, k1,k2,k3 là các hệ số hồi
quy.
Kể từ đây, đã có nhiều phương trình QSAR cùng với những phương
pháp xây dựng đa dạng đã ra đời và chiếm một vai trò quan trọng trong
nghiên cứu và phát triển dược phẩm.
1.4.2. Đại cương về QSAR
Về mặt toán học, mô hình QSAR (Quantitative Structure-Activity
Relationships) biểu diễn mối tương quan định lượng giữa cấu trúc phân tử và
hoạt tính thông qua phương trình:
Y = f(x1) + f(x2) + ... + f(xn) (1.4.2)
Trong đó, Y là biến phụ thuộc, phản ánh hoạt tính sinh học của các hợp
chất. Giá trị của Y được xác định thông qua các nghiên cứu thực nghiệm, ví
dụ như nồng độ ức chế 50% hoạt tính của enzym (IC50), MIC (Minimum
Inhibitory Concentration): nồng độ ức chế tối thiểu, hay nồng độ kìm khuẩn
tối thiểu (dùng trong vi sinh); MBC (Minimum Bactericidal Concentration):
nồng độ diệt khuẩn tối thiểu; EC 50 (Effective Concentration): nồng độ 50%
tác dụng tối đa... Y cũng có thể nhận giá trị rời rạc, ví dụ như có hay không có
hoạt tính, hoạt tính mạnh hay yếu. Các biến x trong mô hình QSAR được gọi
là các tham số phân tử (TSPT), mô tả một đặc điểm cấu tr c nào đó của phân
tử hóa học. Hàm f là một hàm mô tả mối tương quan giữa Y và các biến x. Để
xây dựng được hàm f, cần áp dụng các thuật toán thống kê (statistical) hoặc
học máy (machine learning). Một số kỹ thuật thống kê thường được sử dụng
trong xây dựng mô hình QSAR có thể kể đến như bình phương tối thiểu từng
phần (Partial Least Squares), hồi quy đa biến tuyến tính (Multiple Linear
Regression), phân tích thành phần chính (Principal Component Analysis).
1.4.3. Quy trình xây dựng mô hình QSAR
Các bước để xây dựng mô hình QSAR [19] gồm:
1) Xây dựng cơ sở dữ liệu (CSDL); 2) Tính toán tham số mô tả phân tử đặc
trưng cho cấu trúc; 3) Xây dựng mô hình QSAR: Sử dụng các phương pháp
xác suất thống kê và các kỹ thuật của trí tuệ nhân tạo để xây dựng mối liên hệ
giữa các tham số phân tử (TSPT) và các giá trị đại lượng biểu diễn hoạt tính;
4) Đánh giá mô hình; 5) Giải thích các kết quả và sử dụng mô hình trong quá
trình sàng lọc ảo (nếu có thể).
Xây dựng cơ sở dữ liệu: CSDL thường là cấu trúc của các hợp chất
hoá học đã được chứng minh hoạt tính sinh học in vitro. Để hạn chế các yếu
tố gây sai số cho mô hình, CSDL thường sẽ được làm sạch dựa trên sự tương
đồng về cấu trúc, về protocol,...
Tính toán tham số mô tả phân tử đặc trưng cho cấu trúc:
Tham số mô tả phân tử là một số thu được từ một quá trình toán học và
lôgic chuyển đổi thông tin được mã hóa trong cấu trúc hóa học [37]. Trong
nghiên cứu này, các tham số được tính toán sử dụng phần mềm Dragon [37].
Xây dựng mô hình QSAR: sử dụng các phương pháp xác suất thống kê
và các kỹ thuật của trí tuệ nhân tạo để xây dựng mối liên hệ giữa các TSPT và
giá trị đại lượng biểu diễn hoạt tính.
Đánh giá mô hình: Đánh giá mô hình là giai đoạn quan trọng liên quan
đến khả năng ứng dụng của mô hình. Đánh giá mô hình thường sử dụng 5
nguyên tắc của OECD [28].
- Nguyên tắc 1: Có đích xác định (defined end-points).
Đích là những giá trị thực nghiệm về hoạt tính sinh học thu được từ
CSDL. Nếu toàn bộ CSDL đều sử dụng một protocol để xác định giá trị của
đích, thì mô hình xây dựng được có độ tin cậy cao, có thể dùng để dự đoán
hoạt tính các hợp chất mới (nếu thực nghiệm dùng theo quy trình này). Còn
nếu CSDL sử dụng nhiều protocol khác nhau thì mô hình sẽ không có độ tin
cậy cao.
- Nguyên tắc 2: Các thuật toán sử dụng được mô tả rõ ràng.
Các thuật toán sử dụng để xây dựng mô hình cần được mô tả rõ ràng,
có khả năng ứng dụng để xây dựng các mô hình khác.
- Nguyên tắc 3: Có miền cấu trúc ứng dụng xác định.
Miền cấu trúc ứng dụng là khoảng không gian cấu tr c được xác định
bởi các hợp chất trong tập huấn luyện để xây dựng mô hình. Những hợp chất
thuộc tập huấn luyện nếu có cấu trúc nằm ngoài miền cấu trúc ứng dụng sẽ
ảnh hưởng đến độ chính xác của mô hình. Những hợp chất thuộc tập dự đoán,
nếu có cấu trúc nằm ngoài miền này sẽ cho kết quả dự đoán không chính xác.
Các phương pháp xác định miền ứng dụng thường gặp như: phương pháp đòn
bẩy, phương pháp ba lân cận gần nhất,...
- Nguyên tắc 4: Có độ khớp, độ ổn định, và khả năng dự đoán tốt.
Độ khớp hay độ tuyến tính được đánh giá thông qua giá hệ số xác định
R2, R
2 càng cao thì mức độ khớp (tuyến tính) của mô hình với các giá trị thực
nghiệm càng tốt. R2> 0,6 thì mô hình mới có nghĩa. Công thức tính hệ số
xác định như sau:
R2 = 1-
∑ ^
ii yy
∑ )( yyi
Trong đó n là số các quan sát của tập huấn luyện; yi, iy^
, lần lượt là giá
trị thực tế, giá trị dự đoán của biến phụ thuộc ở quan sát thứ i; y là giá trị thực
tế trung bình của biến phụ thuộc.
Độ ổn định được đánh giá thông qua hệ số tương quan chéo Q2, Q
2
được đánh giá dựa trên phương pháp tham số chéo (cross validation leave one
out) bằng cách lần lượt loại 1 quan sát ra khỏi tập huấn luyện, giữ nguyên các
biến đã lựa chọn và tính toán lại các thông số của mô hình. Q2 càng gần 1,
tính tổng quát hóa của mô hình càng cao, mô hình càng ổn định. Thông
thường, yêu cầu Q2
> 0,5 thì mô hình mới bền vững. Công thức hệ số tương
quan chéo tính như sau:
Q2 = 1 -
∑ ^
/ iii yy
∑ )( yyi
Trong đó n là số các quan sát tập huấn luyện; yi, là giá trị thực tế của
quan sát thứ i; ^
/ iiy giá trị dự đoán của biến phụ thuộc ở quan sát thứ i sử dụng
mô hình đã loại biến i; y là giá trị thực tế trung bình của biến phụ thuộc.
Khả năng dự đoán ngoại
Khả năng dự đoán ngoại được đánh giá thông qua giá trị Q2
ext, Q2
ext
càng lớn mô hình càng cho thấy độ tuyến tính của tập kiểm tra và do vậy
chứng tỏ khả năng dự đoán của mô hình cao.
2
extQ = 1 - ∑
^
ii yy
∑ )( yyi
Trong đó n là số các quan sát tập kiểm tra; yi,
^
y , lần lượt là giá trị thực
tế, giá trị dự đoán của biến phụ thuộc ở quan sát thứ i; y là giá trị thực tế
trung bình của biến phụ thuộc.
- Nguyên tắc 5: Giải thích được cơ chế (nếu có thể).
