Mô hình QSDARMLR được thành lập bằng cách thay đổi độ dịch chuyển
hóa họci của oxy và cac bon.
Chọn lựa độ dịch chuyển hóa họci bằng thuật toán thêm dần và loại bỏ
dần từng trường hợp kết hợp với thuật toán di truyền (GA).
Quá trình mô hình hóa được thực hiện bằng cách theo dõi các giá trị
thống kê SE, R2adj, R2test và F-stat với mức độ tin cậy α là 0,05. Tất cả
các mô hình QSDARMLR được đánh giá bằng kỹ thuật đánh giá chéo
loại bỏ dần từng trường hợp. Các mô hình QSDARMLR tốt nhất với k =
5, 6, 7 cho ở bảng Bảng 3.14. Giá trị R2fitness và SE của các mô hình
QSDARMLR (với số biến số k từ 2 đến 9) cho ở Bảng 3.13.
Mô hình QSDARMLR tốt nhất (với k bằng 7) với các biến số i của các
nguyên tố O1, O11, C2, C3, C6, C7 và C2’ với các giá trị R2fitness là 0,9057
và sai số SE là 0.1213 QSDARMLR. Các nguyên tử này cũng đóng góp
quan trọng nhất đối với các hoạt tính kháng ung thư của các chất dẫn
xuất flavone và isoflavone.
28 trang |
Chia sẻ: trungkhoi17 | Lượt xem: 444 | Lượt tải: 0
Bạn đang xem trước 20 trang tài liệu Tóm tắt Luận án Thiết kế, sàng lọc một số dẫn xuất Flavonoid và đánh giá hoạt tính gây độc lên dòng tế bào Hela dựa vào các tính toán hóa lượng tử - Bùi Thị Phương Thúy, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
ợc thực hiện bằng cách theo dõi các giá trị
thống kê SE, R2adj, R2test và F-stat với mức độ tin cậy α là 0,05. Tất cả
các mô hình QSDARMLR được đánh giá bằng kỹ thuật đánh giá chéo
loại bỏ dần từng trường hợp. Các mô hình QSDARMLR tốt nhất với k =
5, 6, 7 cho ở bảng Bảng 3.14. Giá trị R2fitness và SE của các mô hình
QSDARMLR (với số biến số k từ 2 đến 9) cho ở Bảng 3.13.
Mô hình QSDARMLR tốt nhất (với k bằng 7) với các biến số i của các
nguyên tố O1, O11, C2, C3, C6, C7 và C2’ với các giá trị R2fitness là 0,9057
và sai số SE là 0.1213 QSDARMLR. Các nguyên tử này cũng đóng góp
quan trọng nhất đối với các hoạt tính kháng ung thư của các chất dẫn
xuất flavone và isoflavone.
6
Bảng 3.14 Giá trị thống kê, các hệ số và phần trăm đóng góp của các độ
dịch chuyển hóa học i trong các mô hình QSDARMLR
Biến số xi
QSDARMLR MPxk,%
GMPmxi,%
m = 5 m = 6 m = 7 m = 5 m = 6 m = 7
R2luyện 0,802 0,861 0,906 - - - -
R2adj 0,752 0,817 0,869 - - - -
SE 0,167 0,143 0,121 - - - -
R2thử 0,631 0,673 0,800 - - - -
Hằng số 14,459 37,055 32,99 - - - -
O1 0 0,014 0,016 0,133 7,649 9,949 5,91
O11 0,004 0,008 0,006 18,599 11,386 9,501 13,162
C2 - - -0,045 - - 16,448 5,483
C3 - -0,058 -0,063 - 14,348 17,603 10,65
C4 -0,068 -0,078 - 71,64 27,471 - 33,037
C6 0,006 -0,059 -0,047 5,169 16,424 14,965 12,186
C7 -0,005 -0,075 -0,059 4,46 22,722 20,312 15,832
C2' - - -0,037 - - 11,222 3,741
Ba mô hình QSDARMLR (với k từ 5 đến 7) là các nguyên tử O1, O11, C2,
C3, C4, C6, C7 và C2’ trong Bảng 3.14 được chọn để tính toán tỷ lệ phần
trăm đóng góp của các nguyên từ đối với hoạt tính kháng ung thư.
Các giá trị phần trăm đóng góp MPmxk,%, và GMPmxk%, cũng như các
giá trị thống kê trong mô hình QSDARMLR (với k từ 5 đến 7) cũng được
chỉ ra trong Bảng 3.14. Các giá trị độ dịch chuyển hóa học của cac bon
à oxy trong phân tử flavone và isoflavone sắp xếp theo giá trị
GMPmxk,% as C4 > C7 > O11 > C6 > C3 > O1 > C2 > C2’. Các vị trị O1, C2,
C3 và C4 là các vị trí quan trọng trong khung phân tử. Bởi vì đây là các
oxy và cac bon của nhóm cacbonyl C4 = O11 và O1 với cặp electron tự
do. Trong trườn hợp này electron của liên kết C2 = C3 và C4 = O11 tạo
thành hệ liên hợp. Nhóm cacbonyl C4 = O11 thực hiện các phản ứng oxy
hóa khử. Nghiên cứu này phù hợp với các nghiên cứu thực nghiệm.
