Nghiên cứu mô hình Qsar và mô hình mô tả phân tử Docking của các chất ức chế Enzym Histon Deacetylase 6

Y Học TP. Hồ Chí Minh * Phụ Bản Tập 23 * Số 2 * 2019 Nghiên cứu Y học Chuyên Đề Dược 319 NGHIÊN CỨU MÔ HÌNH QSAR VÀ MÔ HÌNH MÔ TẢ PHÂN TỬ DOCKING CỦA CÁC CHẤT ỨC CHẾ ENZYM HISTON DEACETYLASE 6 Thái Khắc Minh*, Võ Thị Minh Nguyên*, Lê Minh Trí* TÓM TẮT Mở đầu: Histondeacetylase 6 (HDAC6) là enzym thuộc nhóm IIAC HDAC. Hoạt động của HDAC6 có liên quan đến nhiều loại bệnh ung thư, Alzheimer, Parkinson và các bệnh tự miễn HDAC6 là mục tiêu tiềm năng cho việc phát triển thuốc điều trị ung thư mới. Mục tiêu: Mô hình QSAR được sử dụng để phát triển các mô hình dự đoán và thiết kế các chất ức chế HDAC6 mới. Mô hình docking phân tử được áp dụng để dự đoán khả năng tương tác giữa các chất ức chế HDAC6 với vùng xúc tác của HDAC6. Đối tượng - Phương pháp nghiên cứu: Tổng cộng 268 chất có hoạt tính ức chế in vitro HDAC6 được thu thập và xây dựng mô hình QSAR, QSAR nhị phân (BQSAR) sử dụng phần mềm MOE. Hệ thống trực tuyến I-TASSER được sử dụng để tạo cấu trúc tương đồng của hai miền xúc tác CD I và CD II của HDAC6. Quá trình docking được tiến hành bằng FlexX/ LeadIT. Kết quả docking được phân tích dựa trên điểm số docking và mô hình tương tác. Kết quả: Mô hình QSAR 2D dựa trên 7 thông số mô tả trên 268 chất có kết quả R2 = 0,4 < 0,5 và RMSE = 0,9 > 0,5; kết quả này không đạt được cho một mô hình dự đoán tốt. Đối với 174 dẫn xuất hydroxamic, mô hình 2D QSAR với 7 thông số mô tả phân tử thu được R2 = 0,71 và RMSE = 0,58. Ba mô hình BQSAR dựa trên 7 thông số mô tả trên 268 chất được xây dựng và kết quả với giá trị chính xác lần lượt là 0,83; 0,84; 0,89 cho ngưỡng giá trị hoạt tính sinh học IC50 là 0,01 μM; 0,1 μM; 1 μM. Kết quả docking phân tử cho thấy khả năng gắn kết tốt của chất ức chế HDAC6 là vào vị trí gắn kết trên cấu trúc tương đồng của hai CD xúc tác I và CD II của HDAC6. Ion Zn2+ và các acid amin như Phe283, Trp284, Pro353, Tyr386 trong CD I và Phe620, Phe679, Phe680, Leu 749 trong CD II của HDAC6 rất quan trọng trong các chất ức chế gắn kết HDAC6. Kết luận: Các mô hình 2D QSAR, BQSAR của các chất ức chế HDAC6 được xây dựng và sử dụng để dự đoán các chết ức chế HDAC6 mới. Cấu trúc tương đồng đã được sử dụng để thực hiện các mô hình docking phân tử ở khoang trung tâm để xác định các acid amin quan trọng ở vùng gắn kết. Kết quả của nghiên cứu này có thể được sử dụng để xác định cấu trúc mới có khả năng ức chế mạnh HDAC6. Từ khóa: QSAR, QSAR nhị phân, docking, HDAC6, Histon deacetylase 6 ABSTRACT QSAR AND MOLECULAR DOCKING STUDIES ON HISTONE DEACETYLASE 6 INHIBITORS Thai Khac Minh, Vo Thi Minh Nguyen, Le Minh Tri * Ho Chi Minh City Journal of Medicine * Supplement of Vol. 23 - No 2- 2019: 319 – 326 Introduction: Histone deacetylase 6 (HDAC6) is a member of the class IIb HDAC family. HDAC6 activity was associated to a variety of diseases including cancer, Alzheimer, Parkinson and autoimmune diseases Therefore, HDAC6 was an interesting potential therapeutic target for new antitumor drug development. Objective: The QSAR modelings were used to develop prediction models and to design new HDAC6 *Khoa Dược, Đại học Y Dược Thành phố Hồ Chí Minh Tác giả liên