Mô hình cần được giải thích về vai trò của các biến trong mô hình, qua
đó gi p định hướng thiết kế các hợp chất mới. Tuy nhiên việc giải thích các
biến này nhiều khi gặp phải khó khăn vì cơ chế của chúng phức tạp đòi hỏi
những hiểu biết chuyên sâu về hóa lượng tử. Bên cạnh đó có nhiều biến chưa
có các tài liệu tham khảo, do đó chưa đủ cơ sở để giải thích.
Chƣơng 2 - NGUYÊN LIỆU VÀ PHƢƠNG PHÁP NGHIÊN CỨU
2.1. Nguyên liệu
2.1.1. Cơ sở dữ liệu
Cơ sở dữ liệu (CSDL): gồm 45 hợp chất ức chế HDAC2 lựa chọn từ dữ
liệu xây dựng bởi 6 bài báo khoa học đã công bố trước đó cùng với giá trị IC50
được xác định bằng phương pháp giống nhau (sử dụng Kit định lượng
Bioscence®) [8,14,15,24,36,38]. Công thức hóa học mô tả như hình 2.1 và
giá trị IC50 tương ứng được nêu trong bảng 2.1.
N
OO
O
NHOH
O
X
1. X=H2. X=Cl3. X=F4. X=Br5. X=H3C6. X=H3CO
N
OO
O
NHOH
O
Cl
(7)(1-6)
O
HN
NO
N OH
OH
X8. X=H9. X=F10. X=Cl11. X=Br12. X=H3C13. X=H3CO
O
HN OH
NO
N OH
Cl
(8-13) (14)
O
HN
NO
N O
CH3
OH
X
15. X=H16. X=F17. X=Cl18. X=Br19. X=H3C20. X=H3CO
O
HN OH
NO
N O
CH3
Cl
(15-20) (21)
HOHN
N
O
O2S
X
HOHN
N
O
O2S
OCH3
OCH322. X=H3CO24. X=F25. X=NO2
(22,24,25) (23)
HOHN
N
O
(26)
NO
HN
OH
O O
NO
HN
OH
O O
F
NO
HN
OH
O O
N
HN
O
HN
OH
O O
(27)
(29)(30)
(28)
N
OO
O
NHOH
O
X
31. X=H32. X=F33. X=Cl34. X=Br35. X=NO236. X=H3C37. X=H3CO
N
OO
O
NHOH
OCl
(31-37) (38)
N
SS
O
NHOH
O
N
SS
O
NHOH
O
H3C
N
HN
NHOH
O
O
O
HN
NHOH
O
O
HN
HN
NHOH
O
OHN
NHOH
O
O
HN
NHOH
O
O
(39) (40)
(41) (42)
(43) (44)
(45)
Hình 2.1. Cấu trúc hóa học của 45 dẫn xuất của acid hydroxamic thu thập
được.
Bảng 2.1. Giá trị IC50 thực nghiệm của 45 hợp chất trong CSDL.
STT IC50
(µM)
STT IC50
(µM)
STT IC50
(µM)
STT IC50
(µM)
STT IC50
(µM)
1 0,308 10 0.116 19 0.175 28 0.310 37 0.120
2 0,284 11 0.152 20 0.254 29 0.190 38 0.150
3 0,891 12 0.086 21 1,399 30 0.192 39 0.320
4 0,460 13 0.120 22 0.3618 31 0.160 40 0.260
5 0,358 14 0.179 23 0.002 32 0.060 41 2,457
6 0,870 15 0.117 24 0.199 33 0.030 42 1,987
7 1,779 16 0.447 25 0.189 34 0.030 43 2,015
8 0.116 17 0.472 26 0.381 35 0.080 44 0.105
9 0.152 18 0.267 27 0.270 36 0.160 45 5.784
2.1.2. Phần mềm sử dụng
Danh sách các phần mềm sử dụng bao gồm:
1. ChemDraw phiên bản 10.0 2. Dragon 6.0
3. Mobydigs 1.0 4. Microsoft Excell 2007
5. STATISTICA 10.0
2.2. Phƣơng pháp nghiên cứu
2.2.1 Tính toán tham số mô tả phân tử
Tham số mô tả phân tử là kết quả của một quá trình toán học và logic
chuyển đổi thông tin được mã hóa trong cấu trúc hóa học thành một số có khả
năng đặc trưng cho phân tử đấy [37]. Để thực hiện tính toán, tất cả các cấu
trúc của CSDL được chuyển đổi thành hệ thống đơn giản hóa với đầu vào
được biểu diễn dưới dạng dòng SMILES (Simplified Molecular Input Line
Entry System) bằng việc sử dụng phần mềm ChemDraw phiên bản 10.0 [33].
Căn cứ vào các mã code, hơn 2000 mô tả phân tử thuộc họ 0D, 1D và 2D
được tính toán bằng phần mềm Dragon phiên bản 6.0 [3].
2.2.2. Phân chia tập huấn luyện / Tập kiểm tra
Sau khi tính toán mô tả phân tử, CSDL được chia ngẫu nhiên thành tập
huấn luyện (Tr - training set) và tập kiểm tra (Te – test set). Tập huấn luyện
(chiếm 75% CSDL) được sử dụng cho việc xây dựng (huấn luyện) mô hình.
Tập huấn luyện cho phép phát hiện mối quan hệ có khả năng dự đoán. Còn
tập kiểm tra bao gồm các phân tử mà mô hình chưa bao giờ gặp được sử dụng
để đánh giá độ mạnh và khả năng ngoại suy của các mô hình xây dựng được.
2.2.3. Xây dựng mô hình QSAR
Tập huấn luyện gồm 75% số hợp chất trong CSDL được lựa chọn ngẫu
nhiên để xây dựng mô hình QSAR. Các hợp chất còn lại được xếp vào tập
kiểm nghiệm để đánh giá mô hình. Các mô hình được xây dựng bằng các
phương pháp hồi quy đa biến tuyến tính (MLR) sử dụng phần mềm
STATISTICA 10.0, lựa chọn TSPT bằng phương pháp thuật giải di truyền
(Genetic algorithm) sử dụng phần mềm Mobydigs 1.0, sau đó đánh giá để lựa
chọn mô hình tốt nhất.
2.2.4. Sàng lọc và dự đoán hoạt tính một số dẫn xuất HDAC2 sử dụng mô
hình QSAR đã xây dựng được
Dựa trên công thức hóa học của một chất đã có tác dụng ức chế
HDAC2 mạnh là SAHA (Suberoylanilide hydroxamic acid hay còn gọi là
Vorinostat), chúng tôi tìm kiếm và dự đoán hoạt tính cho các hợp chất có tính
tương đồng về cấu trúc với SAHA mà chưa được nghiên cứu tác dụng ức chế
HDAC2. Để làm được điều này, chúng tôi tiến hành sàng lọc dựa trên 2 bước:
- Bước 1. Lấy SAHA làm khuôn, tìm kiếm trên CSDL PubChem các hợp
chất có tính tương đồng cao về cấu trúc với SAHA, sử dụng công cụ “tìm
kiếm đồng dạng” (Similarity searching) tích hợp trên CSDL PubChem:
Dán công thức SMILES của SAHA vào thanh công cụ tìm kiếm. Sau đó
chọn tiêu chí tương đồng, sử dụng tùy biến hệ số Tanimoto ≥ 0,85. Kết
quả thu được dãy các dẫn xuất của hydroxamic, lựa chọn các hợp chất
chưa từng được nghiên cứu tác dụng ức chế HDAC2.
- Bước 2. Tính toán TSPT cho các hợp chất được lựa chọn và sử dụng mô
hình QSAR đã xây dựng được để dự đoán hoạt tính cho chúng.
Chƣơng 3 – KẾT QUẢ VÀ BÀN LUẬN
3.1. Kết quả
3.1.1. Mô hình toán học thu được
Mô hình QSAR là mô hình biểu thị mối liên hệ định lượng giữa cấu
trúc và hoạt tính của các hợp chất. Mô hình QSAR được biểu diễn dưới dạng
một phương trình toán học (1.4.2). QSAR sử dụng các TSPT, các kỹ thuật xác
suất thống kê và trí tuệ nhân tạo để xây dựng các mô hình. QSAR được xây
dựng dựa trên giả thuyết là cấu trúc của một phân tử phải chứa những đặc
điểm cấu trúc liên quan tới tính chất hóa học, vật lý, sinh học và dựa trên khả
năng các mô tả phân tử. Bởi các mô hình QSAR, hoạt tính sinh học của một
phân tử mới hoặc chưa được kiểm nghiệm có thể được suy ra từ cấu trúc của
các hợp chất tương tự trong đó tính chất của ch ng đã được kiểm nghiệm
[37].
