Trong đề tài này nhằm nghiên cứu khả năng gắn kết của các chất tương đồng BCP với phức hợp TOP-I:ADN và xây dựng mô hình phân loại các chất tương đồng BCP có khả năng ức chế TOP-I bằng phương pháp máy vector hỗ trợ SVM. bài viết để nắm rõ nội dung chi tiết của đề tài nghiên cứu này. | THIẾT KẾ THUỐC HỢP LÝ TRONG NGHIÊN CỨU TÁC DỤNG ỨC CHẾ TOPOISOMERASE-I CỦA CÁC CHẤT TƯƠNG ĐỒNG BENZO[C]PHENATHRIDIN Thái Khắc Minh*, Huỳnh Thị Ngọc Phương*, Nguyễn Thúy Quyên*, Đỗ Thị Ngọc Mai*, Bùi Quang Huynh* TÓM TẮT Mở đầu: Trong những năm gần đây các enzym topoisomerase, enzym cần thiết cho hoạt động sao chép, phiên mã và tái tổ hợp ADN, trở thành một trong những mục tiêu đầy hứa hẹn trong việc nghiên cứu tổng hợp các thuốc kháng ung thư mới. Trong số những hợp chất thể hiện hoạt tính ức chế topoisomerase, nhiều chất tương đồng tổng hợp của họ alkaloid benzo[c]phenanthridin (BCP) được nghiên cứu. Trong đó, các chất ethoxidin, NK-109 và topoval (ARC 111) là những chất có tiềm năng sử dụng trong hóa trị liệu ung thư. Mục tiêu: Nghiên cứu khả năng gắn kết của các chất tương đồng BCP với phức hợp TOP-I:ADN và xây dựng mô hình phân loại các chất tương đồng BCP có khả năng ức chế TOP-I bằng phương pháp máy vector hỗ trợ SVM. Phương pháp: Phương pháp mô hình mô tả phân tử docking và phương pháp máy học SVM được sử dụng trên cơ sở dữ liệu các chất tương đồng BCP với hoạt tính ức chế TOP-I. Kết quả: Sử dụng chương trình mô tả phân tử DOCK , khả năng gắn kết ở mức độ phân tử của các dẫn chất BCP với phức hợp DNA:TOP-I được phân tích. Hệ thống vòng của tất cả dẫn chất BCP có khả năng tạo liên kết π-π với Guanin G11 của ADN và nằm ở vị trí song song và xen vào giữa các cặp base G11/C112 và A113/T10 của cấu trúc ADN và hạn chế khả năng tạo thành phức hợp giữa DNA và TOP-I. Kết quả docking cho thấy các chất tương đồng BCP có xu hướng gắn kết với DNA hơn là TOP-I. Phương pháp máy vector hỗ trợ SVM được sử dụng với mục đích xây dựng mô hình dự đoán và phân loại 73 chất tương đồng BCP trên hoạt tính kháng TOP-I. Mô hình SVM tốt nhất được xây dựng bằng gói SVM - e1071 trong R với thông số tối ưu của hàm kernel (C=4, γ=0,25) và thông số mô tả xác định bằng phương pháp rừng ngẫu nhiên RF. Mô hình SVM này có khả năng dự đoán đúng 93% các chất trong tập huấn luyện và 87% các .