lạc: PGS. TS. Lê Minh Trí ĐT: 0903718190 Email: leminhtri1099@gmail.com Nghiên cứu Y học Y Học TP. Hồ Chí Minh * Phụ Bản Tập 23 * Số 2 * 2019 Chuyên Đề Dược 320 inhibitors. Molecular docking approach was applied to give the insight interactions between HDAC6 inhibitors with catalytic domains of HDAC6. Materials and methods: A total of 268 compounds with HDAC6 in vitro inhibitory activity was collected and carried out 2D QSAR, Binary QSAR (BQSAR) using MOE software. Online server I- TASSER was employed to create homology structures of two catalytic domains CD I and CD II of HDAC6. The docking procedure was carried out by FlexX/LeadIT. The results were subjected to analysis based on the combination of docking scores and interactive models. Results and discussion: 2D QSAR model based on 7 molecular descriptors and 268 compounds was built and resulted in R2 = 0.4 0.5; the result was not achieved for a good predictive model. For 174 acid hydroxamic derivatives, 2D QSAR model based on 7 molecular descriptors was obtained with R2 = 0.71, RMSE = 0.58. Three BQSAR models based on 7 descriptors of 268 compounds were built and resulted in accuracy values of 0.83, 0.84, 0.89 for threshold values of 0.01 μM, 0.1 μM, 0.89, respectively. Molecular docking results indicated that good binding ability of HDAC6 inhibitors are into the binding site on homology structure at two catalytic CD I and CD II of HDAC6. Ion Zn2+ and amino acids such as Phe283, Trp284, Pro353, Tyr386 in CD I and Phe620, Phe 679, Phe680, Leu749 in CD II of HDAC6 are important in binding HDAC6 inhibitors. Conclusion: 2D QSAR, BQSAR models of HDAC6 inhibitors were developed and those models could be used for prediction new HDAC6 inhibitors. Homology structures were used to perform the molecular docking models at central cavity in order to find out important residues. The results of this study could be used for identifying new novel structures which have the stronger inhibitory of HDAC6. Key words: QSAR, Binary QSAR, docking, HDAC6, Histone deacetylase 6 MỞ ĐẦU Ung thư là nguyên nhân gây tử vong hàng đầu trên thế giới(8-10). Vì vậy việc tìm ra những thuốc mới điều trị ung thư luôn là yêu cầu cấp bách. Với nhiều tiến bộ trong lĩnh vực sinh học phân tử, các enzym liên quan đến ung thư được phát hiện, xác định cấu trúc, vai trò sinh học. Trong đó enzym histone deacetylase (HDAC) được xem là mục tiêu tiềm năng để nghiên cứu phát triển thuốc ung thư mới(3). Hiện nay có 11 loại enzym HDAC đã được xác định, và các chất ức chế enzym HDAC hiện nay đều không chọn lọc với những bất lợi khi gây ra một số tác dụng phụ(1). Do đó yêu cầu tìm ra chất ức chế đặc hiệu và chọn lọc HDAC là vấn đề được quan tâm nghiên cứu. Nghiên cứu mô hình QSAR và mô tả phân tử docking của các chất ức chế HDAC6 được tiến hành với các mục tiêu sau: (i) Xây dựng mô hình QSAR và QSAR nhị phân (BQSAR) dựa trên cơ sở dữ liệu các chất ức chế HDAC6 để ứng dụng trong sàng lọc trên thư viện chứa số lượng lớn các dẫn chất; (ii) Nghiên cứu mô hình mô tả phân tử docking để tìm ra các đặc điểm cấu trúc quan trọng cho hoạt tính sinh học của các dẫn chất ức chế HDAC6, từ đó đưa ra các đề xuất giúp định hướng quá trình tổng hợp dẫn chất ức chế