Thiết kế thuốc hợp lý trong nghiên cứu tác dụng ức chế topoisomerase - I của các chất tương đồng benzo[c]phenathridin

Chuyên Đề Dược – YTCC – RHM – YHCT 1 
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 6.2, 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 chất trong tập hợp kiểm tra. 
Ngoài ra, mô hình còn được đánh giá lại trên tập hợp thử ngoại (không dùng để xây dựng mô hình) cho độ đúng 
89% (dự đoán đúng 8/9 chất) và tập hợp ứng dụng cho độ đúng 80% (dự đoán đúng 8/10 chất). Mô hình SVM 
được xây dựng chứng tỏ khả năng phân loại chính xác chất có hoạt tính (80-100% tùy tập hợp). 
Kết luận: Mô hình docking cho thấy các chất tương đồng BCP có xu hướng gắn kết mạnh với ADN hơn là 
TOP-I và cần thực hiện các thử nghiệm xác định mức độ gắn kết với ADN và enzym riêng rẽ để khẳng định lại 
kết quả này. Mô hình phân loại SVM được áp dụng trong sàng lọc, phân loại các chất tương đồng BCP dựa trên 
tác dụng sinh học của các chất tương đồng BCP đã và sắp tổng hợp. Từ nghiên cứu này, các cấu trúc BCP mới sẽ 
được thiết kế, tổng hợp và thử tác dụng với mục tiêu tìm kiếm chất có tác dụng ức chế TOP-I và kháng ung thư 
mạnh. 
Từ khóa: Kháng ung thư, topoisomerase, benzo[c]phenanthridin, thiết kế thuốc, docking, máy vector hỗ 
trợ, SVM, phân loại. 
* Bộ môn Hóa Dược – Khoa Dược - Đại học Y Dược Thành phố Hồ Chí Minh 
Địa chỉ liên hệ: TS.DS. Thái Khắc Minh ĐT: 0909 680 385 Email: thaikhacminh@gmail.com 
Chuyên Đề Dược – YTCC – RHM – YHCT 2 
ABSTRACT 
RATIONAL DRUG DESIGN OF BENZO[C]PHENANTHRIDINE DERIVATIVES WITH 
TOPOISOMERASE-I INHIBITORY ACTIVITY 
Khac Minh Thai, Huynh Thi Ngoc Phuong, Nguyen Thuy Quyen, Do Thi Ngoc Mai, 
Bui Quang Huynh * Y Hoc TP. Ho Chi Minh * Vol. 14 - Supplement of No 1 - 2010: 6-14 
Background: For recent years, the topoisomerases are promising antitumor drug targets for design new 
anticancer novels. Among the compounds expressing a topoisomerase-targeting activity, the alkaloid family of 
benzo[c]phenanthridine (BCP) is well known including nitidine, fagaronine, chelerythrine, sangunarine 
Ethoxidine, NK-109 and topoval (ARC 111), BCP synthetic analogues, are expressed as potential agents using in 
cancer chemotherapy. 
Objective: Aims of this research are the molecular modeling study of the interaction between BCP analogues 
and DNA-TOP-I complexes as well as design the support vector machine SVM model for classification BCP 
compounds with topoisomerase-I inhibitory property. 
Method: Both ligand-based and structure-based approaches are applied on a series of BCP with 
antitopoisomerase activity. For the ligand-based design, the machine learning method namely support vector 
machine (SVM) is used to classify and to predict BCP compounds. 
Results: Based on crystal structure of DNA:TOP-I complex, 53 BCP derivatives were successfully docked 
into the complex by DOCK 6.2 program. Docked BCP:DNA:TOP-I complexes indicated that BCPs tend to 
establish strong interaction with DNA more than TOP-I. The interaction between BCP analogues and 
DNA:TOP-I complex was also analysized. The best SVM model based on 73 BCP analogues was built from the 
SVM-e1071 package in R with the optimal settings of the Kernel (C = 4, γ = 0.25). The final SVM model with 
total accuracy of 93% for training set of 58 compounds was archived using a set of 7 descriptors identified out of a 
large set via a random forest algorithm. Moreover, the power for SVM classifier was validated internally by a test 
set of 15 compounds. This SVM model gained the overall accuracy up to 87% and the Matthews correlation 
coefficient (MCC) of 0.71. For two external test sets, 89% and 80% BCP compounds, respectively, were correctly 
predicted. The SVM model has proved its ability to classify correctly BCP analogues that have a positive activity, 
with an accuracy from 80 to 100% overall. 