Hơn nữa, các vị trí C6, C7 và C3 cũng cho thấy rằng các vị trí quan trọng
đã khảo sát và nghiên cứu bằng các nhóm thế gắn vào các nguyên tử C3,
C6 và C7 để thiết kế các dẫn xuất mới. Như vậy, để thiết các các dẫn
xuất mới với hoạt tính pGI50 cao bằng cách gắn các nhóm thế mới vào
các vị trí C3, C6 và C7 trong phân tử flavone và isoflavone.
3.2.3.2. Mô hình mạng thần kinh QSDARANN
Mô hình mạng thần kinh QSDARANN được xây dựng bằng mạng thần
kinh trên phần mềm INForm đã được khảo sát kiến trúc mạng. Kiến
trúc I(7)-HL(2)-O(1) bao gồm lớp nhập I(7) với yếu tố đầu vào đã được
chọn là O1, O11, C2, C3, C6, C7 và C2’ là các biến số trong mô hình tuyến
7
tính QSDARMLR với k = 7 và một lớp xuất O(1) với yếu tố đầu ra
(pGI50) như là biến mục tiêu, cấu trúc một lớp ẩn HL(2) với hai nút.
Giải thuật lan truyền ngược, sai số 0,001 được sử dụng để luyện kiểu
mạng thần kinh này. Các tham số để luyện mạng nơ ron là tốc độ học
0,7; momen = 0,7; vòng lặp 10000 và sai số MSE = 0,0305764. Hàm
truyền sigmoid được sử dụng cho mỗi nơ ron của lớp nhập và lớp xuất.
Sau khi luyện mô hình thần kinh QSDARANN, R2thử = 0,800; giá trị
R2luyện đạt được 0,924 cao hơn giá trị R2luyện = 0,906 đối với mô hình
tuyến tính QSDARMLR.
3.2.3.3. Kiểm tra khả năng dự đoán
Bảng 3.15 Hoạt tính pGI50,tt của các dẫn xuất kiểm tra và các giá trị
ARE,% từ các mô hình QSDARMLR (với k = 7) và QSDARANN với kiến
trúc I(7)-HL(2)-O(1)
Hợp chất pGI50tn pGI50,tt ARE,%
QSADRMLR QSDARANN QSDARMLR QSDARANN
a1 5,745 5,781 5,789 0,636 0,764
a2 5,699 5,758 5,796 1,039 1,697
a3 5,796 5,808 5,708 0,209 1,515
a4 5,921 6,181 5,957 4,389 0,606
a5 5,699 5,394 5,755 5,344 0,975
a6 5,658 5,503 5,723 2,730 1,157
MARE,% 2,391 1,119
Sau khi sử dụng các mô hình QSDARMLR và QSDARANN để dự đoán
hoạt tính kháng ung thư của các dẫn xuất kiểm tra, độ lệch khoảng dự
đoán là có thể chấp nhận. Các mô hình QSDARMLR và QSDARANN thỏa
mãn các đòi hỏi thực tế để dự đoán hoạt tính kháng ung thư pGI50 của
các dẫn xuất mới. Một lần nữa chúng tôi khẳng định khả năng dự đoán
của các mô hình quan hệ cấu trúc hoạt tính là đáng tin cậy.
3.2.4. Xây dựng mô hình QSSRMLR
3.2.4.1. Nguyên tắc xây dựng
3.2.4.2. Tính toán các tham số hóa lý
3.2.4.3. Xây dựng mô hình
Mô hình tuyến tính QSSRMLR cũng được nghiên cứu, phát triển từ các
kỹ thuật hồi quy tuyến tính. Mô hình quan hệ cấu trúc - cấu trúc
(QSSR) là mối quan hệ giữa những hợp chất (y) và các hợp chất có cấu
trúc tương tự (x). Các mô hình QSSRMLR được xây dựng bằng phương
pháp hồi quy tuyến tính. Kỹ thuật hồi quy đa biến tuyến tính được sử
dụng để xây dựng mối quan hệ tuyến tính giữa các hợp chất có cấu trúc
tương tự. Những mối quan hệ tuyến tính này được xây dựng bằng cách
8
sử dụng các bộ mô tả điện tích nguyên tử của các chất dự đoán và các
chất mục tiêu. Tất cả các bộ mô tả điện tích nguyên tử bao gồm các
nguyên tử tính O1, C2, C3, C4, C5, C6, C7, C8, C9, C10, O11, C1', C2', C3',
C4', C5', C6'. Các mô hình tuyến tính QSSRMLR với các giá trị thống kê
rất tốt R2luyện = 0,999 và R2thử = 0,999:
Fla-A1 = 0,00015+1,018 (Fla-A5)-0,513 (Fla-A21)+0,497 (Fla-A22)
Fla-A2 = -0,00020+1,260 (Fla-A6) + 0,871 (Fla-A14)-1,134 (Fla-A24)