mới, làm cơ sở cho thiết kế thuốc có hiệu quả và giảm chi phí thực nghiệm. PHƯƠNG PHÁP NGHIÊN CỨU Cơ cở dữ liệu Tổng cộng 268 chất có hoạt tính ức chế HDAC6 thuộc các nhóm cấu trúc thuộc 19 bài báo khoa học, đơn vị tính hoạt tính ức chế là micromol (µM), phương pháp xác định hoạt tính sinh học là dựa vào thử nghiệm huỳnh quang trên enzym HDAC6 tái tổ hợp(2,5,6,11-18). Do hoạt tính sinh học IC50 có khoảng chênh lệch với nhau nhiều nên được đổi thành pIC50 với pIC50 = -lg(IC50) để phù hợp cho việc xây dựng phương trình tuyến tính liên quan cấu trúc – tác dụng. Trong nghiên cứu này, cơ sở Y Học TP. Hồ Chí Minh * Phụ Bản Tập 23 * Số 2 * 2019 Nghiên cứu Y học Chuyên Đề Dược 321 dữ liệu được phân phối đa dạng thành tập xây dựng và tập kiểm tra theo tỷ lệ 80:20. Tập xây dựng được sử dụng để xây dựng mô hình, tập kiểm tra được sử dụng để đánh giá khả năng dự đoán của mô hình. Xây dựng mô hình 2D-QSAR, BQSAR Quá trình xây dựng mô hình 2D QSAR và BQSAR được tiến hành bằng phần mềm MOE (www.chemcomp.com). Các thông số mô tả của tập xây dựng mô hình được loại thô để loại các thông số không có ý nghĩa hoặc khiến mô hình tốt giả tạo. Quá trình loại thô qua các bước: loại các thông số có > 20% giá trị bằng 0 bằng phần mềm Excel 2010, loại các thông số có độ lệch chuẩn bằng 0 bằng phần mềm Rapid Miner 5 (rapidminer.com), loại nhóm thông số có hệ số tương quan với nhau ≥ 0,80 được loại bớt và chỉ giữ lại một thông số ngẫu nhiên bằng phần mềm Rapid Miner, sau đó, các thông số này tiếp tục được xử lý bằng phần mềm Weka 3.6 (www.cs.waikato.ac.nz/ml/weka) nhằm tìm ra các thông số có giá trị tương quan với giá trị pIC50 thực nghiệm. Phương pháp được thực hiện là phương pháp BestFirst của phần mềm Weka. Tiến hành loại những chất có Z-score > 2,0 khi tiến hành khảo sát sơ bộ QSAR trên tập xây dựng. Mô hình 2D QSAR được xây dựng dựa vào thuật toán bình phương tối thiểu từng phần PLS và BQSAR dựa trên định lý Bayes trong phần mềm MOE(19). Ngoài các giá trị đánh giá thông thường, hệ số tương quan Matthews (MCC) được sử dụng để đánh giá mô hình phân loại nhị phân, nó thể hiện sự tương quan giữa giá trị phân loại thực và dự đoán(7-20). Hệ số này được sử dụng ngay cả khi các tập có kích thước khác nhau. MCC có giá trị từ -1 đến +1, giá trị MCC càng lớn chứng tỏ khả năng dự đoán của mô hình càng cao. Ngoài ra, điểm số GH cũng được sử dụng trong đánh giá mô hình phân loại. Điểm số GH là giá trị sử dụng đánh giá mức độ phân loại của mô hình trên từng phân nhóm hoạt tính và được tính bằng trung bình cộng của độ đúng và chính xác của từng nhóm chất có hoặc không có hoạt tính. Chỉ số GH càng gần giá trị 1, mô hình được đánh giá là càng tốt. Xây dựng mô hình phân tử docking Mô hình sử dụng trong nghiên cứu là mô hình homology, không có ligand đồng kết tinh nên cần phải xác định vị trí khoang gắn kết bằng công cụ Site Finder trong MOE. Quá trình docking được tiến hành bằng FlexX/ LeadIT (www.biosolveit.de). Kết quả docking được phân tích dựa trên điểm số docking và mô hình tương tác. Kết quả docking được sử dụng để hỗ trợ việc tìm kiếm khoang gắn kết phù hợp nhất. KẾT QUẢ Mô hình 2D QSAR Từ 184 thông số mô tả 2D trong MOE, 7 thông số mô tả được giữ lại sau khi lọc bằng phần mềm Rapid