Conclusion: These in silico models including molecular modeling and SVM clasification could be applied to 
search and to design the new analogues of BCPs which express highly topoisomerase I inhibitory activity. 
Keywords: anticancer, topoisomerase, benzo[c] phenanthridine, drug design, docking, support vector 
machine, SVM, classification 
ĐẶT VẤN ĐỀ 
Sự xuất hiện các dòng tế bào ung thư 
kháng thuốc thúc đẩy các nhà khoa học tìm 
kiếm không ngừng những tác nhân kháng ung 
thư mới. Trong những năm gần đây, 
topoisomerase-ADN (TOP-ADN) - một enzym 
cần thiết cho các hoạt động sao chép, phiên mã 
và tái tổ hợp ADN bình thường của tế bào - trở 
thành một trong những mục tiêu đầy hứa hẹn 
cho việc tìm kiếm và phát triển các thuốc 
kháng ung thư (1,10,15). Nhiều thuốc nguồn 
gốc tổng hợp kháng ung thư được sử dụng 
hiện nay có cơ chế kháng topoisomerase-2 như 
amsacrin, asulacrin, mitoxantron, loxoxantron, 
piroxantron, hoặc kháng topoisomerase-1 
(TOP-1) như topotecan, irrinotecan(4,5,6) 
Trong số những hợp chất thể hiện tác động 
kháng TOP-ADN, nhóm alcaloid 
benzo[c]phenanthridin (BCP) được biết đến 
nhiều. Nhiều công trình nghiên cứu được thực 
hiện để tìm những con đường tổng hợp BCP 
thiên nhiên (fagaronin, nitidin Hình 1) đáp 
Chuyên Đề Dược – YTCC – RHM – YHCT 3 
ứng cho việc nghiên cứu cơ chế tác động ở 
mức độ phân tử của chúng (6,14). Bên cạnh đó 
các chất tương đồng BCP cũng được tổng hợp 
và nghiên cứu độc tính tế bào cũng như khả 
năng ức chế TOP-ADN. Trong số những chất 
tương đồng tổng hợp này, ARC-111 và NK109 
(Hình 1) hiện là hai ứng viên tiềm năng sử 
dụng trong hóa trị liệu ung thư (12). Bên cạnh 
đó ethoxidin, một dẫn chất 12-ethoxy BCP, thể 
hiện độc tính tế bào có ý nghĩa trong thử 
nghiệm in vitro trên những dòng tế bào ung 
thư máu (leukemia) ở người. Những thử 
nghiệm sinh hóa cũng cho thấy ethoxidin có ái 
lực gắn kết với ADN và khả năng ức chế TOP-
1 đáng kể, trong đó vai trò của nhóm 12-
ethoxy được cho là cần thiết trong tác động ức 
chế TOP-1 của phân tử này (6). Các nghiên cứu 
về mối quan hệ cấu trúc của các chất tương 
đồng BCP và độc tính tế bào cũng cho thấy chức 
amid lactam đóng vai trò quan trọng vì có thể 
làm tăng sinh khả dụng của các hợp chất này (1). 
Với mục tiêu tìm hiểu thêm về cơ chế tác 
động ở mức độ phân tử cũng như thiết kể và 
tổng hợp ra các chất tương đồng BCP chống ung 
thư mạnh, các phương pháp của thiết kế thuốc 
hợp lý được ứng dụng nghiên cứu các chất 
tương đồng BCP và hoạt tính kháng 
topoisomerase-I (TOP-I). Nghiên cứu kết hợp 2 
phương pháp (i) phương pháp dựa vào cấu 
trúc mục tiêu tác động là nghiên cứu mô hình 
mô tả phân tử docking và (ii) phương pháp 
dựa vào cấu tử ligand là phân loại các chất có 
hoạt tính ức chế TOP-I bằng máy vector hỗ trợ 
SVM. Kết quả từ nghiên cứu này có thể ứng 
dụng để dự đoán hoạt tính sinh học của các 
chất tương đồng BCP và định hướng tổng hợp 
các chất tương đồng BCP có tác dụng kháng 
ung thư mạnh. Từ đó, các chất tương đồng 
BCP được lựa chọn để tổng hợp và thử nghiệm 
độc tế bào cũng như khả năng ức chế enzym 
TOP-I. 