Fla-A3 = 0,00002+0,935 (Fla-A7) + 0,582 (Fla-A16) -0,517 (Fla-A28)
isoFla-A4=-0,000002+0,980(isoFla-A8)-0,233(isoFla-A18)+0,252(isoFla-
A19)
Fla-A5 = -0,00015+0,982 (Fla-A1) +0,499 (Fla-A21) -0,483 (Fla-A22)
Fla-A6 =0,00019+0,682 (Fla-A2)-0,587 (Fla-A14)+0,907 (Fla-A24)
Fla-A7 = -0,00003+1,037 (Fla-A3)+-0,041 (Fla-A16)+0,004 (Fla-A27)
isoFla-A8=0,0000051+1,006(isoFla-A4)+0,253(isoFla-A18)-
0,259(isoFla-A19)
Fla-A9 = 0,000004+0,047 (Fla-A5) +1,025 (Fla-A11) -0,072 (Fla-A23)
Fla-A10 = 0,00012+0,977 (Fla-A9) -1,055 (Fla-A21) +1,079 (Fla-A22)
3.2.4.4. Kiểm tra khả năng dự đoán
Mô hình hồi quy tuyến tính nhận được
từ các dẫn xuất flavone và isoflavone
này có thể ứng dụng để dự đoán tính
chất hóa lý cũng như hoạt tính kháng
ung thư của các flavone và isoflavone có
cấu trúc tương tự. Phân tích ANOVA
một yếu tố cũng chỉ ra rằng kết quả dự
đoán tính chất hóa lý và hoạt tính kháng
ung thư của các dẫn xuất flavone và
isoflavone từ mô hình
Hình 3.6. Quan hệ giữa
tính chất hóa lý dự đoán
và dữ liệu thực nghiệm
QSSRMLR thì không khác các giá trị tính chất hóa lý tham khảo, giá trị
hoạt tính kháng ung thư xác định từ thực nghiệm với (Ftt = 0,0010 <
F0,05 = 3,9423).
3.2.5. Xây dựng mô hình QSARMLR (3.16) và QSARANN(1)
3.2.5.1. Dữ liệu
3.2.5.2. Xây dựng mô hình QSARMLR (3.16)
9
Bảng 3.18 Các mô hình QSARMLR (k từ 2 đến 10) với các giá trị R2,
R2pred và MSE
k Tham số mô tả phân tử 2D, 3D trong các mô hình MSE R² R²pred
2 xvc3, Dipole 0,063 0,657 0,630
3 xvp3, xvpc4, Dipole 0,034 0,820 0,798
4 xvp6, xvpc4, Dipole, LogP 0,027 0,866 0,843
5 xp8, Dipole, Volume, knotpv, LogP 0,023 0,891 0,867
6 xp8, xvp8, Dipole, knotpv, SHBa, LogP 0,019 0,914 0,890
7 xp8, xvp8, Dipole, Hmaxpos, knotpv, SHBa, LogP 0,015 0,933 0,910
8 xp6, SaaCH, k2, nvx, knotp, knotpv, SHBa, LogP 0,015 0,936 0,909
9 xp8, ABSQ, SsOH, Hmaxpos, phia, knotp, knotpv, SHBa, LogP 0,012 0,955 0,932
10 xp8, ABSQ, SsOH, Hmaxpos, nvx, phia, knotp, knotpv, SHBa, LogP 0,012 0,955 0,928
Bảng 3.19. Các giá trị thống kê và giá trị phần trăm đóng góp MPmxk,%
và GMPmxk,% đối với các tham số mô tả phân tử 2D3, D trong các mô
hình QSARMLR (với k là 8, 9, 10).
QSARMLR MPmxi,%
GMPmxi, %
m = 8 M = 9 m = 10 m = 8 m = 9 m = 10
R2 0,936 0,955 0,955
R2 pred 0,909 0,932 0,928
SE 0,124 0,107 0,110
Hệ số -13,133 3,044 2,946
k2 -4,926 - - 23,638 7,879
xp6 -2,899 - - 6,399 2,133
xp8 - 4,473 4,282 14,301 12.181 8,827
nvx 3,487 - 0,036 45,229 1,138 15,456
knotp -8,350 -2,673 -2,794 9,072 7,879 7,325 8,092
knotpv 34,40 15,54 15,917 9,681 11,878 10,813 10,790
SHBa -0,225 0,019 0,016 4,398 1,004 0,770 2,057
Hmaxpos - -1,203 -1,201 3,439 3,060 2,166
SaaCH -0,166 - - 1,490 0,497
ABSQ - -5,982 -5,939 33,101 29,255 20,785
SsOH - 0,359 0,358 2,924 2,609 1,844
phia - 3,067 2,999 21,167 18,413 13,193
logP 0,050 0,839 0,793 0,093 4,308 3,624 2,675
Sự biến thiên các giá trị R2, R2pred và SE trong các mô hình QSARMLR
với các tham số mô tả 2D và 3D, tương ứng chỉ ra trong Bảng 3.18.
Để xây dựng các mô hình QSARMLR, các tham số mô tả 2D và 3D được
chọn lựa bằng kĩ thuật hồi quy từng bước. Các tham số mô tả 2D, 3D
được chọn dựa trên cơ sở các giá trị thống kê R2, SE và F-stat.