Miner, Excel và Weka 3.6 gồm GCUT_PEOE_0, GCUT_SLOGP_0, a_nN, balabanJ, PEOE_VSA-0, Q_RPC-, SMR_VSA3. Các thông số mô tả này dùng để xây dựng mô hình và 7 chất gây nhiễu được loại bỏ bằng phương pháp phân tích thành phần chính (PCA) và cơ sở dữ liệu còn lại 261 chất. Kết quả QSAR sơ bộ có giá trị R2 = 0,40; RMSE = 0,90 và mô hình QSAR này không đạt. Nghiên cứu tiếp tục xây dựng mô hình 2D-QSAR trên 174 dẫn chất hydroxamic có hoạt tính ức chế HDAC6 được thu thập từ 13 bài báo khoa học, với giá trị IC50 từ 0,002 nM đến 21,50 µM. Tập dữ liệu này được chia thành hai tập là tập xây dựng mô hình (80% số chất) và tập kiểm tra (20% số chất) theo phương pháp phân chia đa dạng. Tập huấn luyện gồm 140 chất trong đó có 18 chất gây nhiễu được loại ra gồm 4 chất có giá trị thông số mô tả có độ lệch nằm ngoài giá trị chung (phương pháp loại nhiễu bằng PCA), 14 chất có giá trị z-score > 2,0 khi tiến hành khảo sát sơ bộ. Nghiên cứu Y học Y Học TP. Hồ Chí Minh * Phụ Bản Tập 23 * Số 2 * 2019 Chuyên Đề Dược 322 Mô hình QSAR trung gian xây dựng được có tương quan giữa pIC50 thực nghiệm và pIC50 dự đoán trên tập xây dựng là R2 = 0,67 (>0,5); RMSE = 0,61. Đánh giá chéo bỏ-1-ra (LOO) của mô hình QSAR trung gian đạt với giá trị RMSE = 0,65; Q2 = 0,63. Mô hình tiếp tục đánh giá chéo bỏ-20%-ra (L-20%-O) cho kết quả RMSE = 0,60; Q2 = 0,68. Mô hình được đánh giá theo đánh giá Roy(20) và kết quả r2m = 0,55 và ∆r2m = 0,26. Các thông số đánh giá trên tập huấn luyện được thể hiện trong bảng 1. Kết quả đánh giá nội cho thấy phương trình đạt mức độ tương quan (R2 > 0,5), tuy nhiên không đạt ở sai số trung bình giữa giá trị thực nghiệm và giá trị dự đoán (RMSE = 0,61 > 0,5). Đánh giá Roy không đạt trên tập xây dựng ở giá trị ∆ cho thấy phương trình không phải là phương trình tốt trong dự đoán. Mô hình QSAR trung gian được đánh giá ngoại trên tập kiểm tra gồm 34 chất không sử dụng xây dựng mô hình và kết quả thể hiện trong bảng 1. Kết quả đánh giá ngoại cho thấy phương trình đạt mức độ tương quan (R2 =0,80 > 0,5), tuy nhiên không đạt ở sai số trung bình giữa giá trị thực nghiệm và giá trị dự đoán (RMSE = 0,52 > 0,5). Đánh giá Roy đạt ở cả hai thông số và ∆ Ngoài ra, đánh giá thông qua hệ số tương quan phù hợp CCC = 0,86 > 0,85 cho thấy phương trình có sự thống nhất giữa giá trị thực nghiệm và các giá trị của tập kiểm tra. Toàn bộ tập dữ liệu 156 chất bao gồm 122 chất từ tập xây dựng và 34 chất từ tập đánh giá ngoại được gộp chung để xây dựng mô hình QSAR hoàn chỉnh với 7 thông số mô tả đã được lựa chọn. Mô hình QSAR hoàn chỉnh sau khi xây dựng xong được tiến hành đánh giá bằng các giá trị RMSE 0,5; Q2>0,4; hệ số tương quan phù hợp CCC và đường giới hạn 95%. Kết quả đánh giá trên mô hình QSAR hoàn chỉnh từ toàn tập dữ liệu cho thấy phương trình đạt mức độ tương quan cao (R2 =0,71 > 0,5), không đạt ở sai số trung bình giữa giá trị thực nghiệm và giá trị dự đoán (RMSE = 0,58 > 0,5) và trình bày ở Bảng 1. Theo đánh giá Roy, mô hình đạt ở giá trị ( = 0,59 > 0,5), không đạt ở giá trị ∆ (∆ = 0,24 < 0,2). Đánh giá thông qua hệ số tương quan phù hợp CCC = 0,83 khá gần với 0,85 là giá trị CCC lý tưởng cho một mô hình QSAR. Giá trị dự đoán của các chất hầu như đều nằm trong khoảng 95% dự