N
OCH3
OH
H3CO
H3CO CH3
fagaronin
Cl N
O
O
H3CO
H3CO CH3 Cl
nitidin
N
OCH3
OCH3
H3CO
H3CO CH3
OC2H5
CH3SO3
ethoxidin
H3CO
OH
N
O
O
CH3
HSO4
N
NH3CO
H3CO O
O
O N
CH3
CH3
ARC-111
AB
CD
NK109 
Hình 1. Cấu trúc hóa học của các dẫn chất và chất tương đồng BCP có hoạt tính ức chế TOP-I 
ĐỐI TƯỢNG - PHƯƠNG PHÁP NGHIÊN CỨU 
Cơ sở dữ liệu 
Tổng cộng 82 chất tương đồng BCP với hoạt 
tính trên TOP-I được thu thập từ các công trình 
nghiên cứu của La Voie và cộng sự (8, 10, 14, 18, 
19). Hoạt tính trên TOP-I của các chất này được 
đánh giá dựa vào chỉ số thể hiện sự ức chế quá 
trình tách ADN gián tiếp thông qua TOP-I (TOP-
I-mediated DNA cleavage). Chỉ số hoạt tính trên 
TOP-I được biểu hiện bằng nồng độ hiệu quả 
tương đối (relative effective concentration - REC) 
giữa dẫn chất thử nghiệm và topotecan (một 
chất được chứng minh là có hiệu quả trên TOP-
I). Chỉ số hoạt tính trên TOP-I của topotecan 
được ấn định là 1 (10, 14). Dựa trên hoạt tính 
TOP-I, các chất được phân làm 2 nhóm hoạt tính 
là mạnh hơn và yếu hơn topotecan. Các chất có 
hoạt tính mạnh hơn so với topotecan cho giá trị 
chỉ số hoạt tính trên TOP-I nhỏ hơn 1, và ngược 
lại, dẫn chất có hoạt tính yếu hơn cho giá trị lớn 
hơn 1. Đồng thời, các giá trị hoạt tính ức chế 
Chuyên Đề Dược – YTCC – RHM – YHCT 4 
TOP-I cũng như các giá trị độc tính tế bào (IC50) 
trên dòng tế bào ung thư RPMI8402 của 53 chất 
tương đồng BCP được thu thập (10,14). 
Phương pháp dựa vào cấu trúc mục tiêu tác 
động – Mô hình mô tả phân tử docking 
Docking là phương pháp thiết kế thuốc dựa 
vào cấu trúc mục tiêu tác động, nghiên cứu khả 
năng gắn kết của một hay nhiều phân tử thuốc 
(hay cấu tử, ligand) lên trên mục tiêu tác động 
(thụ thể, enzym hay các protein, ADN) trong 
không gian 3 chiều. Chương trình DOCK 6.2 
được sử dụng để tiến hành thí nghiệm (2). 
Cấu trúc tinh thể tia X cuả 
ADN:TOP1:Indenoisoquinolein (pdb 1SC7) 
trình bày ở Hình 2 có độ phân giải là 3Å được 
tải về máy tính từ ngân hàng cơ sở dữ liệu 
protein (protein data bank 
 (16, 17). Điểm tác động 
trên phức hợp ADN:TOP1 (pdb 1SC7) được xác 
định là tất cả các acid amin và acid nucleic 
trong phạm vi không gian 6Å tính từ trung tâm 
phân tử indenoisoquinolein(16). 
Hình 2. Cấu trúc tinh thể phức hợp ADN:TOP-
I:Indenoisoquinolin MJ-II-38 (pdb 1SC7) 
Phương pháp dựa vào cấu tử ligand – Phân 
loại các chất có hoạt tính ức chế TOP-I 
bằng phương pháp máy học SVM 
Máy vector hỗ trợ SVM là phương pháp 
máy học có sự giám sát được sử dụng trong dự 
đoán phân loại và định lượng (13, 17). SVM giải 
quyết cả hai trường hợp, tuyến tính và không 
tuyến tính bằng một hàm kernel, cũng như các 
phương pháp thống kê khác, hàm này phụ 
thuộc vào một số tham số mà khi giải quyết 
được các tham số đó xem như đã cơ bản thực 
hiện được sự phân loại. Hàm kernel hiện diện 4 
loại cơ bản (9, 13, 21), mỗi loại tương ứng với 
những tham số khác nhau, trong nghiên cứu sử 
dụng hàm RBF kernel, với cặp tham số (C và γ). 