Các mô hình được đánh giá chéo bằng kĩ thuật loại bỏ dần từng trường
hợp (LOO) để xác định giá trị R2pred. 9 mô hình phù hợp nhất được chỉ
10
ra trong Bảng 3.18. Các giá trị phần trăm đóng góp trung bình
MPmxk,%, GMPmxk, % và các giá trị thống kê khác đối với các mô hình
(với k là 8, 9 và 10), được đưa ra trong Bảng 3.19. Sự xắp xếp mức độ
ảnh hưởng quan trọng của các tham số 2D, 3D trong các mô hình
QSARMLR theo thứ tự là GMPmxk,%: SaaCH < SsOH < SHBa < xp6 <
Hmaxpos < logP < k2 < knotp < xp8 < knotpv < phia < nvx < ABSQ.
Các tham số mô tả ABSQ, nvx, phia, knotpv, xp8, knotp, k2 và LogP
được xem là các tham số mô tả quan trọng nhất trong mỗi phân tử. Mô
hình QSARMLR (3.16) như sau:
pGI50 = 3,044 + 4,473×xp8 -5,982×ABSQ + 0,359×SsOH -
1,203×Hmaxpos + 3,067×phia -2,673×knotp + 15,540×knotpv +
0,019×SHBa + 0,839×LogP (3.16)
Với n = 34; R2 = 0,955; R2Adj= 0,932; R2Pred = 0,745; SE = 0,107; F =
42,182.
3.2.5.3. Xây dựng mô hình QSARANN(1)
Mô hình QSARANN(1) được xây dựng bằng kỹ thuật neuro-fuzzy với
thuật toán di truyền sử dụng phần mềm INForm. Mô hình mạng thần
kinh nhân tạo có kiến trúc mạng I(9)-HL(5)-O(1) được xây dựng. Kiến
trúc mạng này bao gồm lớp input I(9) với 9 nơ ron tương ứng với 9 biến
độc lập xp8, ABSQ, SsOH, Hmaxpos, phia, knotp, knotpv, SHBa và
LogP; lớp ẩn HL(5) với 5 nơ ron và lớp output O(1) với 1 nơ ron là hoạt
tính sinh học pGI50. Thuật toán lan truyền ngược được ứng dụng để
luyện mạng thần kinh. Hàm truyền cho mỗi nơ ron là đường tiếp tuyến
Hypecbol; mỗi tham số luyện mạng khác nhau được sử dụng cho quá
trình luyện mạng với tốc độ huấn luyện (moment) là 0.7 và tốc độc học
là 0.01; sai số tổng cộng là 0,0003017, sai số dự đoán là 0,00001 với
300000 vòng lặp. Sau khi luyện mạng mô hình mạng thần kinh thu
được có kiến trúc I(9)-HL(5)-O(1), với giá trị thống kê R2train là 0,8963
và R2pred là 0,8883.
3.2.5.4. Khả năng dự đoán của mô hình QSARMLR (3.16) và
QSARANN(1)
Sau khi sử dụng các mô hình QSARMLR (3.16) và QSARANN(1) để dự
đoán hoạt tính sinh học pGI50 của sáu hợp chất trong nhóm kiểm tra chỉ
ra khả năng dự đoán chính xác của các mô hình QSAR với các sai số
nằm trong khoảng tin cậy của phép đo thực nghiệm. Tuy nhiên, các mô
hình QSARMLR (3.16) và QSARANN(1) đều có khả năng dự báo tốt đối
với hoạt tính sinh học của các hợp chất mới.
11
Bảng 3.20 Hoạt tính sinh học pGI50 của nhóm kiểm tra từ các mô hình
QSARMLR (3.16) và QSARANN(1)
Hợp chất pGI50,exp
pGI50,pred
ARE,%
M1 M2 M1 M2
Fla-1 5,699 5,3879 5,7371 5,4589 0,6685
Fla-11 5,699 5,9188 6,0478 3,8568 6,1204
Fla-24 5,6198 5,9316 5,7662 5,5482 2,6051
Fla-25 5,6383 5,8627 5,6843 3,9799 0,8158
Fla-26 5,699 5,8841 5,7058 3,2479 0,1193
Fla-30 5,0862 4,8677 4,9365 4,2959 2,9433
MARE,% 4,3979 2,2121
3.2.6. Xây dựng mô hình QSARMLR (3.17), QSARPCR; QSARPCA-ANN
3.2.6.1. Dữ liệu
3.2.6.2. Xây dựng mô hình QSARMLR (3.17), QSARPCR
Bảng 3.21 Các mô hình QSARMLR (k từ 2 đến 10) với các giá trị R2,
R2pred và MSE
k Tham số mô tả phân tử 2D, 3D trong các mô hình R2 R2pred SE
2 a1, a2 0,756 0,731 0,430
3 a1, a2, a3 0,774 0,732 0,417
4 a1, a2, a3, a4 0,805 0,772 0,390
5 a1, a2, a3, a4, a5 0,832 0,756 0,365
6 a1, a4, a5, a6, a7, a8 0,854 0,812 0,342
7 a1, a2, a3, a4, a5, a9, a10 0,836 0,721 0,365
8 a1, a2, a3, a4, a5, a8, a9, a10 0,837 0,693 0,367
9 a1, a2, a3, a4, a5, a8, a9, a10, a11 0,838 0,682 0,369
10 a1, a2, a3, a4, a5, a6, a8, a9, a10, a11 0,841 0,650 0,368
Đối với các mô hình QSARMLR, mức độ quan trọng của mô tả phân tử
2D và 3D được sắp xếp theo các giá trị GMPmxk,%: MaxQp > ABSQ >
ka2 > MaxNeg > LogP > ka3 > SdssC > SdO > Ovality > ABSQon. Mô
hình QSARMLR (3.17) với k = 6:
pGI50 = 8,509 + 2,8540MaxQp + 0,0247SdO + 0,2192LogP -
3,6969Ovality + 0,2969SdssC + 0,3635ka3 (3.17)
Sáu biến số MaxQp, SdO, ka3, LogP, Ovality and SdssC được chọn để
xây dựng mô hình QSARPCR (3.18).