Phương pháp QSAR xây dựng các mô hình toán học nhằm dự đoán
hoạt tính của các hợp chất dựa trên cấu trúc hóa học của chúng, là các kỹ
thuật nhằm dự đoán các kết quả trước khi các thử nghiệm được tiến hành
trong phòng thí nghiệm. QSAR cung cấp thông tin dự đoán về kết quả có thể
có của một thử nghiệm nào đó và khả năng mới này cung cấp các yếu tố liên
quan để thiết lập thứ tự ưu tiên cho một chất mới cho các thử nghiệm [35].
Như vậy, để có thể xây dựng được các mô hình này thì cả cấu trúc và
hoạt tính đều phải được định lượng hóa. Trong nghiên cứu này, các cấu trúc
được định lượng thông qua các TSPT (biến x), biến Y là giá trị logIC50 với
IC50 là nồng độ ức chế 50% hoạt tính của enzym HDAC2, được đánh giá bằng
các phương pháp nghiên cứu thực nghiệm sử dụng Kit định lượng
Bioscence®). Giá trị logIC50 thu được bằng cách xử lí dữ liệu IC50 bằng phần
mềm Microsoft Excell 2007. IC50 càng nhỏ hoạt tính ức chế enzym HDAC2
của chất đó càng mạnh.
- Tính toán TSPT: Tham số mô tả phân tử là một số thu được từ một
quá trình toán học và lôgic chuyển đổi thông tin được mã hóa trong cấu trúc
hóa học [37]. Trong nghiên cứu này, các tham số được tính toán sử dụng phần
mềm Dragon [37]. Dragon là một phần mềm được phát triển bởi công ty
Talete của Italia vào năm 1993, được sử dụng rất rộng rãi hiện nay trong các
nghiên cứu hóa tin và thiết kế thuốc. Dragon tính toán được hơn 5000 TSPT
khác nhau . Các mô tả phân tử thường được phân loại dựa vào chiều thông
tin mô tả cấu trúc. (i) Tham số 0D mô tả thành phần cấu tạo nên cấu trúc, còn
được gọi là các tham số đếm nguyên tử, như số lượng C, N... (ii) Tham số 1D
mô tả cấu tr c dưới dạng chuỗi, như vân tay cấu trúc (fingerprint), hay số
lượng các mảnh cấu tr c, như số lượng nhân thơm, nhóm carboxylic... (iii)
Tham số 2D mô tả cấu tr c dưới dạng hình học topo, cho phép xác định chính
xác thứ tự, vị trí của nguyên tố hay mảnh cấu trúc trong phân tử. Các tham số
2D thường được tính toán dựa trên lý thuyết về graph. (iii) Tham số 3D mô tả
đặc điểm cấu trúc của phân tử trong không gian. Các tham số 3D có thể được
tính toán dựa trên các phương pháp l thuyết như MoRSE, GETAWAY, tính
toán lượng tử, mô tả bề mặt hoặc thể tích phân tử...
Trong nghiên cứu này chúng tôi lựa chọn tham số phân tử 2D để mô tả
cấu trúc các hợp chất. Bởi so với các mô tả phân tử 3D thì mô tả phân tử 2D
không cần tới các thông tin về cấu trúc 3D của phân tử, có tính ổn định cao
hơn do các hợp chất được mô tả dưới dạng 3D thường có độ linh động về cấu
dạng.
Kết quả: Sử dụng phần mềm Dragon 6.0 tính toán được 3764 TSPT cho
mỗi phân tử trong CSDL. Sau khi xử lí loại bỏ TSPT gây nhiễu, 1632 TSPT
còn lại được kiểm tra quan hệ phi tuyến với biến đáp ứng LogIC50. Cuối cùng
các hợp chất được tính toán với 534 TSPT 2D và lưu dưới dạng file.txt.
- Phân chia tập huấn luyện / tập kiểm tra
Sử dụng phương pháp phân chia ngẫu nhiên chia 45 hợp chất trong
CSDL thành 34 hợp chất được phân vào tập huấn luyện, 11 hợp chất được
phân vào tập kiểm tra.
- Xây dựng mô hình: Lựa chọn tham số phân tử bằng phương pháp
thuật giải di truyền sử dụng phần mềm Mobydigs 1.0. Sau đó xây dựng mô
hình QSAR trên tập huấn luyện bằng phương pháp MLR sử dụng phần mềm
STATISTICA 10.0 để xác định tương quan hoạt tính ức chế với tham số mô
tả phân tử Dragon.
Lựa chọn TSPT thích hợp: tất cả các biến không phải được đưa
hết vào mô hình. Mặc dù việc thêm biến độc lập vào làm tăng hệ số tương
quan R2, nhưng nó chỉ tốt khi chúng có liên hệ mạnh với biến phụ thuộc. Mô
hình được chọn ứng với mô hình có Q2 cao nhất. Thực hiện thuật giải di
truyền để chọn mô hình có các biến tối ưu bằng phần mềm Mobydigs 1.0.
Thuật giải di truyền dựa trên cơ chế của chọn lọc tiến hóa trong tự
nhiên: “Trong mọi thế hệ, một tập mới các sinh vật được tạo ra bằng cách lai
ghép những nhân tố thích hợp nhất với môi trường của những sinh vật trong
thế hệ cũ cùng với sự xuất hiện đột biến ngẫu nhiên của các cá thể trong thế
hệ mới”. Vận dụng cơ chế này, đầu tiên thuật toán sẽ mã hoá tất cả các tham
số của cấu tr c ban đầu trong một nhiễm sắc thế - biểu diễn bằng một vec tơ.
Từ nhiễm sắc thể ban đầu này, tạo ngẫu nhiên một quần thể. Quần thể này
được đánh giá và từ đó các nhiễm sắc thể thích nghi nhất (tức là có hàm mục
tiêu Q2
cao nhất) được chọn làm khung để tạo ra quần thể tiếp theo. Quy trình
này làm tăng Q2 của toàn bộ nhiễm sắc thể bằng cách truyền các đặc tính cấu
trúc thuận lợi từ một quần thể này sang một quần thể khác. Sau một số chu kỳ
tìm kiếm và đánh giá, cuối cùng ta sẽ tìm được một nhiễm sắc thể (mô hình)
phù hợp với giá trị Q2 cao nhất.
Các bước thực hiện thuật giải di truyền:
(1). Khởi tạo một quần thể ban đầu (file đầu vào được lưu dưới dạng
file.mdd chứa các dữ liệu về tên, các mô tả phân tử được tính toán bằng phần
mềm Dragon 6.0, giá trị log IC50 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 Q2.
(3). Tạo ra quần thể mới bằng cách lai ghép chéo (crossver) từ các cá
thể hiện tại có chọn lọc (selection), đồng thời tạo ra các đột biến (mutation)
trong quần thể mới theo một xác suất nhất định. Quá trình này thực hiện
thông qua cài đặt giải thuật di truyền (Genetic Algorithm set up).
(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.
Kết quả đã lựa chọn được 6 tham số mô tả phân tử có thể xây dựng mô
hình tốt nhất. Đó là ATS8m, JGI10, SM15_AEA(bo), SM08_AEA(dm),
SM09_AEA(dm), B06[N-O].