đoán đúng của mô hình (Hình 1)(7). Kết quả đánh giá trên mô hình QSAR hoàn chỉnh từ toàn tập dữ liệu cho thấy phương trình đạt mức độ tương quan cao (R2 =0,71 > 0,5), không đạt ở sai số trung bình giữa giá trị thực nghiệm và giá trị dự đoán (RMSE = 0,58 > 0,5). Theo đánh giá Roy, mô hình đạt ở giá trị ( = 0,59 > 0,5), không đạt ở giá trị ∆ (∆ = 0,24 < 0,2). Đánh giá thông qua hệ số tương quan phù hợp CCC = 0,83 khá gần với 0,85 là giá trị CCC lý tưởng cho một mô hình QSAR. Giá trị dự đoán của các chất hầu như đều nằm trong khoảng 95% dự đoán đúng của mô hình (Hình 1). Bảng 1. Mô hình QSAR trung gian và hoàn chỉnh N N RMSE R 2 Q 2 r 2 m ∆ CCC Tập xây dựng 122 0,61 0,67 0,63 0,68 0,41 0,55 0,27 0,12 Tập kiểm tra 34 0,52 0,80 0,80 0,43 0,71 0,18 0,86 Toàn bộ 156 0,58 0,71 0,68 0,711 0.471 0,59 0.24 0,83 Phương trình QSAR: pIC50 = 8,52471 – 3,61843*GCUT_SMR_1 + 0,81284*GCUT_SLOGP_2 - 0,82173*b_double – 2,44377*b_1rotN + 2,17552*a_nN + 0,69242*PEOE_VSA-0 + 1,23777 * PEOE_VSA-1 (N=156) Y Học TP. Hồ Chí Minh * Phụ Bản Tập 23 * Số 2 * 2019 Nghiên cứu Y học Chuyên Đề Dược 323 Hình 1: Đồ thị tương quan giá trị pIC50 thực nghiệm và pIC50 dự đoán từ mô hình QSAR hoàn chỉnh của toàn tập dữ liệu dẫn xuất hydroxamic. Mô hình QSAR nhị phân Mô hình BQSAR được xây dựng dựa vào 7 thông số mô tả đã lọc từ tập dữ liệu ban đầu (GCUT_PEOE_0, GCUT_SLOGP_0, a_nN, balabanJ, PEOE_VSA-0, Q_RPC-, SMR_VSA3) trên 261 chất sau khi đã loại nhiễu bằng PCA. Nghiên cứu xây dựng 3 mô hình dựa trên 3 ngưỡng phân loại chất có hoạt tính hoặc không hoạt tính là 0,01 µM (pIC50= 8); 0,1 µM (pIC50= 7) và 1,0 µM (pIC50 = 6). Giá trị ngưỡng phân loại khác nhau được xác định nhằm mục đích phân loại các chất có khả năng ức chế mạnh ở từng ngưỡng giá trị để tùy điều kiện sàng lọc mà áp dụng. Kết quả với giá trị chính xác của 3 mô hình BQSAR lần lượt là 0,83; 0,84; 0,89 cho ngưỡng giá trị hoạt tính sinh học là 0,01 µM; 0,1 µM; 1 µM và kết quả trình bày ở Bảng 2. Bảng 2: Kết quả các mô hình QSAR phân loại trên các chất ức chế HDAC6 Mô hình I Ngưỡng IC50 = 0,01 µM Mô hình II Ngưỡng IC50 = 0,1 µM Mô hình III Ngưỡng IC50 = 1 µM Tập xây dựng (có hoạt tính/ không hoạt tính) 208 (58/150) 208 (102/106) 208 (176/32) Độ đúng 0,85 0,86 0,89 Độ đúng trên các chất có hoạt tính 0,74 0,84 0,94 Độ đúng trên các chất không có hoạt tính 0,89 0,87 0,63 Độ đúng khi đánh giá chéo LOO 0,83 0,84 0,87 Độ đúng trên các chất có hoạt tính LOO 0,67 0,81 0,93 Độ đúng trên các chất không có hoạt tính LOO 0,89 0,86 0,53 Độ chính xác trên các chất có hoạt tính 0,73 0,86 0,93 Độ chính xác trên các chất không có hoạt tính 0,90 0,84 0,65 MCC 0,63 0,70 0,57 GH trên các chất có hoạt tính 0,74 0,85 0,93 GH trên các chất không có hoạt tính 0,90 0,85 0,64 Tập kiểm tra (có hoạt tính/ không hoạt tính) 53 (21/32) 53 (34/19) 53 (41/12) Độ đúng 0,75 0,91 0,77 Độ đúng trên các chất có hoạt tính 0,86 0,94 0,78 Độ đúng trên các chất không có hoạt tính 0,69 0,84 0,75 Độ chính xác trên các chất có hoạt tính 0,65 0,91 0,91 Độ chính xác trên các chất không có hoạt tính 0,88 0,89 0,5 MCC 0,53 0,79 0,47 GH trên các chất có hoạt tính 0,75 0,94 0,85 GH trên các chất không có hoạt tính 0,78 0,87 0,63 Toàn tập 261 261 261 Nghiên cứu Y học Y Học TP. Hồ Chí Minh * Phụ Bản Tập 23 * Số 2 * 2019 Chuyên Đề Dược 324 Mô hình I Ngưỡng IC50 = 0,01 µM Mô hình II Ngưỡng IC50 = 0,1 µM Mô hình III Ngưỡng IC50 = 1 µM (có hoạt tính/ không hoạt tính) (79/182) (136/125) (217/44) Độ đúng 0,83 0,84 0,89 Độ đúng trên các chất có hoạt tính 0,77 0,81 0,94 Độ đúng trên các chất không có hoạt tính 0,85 0,88 0,66 Độ chính xác trên các chất có hoạt tính 0,69 0,88 0,93 Độ chính xác trên các chất không có hoạt tính 0,89 0,81 0,67 MCC 0,61 0,69 0,60 GH trên các chất có hoạt tính 0,73 0,85 0,93 GH trên các chất không có hoạt tính 0,87 0,84 0,67 Mô hình mô tả phân tử docking Vùng xúc tác deacetylase CD I và CD II lần lượt gồm 317 và 319 acid amin với vị trí từ acid amin từ 87-404 và 482-800 được tải lên I-TASSER (https://zhanglab.ccmb.med.umich.edu/I- TASSER) để xây dựng mô hình protein dựa vào kỹ thuật mô tả tính tương đồng. Enzym HDAC6 là enzyme deacetylase phụ thuộc kẽm, do đó nguyên tố kẽm rất quan trọng trong hoạt tính, bằng kỹ thuật gióng hàng trên phần mềm Sybyl, nguyên tố Zn được định vị vào HDAC6 CD I và HDAC6 CD II nhờ gióng hai mô hình homology trên với cấu trúc 2VQJ của HDAC4 (2VQJ là mẫu protein tốt nhất mà I-TASSER đã sử dụng khi xây dựng homology cho hai vùng xúc tác của HDAC6). Sau đó, hai mô hình đầu tiên này sẽ được sử dụng để thực hiện docking. Hình 2 minh họa mô hình homology Model 1 của HDAC6 CD I và CD II được xây dựng bằng I-TASSER. Công cụ Site Finder của MOE đã đề nghị 32 vị trí có tiềm năng trở thành vị trí gắn kết trên HDAC6 CD I được sắp xếp theo thứ tự ưu tiên giảm dần. Trong đó, khoang thứ 2 (tạm gọi là khoang A) được cấu thành bởi 15 acid amin và nguyên tố Zn2+. Nghiên cứu sử dụng khoang A làm đối tượng nghiên cứu khả năng gắn kết của các chất ức chế lên HDAC6 nhờ gắn kết lên vùng xúc tác thứ nhất HDAC6 CD I. Khoang A được thể hiện là dang cầu ở hình 2A. Tương tự, có 14 vị trí có tiềm năng trở thành vị trí gắn kết trên HDAC6 CD II được sắp xếp theo thứ tự ưu tiên giảm dần. Trong đó, khoang thứ 10 (tạm gọi là khoang B) được cấu thành chủ yếu bởi 14 acid amin và nguyên tố Zn2+. Nghiên cứu sử dụng khoang B làm đối tượng nghiên cứu khả năng gắn kết của các chất ức chế lên HDAC6 nhờ gắn kết lên vùng xúc tác HDAC6 CD II. Khoang B được thể hiện là dạng cầu trên hình 2B. Tiến hành đánh giá mối tương quan giữa điểm số docking trên HDAC6 CD I với giá trị pIC50 của 268 chất và điểm số docking trên HDAC6 CD II với giá trị pIC50 của 264 chất (trừ 4 chất không dock được vào khoang B của HDAC6 CD II). Kết quả phân tích từ đồ thị tương quan cho thấy điểm số docking tại hai vùng xúc tác CD I và CD II của HDAC6 có mối tương quan thấp đối với pIC50 (R2< 0,5) lần lượt là 0,32 và 0,22. Y Học TP. Hồ Chí Minh * Phụ Bản Tập 23 * Số 2 * 2019 Nghiên cứu Y học Chuyên Đề Dược 325 (A) (B) Hình 2: Mô hình homology được xây dựng bằng I-TASSER và vị trí khoang gắn kết được đề nghị bởi Site Finder của HDAC6 CD I (A) và HDAC6 CD II (B). BÀN LUẬN Nghiên cứu đã xây dựng được ba mô hình BQSAR phân loại các chất có tác động ức chế enzym HDAC6. Mô hình I với ngưỡng hoạt tính sinh học 0,01 µM, độ đúng 0,85. Mô hình II với ngưỡng hoạt tính sinh học 0,1 µM, độ đúng 0,86. Mô hình III với ngưỡng hoạt tính 1 µM, độ đúng 0,89. Nghiên