pGI50 = 5,48356 + 0,38027×PC1 - 0,11868×PC2 + 0,34789×PC3 +
0,06995×PC4 + 0,21850×PC5 + 0,35057×PC6 (3.18)
12
Bảng 3.22 Các giá trị thống kê và phần trăm đóng góp MPmxk,%,
GMPmxk,% của các tham số mô tả phân tử 2D, 3D trong các mô hình
QSARMLR (với k = 5, 6, 7)
Biến số QSARMLR MPmxi,% GMPmxi,
%
m m = 5 m = 6 m = 7 m = 5 m = 6 m = 7
R2 0,832 0,854 0,836
R2adj 0,820 0,841 0,820
SE 0,365 0,342 0,365
R2pred 0,756 0,812 0,721
Hệ số 3,883 8,509 4,790
ABSQ -0,222 - -0,257 27,945 18,636 19,005 21,862
ABSQon - - 0,0143 - - 0,433 0,144
MaxQp 3,416 2,8540 3,588 24,043 25,862 25,908 25,271
MaxNeg - - 6,122 - 24,203 23,890 16,031
SdO 0,0125 0,0247 0,0126 6,192 3,792 3,665 4,550
ka2 0,133 - 0,143 27,484 17,617 17,426 20,842
LogP 0,156 0,2192 0,163 15,651 9,829 9,672 11,717
Ovality - -3,6969 - 5,292 4,393 2,315 4,000
SdssC - 0,2969 - 4,382 5,613 7,236 5,744
ka3 - 0,3635 - 5,351 9,324 3,473 6,049
3.2.6.3. Xây dựng mô hình QSARPCA-ANN
Mô hình QSARPCA-ANN được xây dựng bằng kỹ thuật neurofuzzy với
thuật toán di truyền bằng chương trình INForm. Kiến trúc mạng nơ-ron
nhân tạo I(6) -HL(9) - O(1) đã được xây dựng. Mô hình QSARPCA-ANN
bao gồm lớp đầu vào I(6) với 6 nơ ron là các biến độc lập PC1, PC2,
PC3, PC4, PC5 và PC6 tương ứng với các tham số MaxQp, SdO, ka3,
LogP, Ovality và SdssC; lớp ẩn HL(9) với 9 nơ ron thần kinh và lớp
đầu ra O (1) với 1 nơ ron là hoạt tính sinh học pGI50. Thuật toán lan
truyền ngược được sử dụng để luyện mạng nơ ron. Hàm truyền trên mỗi
nơ ron được sử dụng là hàm truyền sigmoid; các thông số khác được sử
dụng để huấn luyện mạng thần kinh này bao gồm tỷ lệ luyện là 0,7 và
tốc độ học 0,7; sai số MSE = 0,003447 với số vòng lặp là 5000. Sau khi
luyện mạng nơ ron I(6) - HL(9)- O(1), giá trị R2 là 0,897298 và R2pred là
0,88718.
3.2.6.4. Khả năng dự đoán của các mô hình
Các hoạt tính dự báo từ các mô hình QSAR được so sánh với các hoạt
tính thực nghiệm và so sánh với nhau bằng cách sử dụng giá trị trung
bình sai số tương đối MARE%. Các giá trị MARE,% cho thấy rằng khả
13
năng dự báo của mô hình QSARMLR (3.17) thấp hơn cả hai mô hình
QSARPCR và QSARPCA-ANN, như trong Bảng 3.23.