Lập mô hình với số biến đã chọn bằng phương pháp hồi qui đa
biến tuyến tính (MLR) bằng phần mềm STATISTICA 10.0. MLR là một
trường hợp rất phổ biến trong thực tế, là tổ hợp tuyến tính giữa các biến phụ
thuộc (Y) với nhiều biến độc lập (x). Trong nghiên cứu này x chính là các
TSPT đặc trưng cho cấu trúc các hợp chất trong CSDL, Y là giá trị logIC50
với IC50 là nồng độ ức chế 50% hoạt tính của enzyme HDAC2. Phân tích hồi
qui bao hàm cả nghĩa “ước tính” (Estimating) hay “dự đoán” (Predictive) vì
sau khi sự tương quan tuyến tính giữa x và Y được thiết lập bởi một biểu thức
toán học cụ thể người ta có thể ước tính hay dự đoán giá trị của Y từ một giá
trị của x. Đường biểu diễn biểu thức toán học ấy được gọi là đường hồi qui
của Y theo x.
Kết quả mô hình MLR xây dựng được gồm 6 biến TSPT như sau:
LogIC50 = 2.808 + 0.064×ATS8m – 230.167×JGI10 –
1.072×SM15_AEA(bo) – 2.821×SM08_AEA(dm) +
3.519×SM09_AEA(dm) – 0.700×B06[N-O]
(3.1)
Trong đó ATS8m, JGI10, SM15_AEA(bo), SM08_AEA(dm),
SM09_AEA(dm), B06[N-O] là các biến tham số phân tử 2D. Hệ số của biến
mang dấu (+), giá trị biến TSPTcàng lớn thì logIC50 càng lớn, IC50 càng lớn
chứng tỏ hoạt tính ức chế enzyme HDAC2 của chất đó càng nhỏ. Và ngược
lại, hệ số biến mang dấu (-), giá trị biến TSPTcàng lớn thì logIC50 càng nhỏ,
IC50 càng nhỏ, hoạt tính ức chế enzyme HDAC2 càng lớn.
3.1.2. Đánh giá mô hình theo các tiêu chí của OECD
Đánh giá mô hình QSAR là công việc quan trọng nhất quyết định việc
mô hình xây dựng được có thể sử dụng để dự đoán sàng lọc hay không. Để sử
dụng và được thông qua mô hình QSAR bởi các cơ quan quản lý, mô hình
phải thỏa mãn các nguyên tắc, tiêu chí của OECD (Tổ chức kinh tế thế giới):
Tiêu chí 1: Toàn bộ CSDL đều sử dụng đích xác định là nồng độ ức
chế 50% (IC50) enzym HDAC2 được tiến hành theo cùng một điều kiện thí
nghiệm là sử dụng Kit định lượng Bioscence®.
Tiêu chí 2: Thuật toán áp dụng rõ ràng: Các phương pháp xây dựng mô
hình trong nghiên cứu chúng tôi đã nêu rõ trong mục 2.2. Do tính rõ ràng và
đ ng đắn của phương pháp mà mô hình có thể được sử dụng lặp lại để phát
hiện các hợp chất mới ức chế HDAC2.
Tiêu chí 3: Xác định miền ứng dụng của mô hình.
Để đạt được khả năng dự đoán tốt trong sàng lọc ảo, việc xác định được
miền ứng dụng của mô hình QSAR là vô cùng cần thiết. Miền ứng dụng là
khoảng không gian cấu trúc bao gổm trong mô hình. Chỉ những dự đoán đối
với các hợp chất có cấu trúc nằm trong miền cấu trúc này mới đáng tin cậy.
Miền ứng dụng được xây dựng dựa trên mối quan hệ giữa phần dư
chuẩn (Standardized Residual) và giá trị “đòn bẩy” (Leverage) (ký hiệu là h)
tính được cho từng hợp chất. Biểu đồ dưới đây (Hình 3.1) cho thấy mối quan
hệ giữa phần dư chuẩn và giá trị h. Chỉ số h cho biết một chất có ảnh hưởng
tới không gian cấu trúc của biến như thế nào. Giá trị giới hạn của h gọi là h*,
h* là một ngưỡng quan trọng để tham chiếu các dự đoán bởi mô hình QSAR
cho hợp chất trong Tr và Te được tính toán theo công thức: h* = 3p/N, trong
đó p là số biến độc lập trong mô hình (3.1), N là số lượng quan sát trong tập
huấn luyện. Miền ứng dụng được xác định là phần giới hạn bởi khung vuông
± 3 phần dư chuẩn đối và h* bằng 0.6.
Hình 3.1. Miền ứng dụng của mô hình QSAR xác định hợp chất có khả năng
ức chế HDAC2.
Sau khi tính toán tập huấn luyện, ta thấy 34/34 hợp chất đều nằm trong
miền ứng dụng. Với tập kiểm tra, toàn bộ 11 hợp chất đều 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: Kết quả các đánh giá nội và ngoại được trình bày trong
bảng 3.1.
Bảng 3.1. Kết quả đánh giá nội và đánh ngoại mô hình QSAR.
Thông số R2
Q2
Q2
ext
Giá trị thực tế 0,89 0,81 0,85
Ta có R2 ~ 1,0 chứng tỏ độ chính xác của mô hình cao, Q
2 = 0,81 cho
thấy mô hình có độ ổn định tốt. Khả năng dự đoán nội 88,85% và khả năng
dự đoán ngoại 84,64% cho thấy mô hình có khả năng dự đoán hoạt tính tốt.
Như vậy mô hình thoả mãn các tiêu chí đánh giá nội và ngoại về độ
chính xác, độ ổn định và khả năng dự đoán tốt.
Tiêu chí 5: Giải thích cơ chế của mô hình.
Mô hình QSAR có sự tham gia của 6 biến, là các tham số phân tử 2D.
Tham số phân tử 2D biểu diễn các cấu tr c theo kích thước, độ phân nhánh,
và hình dạng tổng thể.
Các tham số phân tử 2D trong mô hình bao gồm ATS8m, JGI10,
SM15_AEA(bo), SM08_AEA(dm), SM09_AEA(dm), B06[N-O]. Trong đó:
ATS8m: mô tả tự tương quan Moreau-Broto (ATS) đại diện cho các
tương tác giữa các nguyên tử ở khoảng cách topo 8, (lag 8) theo khối lượng
nguyên tử. Giá trị này dương, hệ số của tham số mang dấu (+) chứng tỏ sự có
mặt của các nguyên tử khối lượng càng lớn càng làm tăng tương tác và càng
giảm hoạt tính ức chế.
JGI 10: Chỉ số topo trung bình cụm 10. Hệ số của tham số này mang
dấu (+), vì vậy giá trị này càng cao càng làm giảm hoạt tính.
Các tham số SM15_AEA(bo), SM08_AEA(dm), SM09_AEA(dm)
thuộc nhóm mô tả Edge adjacency indices. Việc giải thích các biến này gặp
phải khó khăn vì cơ chế của chúng phức tạp đòi hỏi những hiểu biết chuyên
sâu về hóa lượng tử. Bên cạnh đó chưa có nhiều tài liệu tham khảo, do đó
chưa đủ cơ sở để giải thích.
B06[N-O] = 1 hoặc 0 nếu có mặt hoặc không có mặt khoảng cách
giữa 2 nguyên tử Nitơ và Oxi là 6 liên kết (C-C). Hệ số B06[N-O] mang dấu
(-) do đó nếu giá trị này bằng 1 sẽ làm tăng hoạt tính ức chế.
Như vậy mô hình thỏa mãn các tiêu chí đánh giá của OECD, do đó có
thể ứng dụng mô hình này để ứng dụng vào dự đoán hoạt tính sinh học của
các hợp chất thiết kế.
3.1.3. Sàng lọc ảo đánh giá khả năng ức chế HDAC2 sử dụng mô hình xây
dựng đƣợc
Nghiên cứu sử dụng phương pháp sàng lọc các hợp chất ức chế
HDAC2 sử dụng mô hình sàng lọc ảo. Hệ thống sàng lọc được định hướng
phát triển theo các bước như hình 3.2 dưới đây.
Hình 3.2. Tóm tắt quy trình sàng lọc in silico chất ức chế HDAC2 từ
CSDL PubChem.