cứu chưa thành công trong việc xây dựng mô hình 2D QSAR dựa trên thuật toán bình phương tối thiểu từng phần đối với toàn bộ tập cơ sở dữ liệu. Trên nhóm dẫn xuất hydroxamic, nghiên cứu đã xây dựng được mô hình 2D QSAR có thể dùng để dự đoán chất có hoạt tính ức chế HDAC6, góp phần vào quá trình sàng lọc ảo để tìm ra thuốc mới. Mô hình homology của hai vùng xúc tác HDAC6 CD I và CD II được xây dựng từ trình tự acid amin dựa trên kỹ thuật mô tả tính tương đồng của sever tự động I-TASSER. Mô hình này được áp dụng để tiến hành docking với các chất có hoạt tính ức chế với khoang gắn kết được giả định trước. Kết quả docking cho thấy các chất này có ái lực gắn kết cao với khoang trung tâm ở cả hai vùng xúc tác. Nguyên tố Zn2+ ở đáy khoang xúc tác và vị trí gắn kết quan trọng quyết định hoạt tính sinh học, ngoài ra các acid amin như Phe283, Trp284, Pro352, Lys353, Tyr386 ở khoang A và Phe620, Phe679, Phe680, Leu749 ở khoang B cũng quan trọng trong tham gia gắn kết với chất ức chế. Những mô hình này được sử dụng để sàng lọc dữ liệu các chất tự nhiên Trung Hoa (TCM)(4) và thu được 13 chất với IC50 < 0,1. Kết quả sàng lọc không trình bày chi tiết trong báo cáo này. KẾT LUẬN Ức chế HDAC nói chung hay HDAC6 nói riêng là mục tiêu trong tìm ra thuốc mới điều trị ung thư. Các mô hình 2D QSAR, BQSAR của các chất ức chế HDAC6 được xây dựng và sử dụng để dự đoán các chết ức chế HDAC6 mới. Cấu trúc tương đồng đã được sử dụng để thực hiện các mô hình docking phân tử ở khoang trung tâm để xác định các acid amin quan trọng ở vùng gắn kết. Kết quả của nghiên cứu này có thể được sử dụng để xác định cấu trúc mới có khả năng ức chế mạnh HDAC6. Lời cảm ơn: Nghiên cứu này được tài trợ bởi Quỹ Phát triển khoa học và công nghệ Quốc gia (NAFOSTED) trong đề tài mã số 106-YS.05-2015.31 (Thái Khắc Minh). TÀI LIỆU THAM KHẢO 1. Aldana-Masangkay GI, Sakamoto KM (2010). The Role of HDAC6 in Cancer. J Biomed Biotech, 2011: pp.875824. 2. Butler KV, Kalin J, Brochier C, Vistoli G, Langley B, Kozikowski AP (2010). Rational design and simple chemistry yield a superior, neuroprotective HDAC6 Inhibitor, Tubastatin A. J Am Chem Soc, 132: pp.10842–10846. 3. Carugo O (2007). Detailed estimation of bioinformatics prediction reliability through the Fragmented Prediction Performance Plots. BMC Bioinformatics, 8: pp.380. Nghiên cứu Y học Y Học TP. Hồ Chí Minh * Phụ Bản Tập 23 * Số 2 * 2019 Chuyên Đề Dược 326 4. Chen C (2011). TCM Database@Taiwan: The World’s Largest Traditional Chinese Medicine Database for Drug Screening In Silico. PlotS ONE, 6: pp.e15939. 5. Chen PC, Patil V, Guerrant W, Green P, Oyelere AK (2008). Synthesis and structure-activity relationship os histone deacetylase (HDAC) inhibitors with triazole-linked cap group. Bioorg Med Chem, 16: pp.4839-4853. 6. Chen Y, Lopez-Sanchez M, Savoy DN, Billadeau DD, Dow GS, Kozikowski AP (2008). A Series of potent and selective, triazolylphenyl-based histone deacetylases inhibitors with activity against pancreatic cancer cells and Plasmodium falciparum. J Med Chem, 51: pp.3437–3448. 7. Chirico N, Gramatica P (2012). Real External Predictivity of QSAR Models. Part 2. New Intercomparable Thresholds for Different Validation Criteria and the Need for Scatter Plot Inspection. J Chem Inform Model, 52: pp.2044-2058. 