Bảng 3.23 Hoạt tính sinh học pGI50 của nhóm kiểm tra từ các mô hình
QSARMLR (3.17) (M1), QSARPCR (M2) và QSARPCA-ANN (M3)
Hợp chất pGI50,exp pGI50,pred ARE,%
M1 M2 M3 M1 M2 M3
Flav-8 5,921 5,234 5,526 5,471 3,214 8,979 7,890
Flav-22 5,745 5,485 5,699 5,556 3,755 0,001 2,513
Flav-32 6,097 5,423 5,697 5,351 5,567 10,895 4,161
Flav-74 5,699 5,815 5,895 5,736 1,964 3,362 0,585
Flav-80 5,699 6,034 6,288 6,086 0,773 3,399 0,083
MARE,% 3,055 5,327 3,045
Do giá trị MARE,% mô hình QSARPCR (3.18) là cao nhất. Sau khi sử
dụng các mô hình QSARMLR (3.17), QSARPCR(3.18) và QSARPCA-ANN để
dự đoán các hoạt tính sinh học pGI50 của sáu hợp chất trong nhóm thử
nghiệm khả năng dự đoán chính xác của một mô hình QSAR được thể
hiện bởi các sai số có thể chấp nhận được trong khoảng tin cậy của phép
đo thực nghiệm. Do đó, các mô hình QSARMLR (3.17), QSARPCR (3.18)
và QSARPCA-ANN có khả năng dự đoán tính sinh học của các chất mới.
3.2.7. Xây dựng mô hình QSARMLR (3.19), QSARPLS (3.20) và
QSARANN(2)
3.2.7.1. Dữ liệu
3.2.7.2. Xây dựng mô hình QSARMLR (3.19) và QSARPLS (3.20)
Bảng 3.24 Các mô hình QSARMLR với các giá trị R2 , SE và R2pred tương
ứng
k Điện tích nguyên tử trong các mô hình R2 SE R2pred
2 O1, C7 0,816 0,139 0,765
3 O1, C4, C6 0,86 0,124 0,8
4 O1, C2, C4, C5 0,901 0,107 0,829
5 O1, C2, C4, C5, C3’ 0,924 0,096 0,873
6 O1, O11, C3, C4, C6, C7, 0,938 0,089 0,903
7 O11, C4, C6, C8, C9, C2’, C6’ 0,959 0,074 0,879
8 O11, C3, C6, C7, C8, C9, C10, C3’ 0,97 0,065 0,696
9 O1, O11, C3, C4, C6, C7, C8, C9, C10 0,978 0,057 0,563
10 O1, O11, C3, C6, C7, C8, C9, C2’, C3’, C6’ 0,978 0,059 0,358
Mô hình QSARMLR (3.19) với k = 6 với giá trị R2 là 0,938 và giá trị
R2pred cao nhất là 0,903.
pGI50 = 6,7116 − 42,3105 O1 − 8,1592O11 + 3,0139 C3 −19,0370 C4 +
6,6117 C6 + 4,6038C7
14
Bảng 3.25 Các giá trị thống kê và phần trăm đóng góp MPmxk,%,
GMPmxk,% của điện tích nguyên tử trong các mô hình QSARMLR
Biến
QSARMLR MPmxi
GMPmxi m = 5 m = 6 m = 7 m = 5 m = 6 m = 7
R2 0,924 0,938 0,959
R2adj 0,905 0,919 0,943
SE 0,096 0,089 0,074
R2pred 0,873 0,903 0,879
Hằng số −0,933 6,712 4,714
O1 −101,208 −42,311 − 57,602 24,629 − 27,410
O11 − −8,159 −32,8026 − 18,632 21,462 13,365
C2 −15,426 − − 13,418 − − 4,473
C3 − 3,014 − − 4,216 − 1,405
C4 −6,874 −19,037 −60,070 15,121 42,447 38,387 31,985
C5
− −
− −
C6 − 6,612 20,877 − 6,572 5,779 4,117
C7 − 4,604 − − 3,505 − 1,168
C8 − − 16,902 − − 5,696 1,899
C9 − − 95,421 − − 22,597 7,532
C2' − − −24,472 − − 2,497 0,832
C3' −16,117 − − 11,801 − − 3,934
C6' − − −25,422 − − 3,582 1,194
Đối với 3 mô hình QSARMLR với k = 5 – 7 biến số, vị trí các nguyên tử
quan trọng sắp xếp theo các giá trị GMPmxk,%: C4 > O1 > O11 > C9 > C2
> C6 > C3. Các nguyên tử C4, O1, O11 là các các vị trí quan trọng nhất
trong các phân tử, Bảng 3.25.
3.2.7.3. Xây dựng mô hình QSARANN(2)
Kiến trúc mạng nơ ron nhân tạo bao gồm ba lớp I(6)-HL(4)-O(1); Lớp
đầu vào I(6) bao gồm sáu nơ ron là các tham số O1, O11, C3, C4, C6 và
C7; Nơ ron lớp đầu ra O(1) là hoạt tính sinh học pGI50; Lớp ẩn HL(4)
bao gồm bốn nơ ron. Mạng thần kinh đa lớp sử dụng thuật toán lan
truyền ngược để luyện mạng. Hàm truyền sigmoid trên mỗi nút của
mạng; Các thông số mạng thần kinh bao gồm tỷ lệ luyện 0,7 và tốc độ
học 0,7; sai số MSE = 0,000816 với 10,000 vòng lặp. Sau khi luyện
mạng thần kinh, giá trị R2 là 0,993 và R2pred là 0,971 trong khi đối với
mô hình QSARMLR (3.19), giá trị R2 là 0,938 và R2pred là 0,903.