- Sàng lọc sử dụng tìm kiếm đồng dạng trên CSDL PubChem:
PubChem (http://pubchem.ncbi.nlm.nih.gov/) một CSDL miễn phí về
các cấu trúc hóa học, đặc tính và vai trò sinh học của các hợp chất hóa học và
các chất nói chung. Các hợp chất có nguồn gốc từ khoảng hơn 80 nhà cung
cấp, với khoảng 31 nghìn hợp chất. PubChem giúp tìm kiếm nhanh chóng
các hợp chất hóa học dựa vào các phương pháp tìm kiếm theo sự tương
đồng về cấu trúc. PubChem chứa thông tin về tên, tên gọi khác, các tính chất:
cấu trúc hóa học, tên đoạn, cấu trúc hóa học, khối lượng phân tử, logP, và các
liên kết cho và nhận hydrogen.
Để tìm kiếm trên PubChem, "structural query input" có thể là
PubChem Identifier (CID – tên định danh trong PubChem), SMILES, Inchi.
Trong nghiên cứu này, chúng tôi dùng SAHA là cấu trúc truy vấn. Bởi trong
các nhóm chất ức chế histon deacetylase (HDAC), các acid hydroxamic là
nhóm chất được quan tâm chú ý và tập trung nghiên cứu nhiều nhất. Do các
acid hydroxamic có cấu tr c đơn giản, dễ tổng hợp và có nhóm -NHOH tạo
được phức bền với Zn+ ở trung tâm hoạt động của HDAC mang lại có hoạt
Tìm kiếm đồng dạng
Hợp chất ức chế HDAC2
QSAR
CSDL PubChem
tính ức chế enzym mạnh. Trên thực tế, FDA đã phê duyệt một acid
hydroxamic UHDAC điển hình là vorinostat (suberoylanilide hydroxamic
acid, Zolinza) vào năm 2006 sử dụng trong điều trị u lympho da tế bào
[refractory cutaneous T-cell lymphoma (CTCL)]. Chính vì vậy SAHA được
lựa chọn là cấu trúc truy vấn (chất mẫu), được sử dụng để sàng lọc các hợp
chất có cấu tr c tương tự. Các chất này có cấu tr c tương tự SAHA hy vọng
có tính chất hoặc hoạt tính sinh học giống SAHA.
Kỹ thuật tìm kiếm đồng dạng là kỹ thuật tìm kiếm các hợp chất có cấu
trúc tương tự với hợp chất mẫu (SAHA) trên CSDL (Pubchem) về cấu trúc
của các hợp chất. Kỹ thuật được tiến hành dựa trên nguyên tắc tương tự, theo
đó những phân tử có cấu trúc tương tự nhau thường có đặc tính và hoạt động
sinh học tương tự nhau. Các hợpchất được xếp hạng dựa trên sự tương đồng
với chất mẫu. Độ tương đồng của một chất với chất mẫu có thể phản ánh khả
năng có hoạt tính của chất đó.
Hệ số Tanimoto (Còn được gọi là hệ số Jaccard) là hệ số tương đồng
được sử dụng để biểu diễn sự giống nhau giữa các chất của CSDL được sàng
lọc và chất mẫu rộng rãi nhất trong hóa tin. Hệ số này được tính toán dựa trên
công thức:
Hệ số Tanimoto =
Trong đó: là Số lượng các đặc tính xuất hiện trong cấu trúc A
là Số lượng các đặc tính xuất hiện trong cấu trúc B
NC là Số lượng các đặc tính xuất hiện trong cả 2 cấu trúc A và B
Sau khi tiến hành sàng lọc trên PubChem với dữ liệu đầu vào là công
thức SMILES của SAHA thu được một dãy các dẫn chất hydroxamics có hệ
số tương đồng Tanimoto ≥ 0.85. Lựa chọn ra 120 hợp chất chưa được nghiên
cứu về tác dụng ức chế HDAC2. Đặc điểm các chất được nêu trong Phụ lục.
- Sau đó tính toán tham số phân tử cho các hợp chất được lựa chọn với
các TSPT 2D là ATS8m, JGI10, SM15_AEA(bo), SM08_AEA(dm),
SM09_AEA(dm), B06[N-O] bằng phần mềm Dragon 6.0. Tiếp theo sử dụng
mô hình QSAR đã xây dựng được (3.1) để dự đoán hoạt tính cho chúng. Số
liệu được xử lý bằng phần mềm Microsoft Excell 2007. Kết quả tính toán
TSPT và dự đoán hoạt tính được nêu trong Phụ lục.
- Từ kết quả sàng lọc này, chọn 10% các hợp chất có IC50 thấp nhất,
được nêu trong bảng 3.2 dưới đây.
Bảng 3.2. Kết quả sàng lọc ảo từ cơ sở dữ liệu PubChem.
STT Mã CID
(PubChem)
Cấu trúc IC50
dự đoán
(μM)
1 58624316
0.032781
2 20721667
0.0213922
3 85697302
0.012845
4 44359800
0.0231520
5 42637850
0.0326886
6 54753628
0.042486
7 14496775
0.0387043
8 0.0395340
0.0395340
9 88254626
0.003744
10 21302179
0.0380004
11 54077290
0.0240224
12 90889464
0.0044032
13 70232351
0.003756
14 4953736
0.0331159
SAHA
0.265
Như vậy so với SAHA, là một chất ức chế HDAC2 mạnh, đã được ứng
dụng trong lâm sàng, các hợp chất sàng lọc được trên CSDL PubChem có
hoạt tính ức chế HDAC2 cao hơn rất nhiều. Các hợp chất này là các
hydroxamics có cấu tr c tương đồng với SAHA > 85%. Do đó các hơp chất
này hoàn toàn có thể tổng hợp được và có nhiều tiềm năng phát triển thành
thuốc chống ung thư.
Trong nghiên cứu này, mô hình QSAR xây dựng được giúp phát hiện
các hợp chất mới có tiềm năng ức chế HDAC2 chỉ dựa trên thông tin cấu trúc
phân tử. Mô hình in silico này có vai trò rất quan trọng trong việc sàng lọc
nhanh và hiệu quả các hợp chất mới ngay cả khi ch ng chưa được tổng hợp
hay phân lập giúp tiết kiệm thời gian, tiền bạc trong quá trình nghiên cứu,
phát triển thuốc chống ung thư.
3.2. Bàn luận
3.2.1. Về mô hình QSAR
QSAR hiện nay đang là một kỹ thuật được ứng dụng trong rất nhiều
các lĩnh vực như dược phẩm, y học, hóa học… Kỹ thuật này sử dụng các
TSPT, các kỹ thuật xác suất thống kê và trí tuệ nhân tạo để xây dựng các mô
hình. Mô hình xây dựng bằng phương pháp hồi quy đa biến tuyến tính, lựa
chọn tham số phân tử bằng giải thuật di truyền. Phương pháp này gi p tối ưu
hóa mô hình nhằm tìm ra mô hình biểu thị tốt nhất mối quan hệ giữa biến đáp
ứng là các tham số phân tử.
Mô hình QSAR xây dựng được gồm 6 TSPT 2D. Tham số 2D mô tả
cấu tr c dưới dạng hình học topo, cho phép xác định chính xác thứ tự, vị trí
của nguyên tố hay mảnh cấu trúc trong phân tử. Mô tả phân tử 2D không cần
tới các thông tin về cấu trúc 3D của phân tử, có tính ổn định cao hơn do các
hợp chất được mô tả dưới dạng 3D thường có độ linh động về cấu dạng. Tuy
nhiên, do không kết hợp phương pháp protein docking trong xây dựng mô
hình QSAR nên không thu được thông tin cấu dạng, không xác định được cơ
chế tương tác giữa các chất và enzyme HDAC2.
Bên cạnh đó xây dựng mô hình QSAR còn môt số hạn chế như CSDL
thu thập được từ 6 bài báo khác nhau, do đó có thể gặp sai số trong xây dựng
mô hình QSAR; việc giải thích các biến TSPT đôi khi gặp phải khó khăn vì
cơ chế của chúng phức tạp đòi hỏi những hiểu biết chuyên sâu về hóa lượng
tử; bên cạnh đó chưa có nhiều tài liệu tham khảo, do đó chưa đủ cơ sở để giải
thích.
3.2.2. Về quy trình sàng lọc ảo.
Trong nghiên cứu này, tiến hành sàng lọc các hợp chất ức chế HDAC2
từ CSDL PubChem. Quá trình sàng lọc qua 2 bước cơ bản. CSDL PubChem
sau khi sàng lọc bằng phương pháp “Tìm kiếm đồng dạng” với hệ số đồng
dạng Tanimoto ≥ 0.85, dữ liệu đầu vào là cấu trúc dạng SMILE của SAHA.
Kỹ thuật tìm kiếm đồng dạng là kỹ thuật tìm kiếm các hợp chất có cấu trúc
tương tự với hợp chất mẫu (SAHA) trên CSDL (PubChem) về cấu trúc của
các hợp chất. Kỹ thuật được tiến hành dựa trên nguyên tắc tương tự, theo đó
những phân tử có cấu tr c tương tự nhau thường có đặc tính và hoạt động sinh
học tương tự nhau. Các hợpchất được xếp hạng dựa trên sự tương đồng với
chất mẫu. Độ tương đồng của một chất với chất mẫu có thể phản ánh khả
năng có hoạt tính của chất đó. Kết quả qua phương pháp “tìm kiếm đồng
dạng” là một dãy dẫn chất Hydroxamics có cấu tr c tương đồng với SAHA ≥
0.85. Lựa chọn 120 chất chưa được nghiên cứu về tác dụng ức chế enzym
HDAC2 tiếp tục sàng lọc qua mô hình QSAR xây dựng được nhằm dự đoán
nồng độ ức chế 50% HDAC2 (IC50). Từ đó tìm được các hợp chất có hoạt tính
ức chế HDAC2 dự đoán mạnh nhất có tiềm năng phát triển thành thuốc chống
ung thư.
Như vậy từ một CSDL lớn (hơn 31 nghìn chất) qua hệ thống sàng lọc
này đã sàng lọc được một tập hợp nhỏ các hợp chất có tiềm năng ức chế
enzym HDAC2. Phương pháp này giúp ích nhiều cho việc phát hiện các hợp
chất mới có hoạt tính sinh học ngay cả trước khi ch ng được tổng hợp hay
phân lập. Từ đó gi p tiết kiệm rất nhiều thời gian và công sức và tiền bạc cho
các khâu của quá trình nghiên cứu và phát triển một thuốc mới.
Bên cạnh những ưu điểm trên,mô hình sàng lọc ảo cũng còn gặp một
số khó khăn như không tiến hành sàng lọc qua Docking nên không xác định
khả năng tương tác của hợp chất sàng lọc với enzyme HDAC2, không tìm
hiểu được cơ chế ức chế HDAC2.
KẾT LUẬN VÀ KIẾN NGHỊ
KẾT LUẬN
Từ những kết quả nghiên cứu đã trình bày trên đây ch ng tôi r t ra các
kết luận sau:
1. Nghiên cứu đã xây dựng thành công mô hình toán học biểu diễn mối quan
hệ định lượng giữa cấu trúc và tác dụng ức chế enzyme HDAC2 có phương
trình:
LogIC50 = 2.808 + 0.064×ATS8m – 230.167×JGI10 –
1.072×SM15_AEA(bo)– 2.821×SM08_AEA(dm) +
3.519×SM09_AEA(dm) – 0.700×B06[N-O]
2. Nghiên cứu đã đánh giá mô hình xây dựng được theo các nguyên tắc của
OECD với R2=0.89, Q
2= 0.81, khả năng dự đoán nội 88,85% và khả năng dự
đoán ngoại 84,64%. Như vậy mô hình thoả mãn các tiêu chí đánh giá nội và
ngoại về độ chính xác, độ ổn định và khả năng dự đoán tốt. Mô hình xây dựng
được có thể được ứng dụng để sàng lọc các CSDL lớn nhằm tìm kiếm các hợp
chất ức chế HDAC2.
3. Nghiên cứu đã sàng lọc được 120 hợp chất từ CSDL Pubchem, 14 trong
số đó có hoạt tính mạnh tương đương hoặc hơn SAHA, một thuốc ức chế
HDAC đang lưu hành trên thị trường. Đặc biệt, có 3 hợp chất mạnh hơn
SAHA 60 -70 lần và chưa từng được nghiên cứu tác dụng chống ung thư. Các
hợp chất này có tiềm năng phát triển thành thuốc chống ung thư mới.
KIẾN NGHỊ
Để tiếp tục phát triển các kết quả nghiên cứu của khóa luận trong tìm
kiếm các hợp chất có hoạt tính sinh học ức chế HDAC2 cao, chúng tôi xin
đưa ra các đề xuất sau:
1. Nghiên cứu bằng phương pháp Docking phân tử để tìm hiểu cơ chế ức chế
HDAC2 của 14 hợp chất sàng lọc được.
2. Đánh giá hoạt tính sinh học ức chế HDAC2 của các hợp chất đó trên in
vitro.
TÀI LIỆU THAM KHẢO
Tài liệu Tiếng Việt
1. Nguyễn Bá Đức (2001), "Bài giảng UNG TH HỌC", NXB Y Học.
Tài liệu Tiếng Anh
2. Anand P., Kunnumakkara A. B., Sundaram C., Harikumar K. B,
Tharakan S. T., Lai O. S. and Sung B. B. (2008), "Cancer is a
preventable disease that requires major lifestyle changes", Pharm Res
25(9), 2097 - 2116.
3. Andrea M., Viviana C., Manuela P. and Todeschini R. (2006),
"DRAGON SOFTWARE: an easy approach to molecular descriptor
and calculator", MATCH Commun. Math. Comput. Chem. 56, 237-248.
4. Andrianov V., Gailite V., Lola D., Loza E. and Semenikhina V.
(2009), "Novel amide derivatives as inhibitors of histone deacetylase:
design, synthesis and SAR", Eur J Med Chem. 44.
5. Bae H. and Nam S. W. (2014), "HDAC2 (histone deacetylase 2)", Atlas
Genet Cytogenet Oncol Haematol 18, 594-597.
6. Bernstein B. E. and Tong J. K. (2000), "Genomewide studies of histone
deacetylase function in yeast", Proc Natl Acad Sci U S A. 97(25),
13708-13.
7. Bertrand P. (2010), "Inside HDAC with HDAC inhibitors", Eur J Med
Chem. 45(6), 2095-116.
8. Chun P. (2011), "Synthesis and Importance of Bulky Aromatic Cap of
Novel SAHA Analogs for HDAC Inhibition and Anticancer Activity",
Bulletin of the Korean Chemical Society. 32(6), 1891-1896.
9. Chueh A. C. (2015), "Mechanisms of Histone Deacetylase Inhibitor-
Regulated Gene Expression in Cancer Cells", Antioxid Redox Signal.
23(1), 66-84.
10. Claude B. (2005), "Histone deacetylase inhibitors", Eur J Med Chem.
40, 1-13.
11. Dallavalle S., Cincinelli R., Vesci L. and Barbarino M. (2009),
"Design, synthesis, and evaluation of biphenyl-4-yl-acrylohydroxamic
acid derivatives as histone deacetylase (HDAC) inhibitors", Eur J Med
Chem, 1-13.
12. de Martel C., Ferlay J., Franceschi S., Vignat J., Bray F. and Forman D.
M. (2012), "Global burden of cancers attributable to infections in 2008:
a review and synthetic analysis.", The Lancet Oncology. 13(6), 607 -
615.
13. de Ruijter A. J., van Gennip A. H., Caron H. N. and Kemp S. (2003),
"Histone deacetylases (HDACs): characterization of the classical
HDAC family", Biochem J. 370(Pt 3), 737-49.
14. Do T. M. Dung (2015), "Novel 3-substituted-2-oxoindoline-based N-
hydroxypropenamides as Histone Deacetylase Inhibitors and Antitumor
Agents", Medicinal Chemistry. 11(8), 725-735.
15. Do Thi Mai Dung, Phan Thi Phuong Dung, Dao Thi Kim Oanh, Tran
Khac Vu, Hyunggu Hahn, Byung Woo Han, Minji Pyo, Young Guk
Kim, Sang-Bae Han and Nam, N.H. (2015), "Exploration of novel
5'(7')-substituted-2'-oxospiro[1,3]dioxolane-2,3'-indoline-based N-
hydroxypropenamides as histone deacetylase inhibitors and antitumor
agents", Arabian Journal of Chemistry.