8. Egger G, Liang G, Aparicio A, Jones PA (2004). Epigenetics in human disease and prospects for epigenetic therapy. Nature, 429: pp.457-463. 9. Ferlay J, Soerjomataram I, Dikshit R, Eser S, Mathers C, Rebelo M, Bray F (2015). Cancer incidence and mortality worldwide: sources, methods and major patterns in GLOBOCAN 2012. Inter J Cancer, 136: pp.E359-E386. 10. Greer JM, McCombe PA (2012). The role of epigenetic mechanisms and processes in autoimmune disorders. Biologics: targets therapy, 6: pp.307-327. 11. Guandalini L, Balliu M, Cellai C, Martino MV, Nebbioso A, Mercurio C, Carafa V, Bartolucci G, Dei S, Manetti D, Teodori E, Scapecchi S, Altucci L, Paoletti F, Romanelli MN (2013). Design, synthesis and preliminary evaluation of a series of histone deacetylase inhibitors carrying a benzodiazepine ring. Eur J Med Chem, 66: pp.56-68. 12. He R, Chen Y, Chen Y, Ougolkov AV, Zhang JS, Savoy DN, Billadeau DD, Kozikowski AP (2010). Synthesis and Biological Evaluation of Triazol-4-ylphenyl-Bearing Histone Deacetylase Inhibitors as Anticancer Agents. J Med Chem, 53: pp.1347-1356. 13. Hideshima T, Bradner JE, Wong J, Chauhan D, Richardson P, Schreiber S. L, Anderson KC (2005). Small-molecule inhibition of proteasome and aggresome function inducessynergistic antitumor activity in multiple myeloma. Proc Nat Acad Scie USA, 102: pp.8567–8572. 14. Itoh Y, Suzuki T, Kouketsu A, Suzuki N, Maeda S, Yoshida M, Nakagawa H, Miyata N (2007). Design, synthesis, structure-selectivity relationship, and effect on human cancer cells of a novel series of histone deacetylase 6- selective inhibitors. J Med Chem, 50: pp.5425-5438. 15. Jones P, Bottomley MJ, Carfí A, Cecchetti O, Ferrigno F, Surdo P. L, Ontoria J. M, Rowley M, Scarpelli R, Fademrecht CS, Steinkȕ hler C (2008). 2- Trifluoroacetylthiophenes, a novel series of potent and selective class II histone deacetylase inhibitors. Bioorg Med Chem Lett, 18: pp.3456-3461. 16. Kalin JH, Butler KV, Akimova T, Hancock WW, Kozikowski AP (2012). Second-generation histone deacetylase 6 inhibitors enhance the immunosuppressive effects of Foxp3+ T-Regulatory cells. J Med Chem,55: pp.639-651. 17. Kozikowski AP, Chen Y, Gaysin AM, Savoy DN, Billadeau DD, Kim KH (2008). Chemistry, Biology, and QSAR Studies of Substituted Biaryl Hydroxamates and Mercaptoacetamides as HDAC inhibitors Nanomolar Potency Inhibitors of Pancreatic Cancer Cell Growth. ChemMedChem, 3(3), pp.487-501. 18. Kozikowski AP, Tapadar S, Luchini DN, Kim KH, Billadeau DD (2008). Use of the nitrile oxide cycloaddition (NOC) reaction for molecular probe generation: A new class of enzyme selective histone deacetylase inhibitors (HDACIs) showing picomolar activity at HDAC6. J Med Chem, 51: pp.4370–4373. 19. Labute P (1999). Binary QSAR: a new method for the determination of quatitative structure activity relationships. Pacific Symp. Biocomput, 4: pp.444-455. 20. Ojha PK, Mitra I, Das RN, Roy K (2011). Further exploring rm2 metrics for validation of QSPR models. Chemomet Intell Lab Sys, 107: pp.194-205. Ngày nhận bài báo: 18/10/2018 Ngày phản biện nhận xét bài báo: 01/11/2018 Ngày bài báo được đăng: 15/03/2019