3.2.7.4. Dự đoán hoạt tính sinh học của các hợp chất mới
Khả năng dự báo của mô hình QSARMLR (3.19), thấp hơn các mô hình
QSARPLS và QSARANN (2) tương ứng như trong Bảng 3.26. Mô hình
15
QSARANN (2) có sai số với giá trị MARE % là 1,161 nhỏ hơn MARE,%
của cả hai mô hình QSARMLR (3.19) và QSARPLS. Vì vậy, khả năng dự
báo của mô hình QSARANN (2) tốt hơn so với mô hình QSARMLR (3.19)
và QSARPLS.
Bảng 3.26 Hoạt tính pGI50 trong nhóm kiểm tra dự đoán từ các mô hình
QSARMLR (3.19) (M1), QSARPLS (M2) và QSARANN(2) (M3)
Hợp chất pGI50,exp
pGI50,pred ARE,%
M1 M2 M3 M1 M2 M3
Fla 2 5,921 6,008 5,801 5,851 1,472 2,020 1,180
Fla 9 5,745 5,692 5,608 5,741 0,925 2,376 0,070
Fla 12 6,097 5,759 5,842 5,814 5,548 4,188 4,646
Fla 15 5,699 5,651 5,652 5,712 0,840 0,828 0,236
Fla 16 5,699 5,651 5,655 5,719 0,835 0,775 0,347
Isofla 32 5,137 5,092 5,083 5,112 0,877 1,046 0,490
MARE,% 1,749 1,872 1,161
Sau khi sử dụng các mô hình QSARMLR (3.19), QSARPLS, QSARANN(2)
để dự đoán các hoạt tính sinh học pGI50 của 6 hợp chất trong nhóm thử
nghiệm, sai số của dự đoán nằm trong khoảng sai số cho phép của các
phép đo thực nghiệm. Do đó, các mô hình QSARMLR (3.19), QSARPLS
và QSARANN(2) thích hợp để dự đoán các hoạt tính sinh học của các chất
mới.
3.3. SÀNG LỌC, PHÂN LẬP FLAVONOID TỰ NHIÊN
3.3.1. Phân lập cynaroside từ actiso
Cynaroside phân lập từ lá actiso, cấu trúc cynaroside xác định bằng
phương pháp phổ NMR, Hình 3.8.
Hình 3.8 Cấu trúc phân tử cynaroside, C12H20O11
3.3.2. Phân lập quercetin từ xa kê
Quercetin phân lập từ lá xa kê, cấu trúc quercetin xác định bằng phương
pháp phổ NMR, Hình 3.9.
16
Hình 3.9 Cấu trúc phân tử quercetin, C15H10O7
3.3.3. Phân lập luteolin từ tía tô
Luteolin phân lập từ lá tía tô, cấu trúc luteolin xác định bằng phương
pháp phổ NMR, Hình 3.10.
Hình 3.10 Cấu trúc luteolin, C15H10O6
3.3.4. Phân lập daidzin từ đậu nành
3.3.4.1. Xác định cấu trúc daidzin bằng phương pháp NMR
Daidzin phân lập từ hạt đậu nành, cấu trúc daidzin xác định bằng
phương pháp phổ NMR, Hình 3.11.
Hình 3.11 Cấu trúc phân tử của daidzin, C21H20O9
3.3.4.2. Xác định cấu trúc phân tử daidzin bằng phương pháp đo
nhiễu xạ tia X
Daidzin phân lập từ hạt đậu nành, cấu trúc daidzin xác định bằng
phương pháp đo nhiễu xạ tia X đơn tinh thể, Hình 3.12.
17
Hình 3.12 Cấu trúc phân tử của daidzin dưới dạng elipxoit với xác xuất
50%
3.3.5. Phân lập kaempferol-3-O-methylether từ gừng gió
3.3.5.1. Xác định cấu trúc kaempferol-3-O-methylether bằng
phương pháp NMR
Kaempferol-3-O-methylether phân lập từ củ gừng gió, cấu trúc
kaempferol-3-O-methylether xác định bằng phương pháp phổ NMR,
Hình 3.13.
Hình 3.13 Cấu trúc phân tử của kaempferol-3-O-methylether, C16H12O6
3.3.5.2. Xác định cấu trúc kaempferol-3-O-methylether bằng
phương pháp đo nhiễu xạ tia X
Kaempferol-3-O-methylether phân lập từ củ gừng gió, cấu trúc
kaempferol-3-O-methylether xác định bằng phương pháp đo nhiễu xạ
tia X đơn tinh thể, Hình 3.14.
18
Hình 3.14 Cấu trúc phân tử của ZZL1 dưới dạng elipxoit với xác xuất
50%
3.3.6. Phân lập kaempferol-3-O-(2,4-O-diacetyl-alpha-L-
rhamnopyranoside) từ gừng gió
Hình 3.15 Cấu trúc phân tử của ZZL2 (C25H24O12)
Kaempferol-3-O-(2,4-O-diacetyl-alpha-L-rhamnopyranoside) phân lập
từ củ gừng gió, cấu trúc kaempferol-3-O-(2,4-O-diacetyl-alpha-L-
rhamnopyranoside) xác định bằng phương pháp phổ NMR, Hình 3.13.