16. Dokmanovic M. (2005), "Prospects: histone deacetylase inhibitors", J
Cell Biochem. 96(2), 293-304.
17. Edwardand C. (2000), "Histone deacetylase transcriptional control and
cancer", Journal of cenlular Physyology. 184(1), 1-16.
18. Eric V. (2006), "Histone Deacetylases Transcriptional Regulation and
Other Cellular Functions".
19. Han van de W. (1995), "Chemometric methods in molecular design",
New York: Wiley-VCH.
20. John J. I. and Shoichet B. K. (2005), "ZINC – A Free Database of
Commercially Available Cosmpounds for Virtual Screening", J Chem
Inf Model. 45(1).
21. Johnstone R. W.(2002), "Histone-deacetylase inhibitors: novel drugs
for the treatment of cancer", Nat Rev Drug Discov. 1(4), 287-299.
22. Kamb A., Wee S. and Lengauer C. (2007), "Why is cancer drug
discovery so difficult?", Nat Rev Drug Discov. 6(2), 115-120.
23. Kim S., Thiessen P. A., Bolton E. E., Chen J., Fu G., Gindulyte A., Han
L., He J., He S., Shoemaker B. A., Wang J., Yu B., and Zhang J.
(2016), "PubChem Substance and Compound databases", Nucleic Acids
Res. 44.
24. Lai M.J. (2012), "Synthesis and Biological Evaluation of 1-
Arylsulfonyl-5-(N-hydroxyacrylamide)indoles as Potent Histone
Deacetylase Inhibitors with Antitumor Activity in Vivo", Medicinal
Chemistry. 55(8), 3777–3791.
25. Lee Y. H., Seo D., Choi K. J., Andersen J. B., Won M. A., Kitade M.,
Gomez-Quiroz L. E., Judge A. D., Marquardt J. U., Raggi C,. Conner
E. A., MacLachlan I. and Factor V. M. (2014), "Antitumor effects in
hepatocarcinoma of isoform-selective inhibition of HDAC2", Cancer
Res. 74(17), 4752-61.
26. Marson C. M., Mahadevan T., Dines J., Sengmany S., Morrell J. M.,
Alao J. P., Joel S. P. and Vigushin D. M. (2007), "Structure-activity
relationships of aryloxyalkanoic acid hydroxyamides as potent
inhibitors of histone deacetylase", Bioorg Med Chem Lett. 17(1), 136-
41.
27. Müller B. M., Jana L., Kasajima A., Lehmann A., Prinzler J., Budczies
J., Winzer K. J., Dietel M. and Weichert W. (2013), "Differential
expression of histone deacetylases HDAC1, 2 and 3 in human breast
cancer - overexpression of HDAC2 and HDAC3 is associated with
clinicopathological indicators of disease progression", BMC Cancer.
13, 215-220.
28. Organisation for Economic Co-operation and Developme (2007),
"Guidance Document on the Validation of (Q)SAR Models ",
Environment directorate joint meeting of the chemicals committee and
the working party on chemicals, pesticides and biotechnology.
29. Pawan K. and Sasazuki T. (2008), "HDAC2 deficiency sensitizes colon
cancer cells to TNFα-induced apoptosis through inhibition of NF-κB
activity", Experimental Cell Research. 314(7), 1507–1518.
30. Pingyuan W., Zhiqing L. and Chen H. (2009), "Sulfamides as novel
histone deacetylase inhibitors", Bioorganic and Medicinal Chemistry
Letters. 17, 1123-1128.
31. Roperoand Santiago (2007), "The role of histone deacetylases
(HDACs) in human cancer", Molecular Oncology. 1, 19-25.
32. Roth S. Y. (2001), "Histone acetyltransferase", Annu.Rev.Biochem.
(120, 81-120e).
33. Stefan B., "Short Manual to the Chemical Drawing Program
ChemDraw®", IfC Department of Chemistry.
34. Sento E. and Glozak M. A. (2007), "Histone deacetylases and cancer",
Oncogene. 26, 5420-5432.
35. The Chemicals Committee and Working Party on Chemicals.(2004),
"OECD Principles for the Validation, for Regulatory Purposes, of
(Quantitative) Structure-Activity Relationship Models".
36. Thaler F. (2013), "Synthesis and biological characterization of
spiro[2H-(1,3)-benzoxazine-2,40-piperidine] based histone deacetylase
inhibitors", European journal of medicinal chemistry. 64, 273-84.
37. Todeschini R. and Consonni V. (2000), "Handbook of Molecular
Descriptors 1st", Federal Republic of Germany. 11.
38. Tran T.L. Huong. (2015), "Novel 2-oxoindoline-based hydroxamic
acids: Synthesis, cytotoxicity and inhibition of histone deacetylation",
Tetrahedron Letters Tetrahedron Letters. 56(16), 6425–6429.
39. WHO, "Cancer Country Profiles, Vietnam, 2014".
40. WHO (2014), "World Cancer Report".
41. Yoshida M., Kijima M., Akita M. and T, B. (1990), "Potent and
specific inhibition of mammalian histone deacetylase both in vivo and
in vitro by trichostatin A", J Biol Chem. 265(28), 17174-9.
42. Zhang L., Fang H. and W X. (2010), "Strategies in developing
promising histone deacetylase inhibitors", Medicinal Research
Reviews. 30(4), 585-602.
43. Zhang L., Han Y. and Q J. (2015), "Trend of Histone Deacetylase
Inhibitors in Cancer Therapy: Isoform Selectivity or Multitargeted
Strategy", Medicinal research reviews. 35, 63-84.
PHỤ LỤC
Bảng . Sàng lọc CSDL Pubchem các hợp chất giống SAHA (Tanimoto similarity index ≥ 0.85), tính toán tham số
phân tử và dự đoán hoạt tính bằng mô hình (3.1)
ST
T
Cấu trúc
(https://pubchem.ncbi.nlm
.nih.gov/compound/)
Mã CID ATS
8m
JGI10 SM15_
AEA
(bo)
SM08_
AEA
(dm)
SM09_
AEA
(dm)
B06
[N-O]
IC50dự đoán
(μM)
1
10039224 2.865 0.003 1 -1 -1.282 0 0.4347064
2
58833044 2.94 0.006 1 -1 -1 0 0.6070787
3 s 87072389 2.784 0.006 1 -1.179 -1.385 0 0.1895215
4
71661014 2.616 0.005 0.532 -1.529 -1.796 0 0.2748285
5
46205431 2.882 0.007 1 -1.167 -1.333 0 0.1758513
6
53302622 2.992 0.008 1 -1 -1.3 0 0.0824400
7
9838671 2.887 0.007 1.049 -1.171 -1.373 0 0.1394253
8
59507279 2.887 0.005 1.049 -1.172 -1.414 0 0.2265910
9
88576450 2.865 0.007 1 -1 -1.178 0 0.1833417
10
66894183 2.711 0.008 0.726 -1.549 -1.806 0 0.0847290
11
24861500 4.074 0.004 1.532 0.347 0.111 0 1.0217461
12
58624316 2.683 0.008 1 -1.193 -1.62 0
0.032781
13
10516731 2.865 0.005 1 -1 -1.173 0 0.3659117
14
85697273 2.98 0.006 1.066 -1.169 -1.368 0 0.2061343
15
85697290 2.98 0.006 1.061 -1.164 -1.229 0 0.3832203
16
85697309 2.98 0.006 1.049 -1 -1.172 0 0.2664222
17
23075284
2.98 0.008 1.063 -1.166 -1.321 0
0.1298851
18
20721667 2.924 0.006 1.049 -1 -1.171 1 0.0213922
19
44456995 2.877 0.006 1 -1.172 -1.414 0 0.1726303
20
85697255 2.871 0.005 1.049 -1.172 -1.414 0 0.2240354
21
85697257 3.065 0.006 1.043 -1 -1 0 0.6242240
22
20721673 2.98 0.008 1.056 -1.149 -1.201 0 0.2119347
23
85697302 2.463 0.008 0.325 -1.766 -1.946 1
0.012845
24
23399147 3.065 0.009 1.064 -1.141 -1.185 0
0.1661152
25
14496776 2.378 0.007 0.608 -1.774 -1.94 0 0.1443687
26
57426850 2.199 0.007 0.181 -1.939 -2 0 0.3368304
27
70379132 2.348 0.007 0.349 -1.779 -1.948 0 0.2003737
28
44359674 2.865 0.003 1 -1 -1.282 0 0.4347064
29
44359673 2.94 0.006 1 -1 -1 0 0.6070787
30
44431491 2.932 0.008 1 -1 -1.3 0 0.0790071
31
59835569 2.952 0.006 1 -1 -1.349 0 0.1250892
32
56951447 4.01 0.01 1.584 -1 -1 0 0.1492143
33
23557326 2.865 0.006 1 -1.163 -1.358 0 0.2132279
34
52936399 2.935 0.004 1 -1 -1 0 1.1801555
35
44359800 2.875 0.01 1 -1 -1.414 0 0.0231520
36
85905437 2.995 0.004 1 -1 -1 0 1.2314345
37
85697276 3.065 0.007 1.075 -1 -1.171 0 0.1961748
38
42637850 2.679 0.008 1 -1.193 -1.62 0 0.0326886
39
24284701
2.88 0.006 1 -1 -1.353 0
0.1167208
40
14496777 2.593 0.004 0.731 -1.567 -1.799 0 0.3261645
41
14496778 2.69 0.003 0.879 -1.38 -1.63 0 0.4118330
42
564390 2.222 0.007 0.181 -1.939 -2 0 0.3423673
43
68394755 2.563 0.003 0.794 -1.597 -1.816 0 0.4245148
44
54753628 2.763 0.008 1 -1 -1.41 0
0.042486
45
71459490 2.982 0.006 1 -1 -1.325 0 0.1425234
46
46205757 3.121 0.007 1.049 -1 -1 0 0.4610862
47
56668788 3.001 0.005 1 -1 -1 0 0.8854045
48
44431497 3.06 0.006 1.03 -1 -1 0 0.6335470
49
52950298 3.763 0.006 1.733 0.958 0.606 0 0.2773072
50
71712264 3.267 0.005 1.414 -0.283 -0.586 0 0.2389080
51
89108892 2.964 0.006 1 -1 -1.349 0 0.1261578
52
88272607 2.964 0.006 1 -1 -1.349 0 0.1261578
53
11232029 3.01 0.006 1.049 -1 -1 0 0.5952860
54
71376590 2.94 0.006 1 -1 -1.171 0 0.2788060
55
88272608 2.955 0.006 1 -1 -1.349 0 0.1253555
56
44359788 2.795 0.007 0.81 -1.38 -1.598 0 0.1486498
57
85697281 3.065 0.006 1.074 -1 -1.17 0 0.2756449
58
85697284 3.065 0.006 1.088 -0.824 -1.17 0 0.1359989
59
9543542 3.111 0.005 1.354 -1 -1 0 0.5804522
60
54789249 2.845 0.006 1 -1 -1.39 0 0.0962167
61
54789247 2.935 0.007 1 -1 -1 0 0.4331006
62
68232694 2.796 0.009 1 -1.185 -1.34 0 0.0881255
63
14496779 2.779 0.004 1 -1.277 -1.414 0 0.4732568
64
19422086 2.351 0.007 0.349 -1.779 -1.948 0 0.2008003
65
17607862 2.387 0.009 0.242 -1.776 -1.944 0 0.1236229
66
24710930 2.496 0.004 0.525 -1.791 -1.949 0 0.4932942
67
71354457 2.935 0.005 1 -1 -1.133 0 0.4612942
68
23428 2.469 0.004 0.525 -1.791 -1.949 0 0.4839423
69
5196616 2.578 0.003 0.794 -1.597 -1.816 0 0.4290529
70
207164 2.754 0.004 1 -1 -1.414 0 0.1577748
71
14496775 2.082 0.012 0.438 -1.927 -2 0 0.0387043
72
42637654 2.189 0.007 0.181 -1.939 -2 0 0.3344511
73
57426849 2.017 0.012 -0.126 -2 0 0 977.4688919
74
46205758 3.164 0.007 1.049 -1 -1 1 0.0395340
75
54753629 3.016 0.005 1 -1 -1 0 0.8948695
76
16739374 3.149 0.007 1.21 -1 -1 0 0.3746286
77
44431493 3.003 0.007 1 -1 -1.102 0 0.2857221
78
44431496 3.069 0.006 1.03 -1 -1 0 0.6376020
79
56658395 3.239 0.004 1.242 -0.84 -1 0 0.5570702
80
59567106 2.904 0.008 0.821 -1.324 -1.389 0 0.2355086
81
102191201
2.882 0.007 1 -1.329 -1.414 0
0.2288591
82
88254626 2.964 0.007 1 -1 -1.502 1
0.003744
83
44415994 2.883 0.003 1 -1 -1.282 0 0.4402888
84
4119737
2.514 0.007 0.884 -1.656 -1.801 0 0.127857
85
54508233 3.075 0.004 1.262 -1 -1 0 0.9000322
86
91172933 2.772 0.006 1 -1.172 -1.414 0 0.1602474
87
81275 3.209 0.005 1.414 -0.235 -0.503 0 0.2773776
88
252600 3.153 0.002 1.404 -0.331 -0.82 0 0.2532248
89
4351049 3.221 0.006 1.028 -0.75 -0.77 0 0.7647220
90
15560754 3.093 0.006 1.388 -0.596 -1 0 0.0808510
91
21302179 2.789 0.007 1 -1 -1.512 0 0.0380004
92
54077290 3.022 0.006 1 -1 -1.176 1 0.0240224
93
58660950 3.004 0.006 1.155 -1 -1 0 0.5103040
94
90889464 2.816 0.009 1 -1.403 -1.642 1 0.0044032
95
3597078 2.914 0.006 1 -1 -1 0 0.5959920
96
3382807 3.052 0.004 1.01 -1 -1 0 1.2642211
97
17202535 3.064 0.006 1.024 -1 -1 0 0.6407555
98
17204914 2.985 0.005 1 -1 -1 0 0.8754187
99
36656244 2.803 0.011 0.731 -1.414 -1.55 0 0.0623897
100
70232351
2.862 0.008 1 -1 -1.412 1 0.003756
101
101030013 3.638 0.005 1.597 0.244 0.103 0 0.7060332
102
43125168 2.6 0.006 0.54 -1.536 -1.804 0 0.1906166
103
59838335 2.677 0.008 1 -1.193 -1.62 0 0.0326423
104
4518322 3.296 0.003 1.414 -0.147 -0.481 0 0.4512904
105
3833468 3.19 0.004 1.307 -0.537 -0.75 0 0.4694463
106
71344197 3.346 0.003 1.45 0.02 -0.298 0 0.5326504
107
71376591 2.586 0.003 0.794 -1.597 -1.816 0 0.4314930
108
65450231 2.697 0.005 0.804 -1.338 -1.61 0 0.2192940
109
71402929 3.282 0.003 1.414 -0.147 -0.481 0 0.4468337
110
89974472 2.689 0.008 0.726 -1.549 -1.806 0 0.0834179
111
89556224 2.444 0.004 0.525 -1.791 -1.949 0 0.4754412
112
203897 2.677 0.003 1 -1.313 -1.652 0 0.2395842
113
94794 2.849 0.004 1 -1 -1.139 0 0.5898757
114
3624549 2.767 0.004 1 -1 -1.414 0 0.1592355
115
4195216 2.925 0.003 1 -1 -1 0 1.6367313
116
20721653 1.982 0 -0.131 -2 0 0 52941.67496
10
117
4953736 2.655 0.009 0.706 -1.251 -1.681 0 0.0331159
118
1718311 2.746 0.006 0.709 -1.249 -1.406 0 0.3323904
119
13311491 2.692 0.003 1 -1.478 -1.69 0 0.3877590
120
102095300 2.93 0.005 1 -1 -1.133 0 0.4596620