3.3.7. Thử hoạt tính sinh học in vitro của các hợp chất flavonoid
chiết xuất
Các hợp chất chiết xuất với GML1 là daidzin, POL1 là luteolin, CSL1
là cynaroside, AIL1 là quercetin, ZZL1 là kaempferol-3-O-methylether
và ZZL2 là kaempferol-3-O-(2,4-O-diacetyl-alpha-l-rhamnopyranoside)
19
phân lập từ actiso, xa kê, đậu nành, tía tô và gừng gió được thử
nghiệm in vitro hoạt tính kháng ung thư Hela trên tế bào Hela, kết
quả cho ở Bảng 3.28.
Bảng 3.28 Giá trị GI50 (µg/ml) và pGI50 của các mẫu flavonoid khảo sát
từ thực nghiệm in vitro
Flavonoid
GI50 (µg/ml)
GI50 (µM) pGI50
Lần 1 Lần 2 Lần 3 TB ± ĐLC TB TB
CSL1 4,41 4,79 4,96 4,72 ± 0,280
10,533 4,977
AIL1 4,36 4,38 3,81 4,18 ± 0,327
13,839 4,859
POL1 4,75 5,38 4,95 5,03 ± 0,321
17,584 4,755
GML1 8,09 7,87 7,70 7,88 ± 0,195
18,937 4,723
ZZL1 15,05 15,24 15,82 15,37 ± 0,401
51,223 4,291
ZZL2 39,65 38,03 38,90 38,86 ± 0,814
75,292 4,123
3.4. THIẾT KẾ VÀ DỰ BÁO HOẠT TÍNH TỪ CÁC FLAVONOID
TỰ NHIÊN
3.4.1. Mô hình QESAR
Bảng 3.29 Hoạt tính pGI50 của các flavone và isoflavone mới được dự
đoán từ mô hình QESARMLR và QESARANN
Hợp chất
Nhóm thế pGI50,tt
vị trí C6 vị trí C3' QESARMLR QESARANN
fla-1a [103] -H -H 5,954 5,709
fla-1c -OCH2CONHCH3 -OH 5,928 5,795
fla-2c -OCH2CONHCH3 -H 5,954 5,814
fla-3c -OCH2(CH3)C=NOH -OH 5,974 5,816
fla-4c -OH -OCH2CONHCH3 6,128 5,873
fla-5c -OH -OCH2CH3C=NOH 6,172 5,886
isofla-6b [103] -H -H 5,092 5,011
isofla-7c -OCH2CONHCH3 -OH 5,328 5,308
isofla-8c
-OCH2CONHCH3 -H 5,367 5,341
isofla-9c
-OCH2(CH3)C=NOH -OH 5,369 5,350
isofla-10c
-OH -OCH2CONHCH3 5,502 5,452
isofla-11c
-OH -OCH2CH3C=NOH 5,543 5,486
ZZL1 (*) -H -H 4,291(*) 4,291(*)
Flav-11(n) -OCH2CONHCH3 -OH 4,345 4,387
Flav-12(n)
-OCH2CONHCH3 -OH 4,789 4,715
Flav-13(n)
-OCH2(CH3)C=NOH -OH 4,963 4,960
Flav-14(n)
-OH -OCH2CONHCH3 5,528 5,512
Flav-15(n)
-OH -OCH2CH3C=NOH 5,530 5,513
20
ZZL2 (*) -H -H 4,123 (*) 4,123(*)
Flav-16(n) -OCH2CONHCH3 -OH 4,139 4,159
Flav-17(n)
-OCH2CONHCH3 -OH 4,398 4,414
Flav-18(n)
-OCH2(CH3)C=NOH -OH 4,615 4,870
Flav-19(n)
-OH -OCH2CONHCH3 4,980 5,103
Flav-20(n)
-OH -OCH2CH3C=NOH 5,100 5,231
20 dẫn xuất mới được thiết kế từ vị trí C3’, C6 còn trống của flavone 1a,
flavone 6b, và ZZL1, ZZL2 from Zingiber zerumbet L,. Các hoạt tính
kháng ung thư dự đoán pGI50 của các dẫn xuất mới cao hơn hợp chất
mẫu. Các mô hình QESARMLR và QESARANN đã phát triển là tin cậy và
có thể ứng dụng để dự đoán hoạt tính kháng ung thư pGI50.
3.4.2. Mô Hình QSDAR
18 dẫn xuất mới được thiết kế từ vị trí C3, C6 và C7 còn trống của
flavone 22 và isoflavone 26. Các hoạt tính kháng ung thư dự đoán pGI50
của các dẫn xuất mới cao hơn flavone 22 và isoflavone 26, tương ứng.
Các mô hình QSDARMLR và QSDARANN đã phát triển là tin
Các file đính kèm theo tài liệu này:
- tom_tat_luan_an_thiet_ke_sang_loc_mot_so_dan_xuat_flavonoid.pdf