Trình tự tiến hành xây dựng mô hình phân 
loại SVM (7, 21) trình bày ở Hình 3 bao gồm các 
bước (i) Chuẩn bị cơ sở dữ liệu (cấu trúc và hoạt 
tính sinh học), (ii) Tính toán thông số mô tả phân 
tử (sử dụng phần mềm Dragon), (iii) Lựa chọn 
thông số mô tả phân tử, (iv) Xử lý cơ sở dữ liệu 
(tập hợp huấn luyện, kiểm tra), (v) Xây dựng 
mô hình phân loại SVM (xác định thông số 
hàm Kernel tối ưu bao gồm 2 giá trị [C, γ], độ 
đúng, độ chính xác, đánh giá chéo Leave-one-
out, hệ số tương quan Matthews MCC), (vi) 
Đánh giá lại mô hình trên tập hợp kiểm tra, 
tập hợp bên ngoài không dùng xây dựng mô 
hình, (vii) Ứng dụng mô hình phân loại các 
chất có hoạt tính ức chế TOP-I. 
1. Chuẩn bị cơ sở dữ liệu
(Cấu trúc hoá học 2D - Hoạt tính sinh học)
2. Tính toán thông số mô tả phân tử
Phần mềm Dragon
4. Xử lý cơ sở dữ liệu
Quy đổi tỷ lệ, phân chia tập hợp
3. Lựa chọn thông số mô tả phân tử
3 phương pháp: mRMR, GA, RF
6. Đánh giá – So sánh – Ứng dụng
5. Phân loại máy vector hỗ trợ
Chọn tham số tối ưu (C, γ) cho SVM
Độ đúng, độ chính xác, giá trị MCC
Hình 3. Tiến trình xây dựng mô hình phân loại máy 
vector hỗ trợ 
KẾT QUẢ VÀ BÀN LUẬN 
Mô hình mô tả phân tử docking 
Khả năng gắn kết của BCP trên TOP-I ở mức 
độ phân tử 
Chuyên Đề Dược – YTCC – RHM – YHCT 5 
Các chất ức chế hoạt động cuả enzym TOP-I 
hiện nay được chia làm 2 nhóm (1, 15). Thứ nhất 
là nhóm chất kìm hãm (suppressor) hoạt tính 
enzym TOP-I. Nhóm này là những chất ức chế 
hoạt động enzym TOP-I nhưng không làm bền 
trạng thái trung gian cuả phức hợp DNA:TOP-I. 
Các chất nhóm kìm hãm hoạt động TOP-I 
thường gắn kết với ADN làm cho TOP-I không 
thể nhận diện ra điểm gắn kết chuyên biệt trên 
ADN và kết quả là ức chế sự thành lập phức hợp 
giữa TOP-I và ADN. Cơ chế kìm hãm này hoạt 
động theo cơ chế tương tranh (thuốc và TOP-I 
cạnh tranh gắn kết trên cơ chất là ADN) và 
enzym vẫn có hoạt tính nhưng không có cơ chất 
để hoạt động. Kết quả là làm ngừng chu trình tế 
bào. Thứ hai là nhóm gây độc TOP-I (poison). 
Nhóm này bao gồm những chất có tác động 
chống sự tách ra của phức ADN:TOP-I sau khi 
TOP-I đến gắn kết và cắt đoạn ADN. Các chất 
gây độc TOP-I hoạt động theo nguyên tắc là gắn 
kết với cả hai, TOP-I lẫn ADN, trong phức hợp 
ADN:TOP-I bằng liên kết đồng hóa trị, bền hóa 
phức và làm vỡ sợi kép ADN. Sự hiện diện của 
sợi ADN đơn được nhận diện và tín hiệu này 
làm ngừng chu trình tế bào. Kết quả cuối cùng là 
sự hủy bào.8 Trong nghiên cứu này, sau khi tiến 
hành docking, phức hợp ADN:TOP-I:BCP được 
phân tích trên khả năng gắn kết với phức hợp 
hay ADN riêng lẻ. 
Tổng số 53 chất tương đồng BCP docking 
thành công vào phức hợp. Điểm số gắn kết 
thay đổi từ -57.57 kcal/mol đến -36.27 
kcal/mol. Tất cả các cấu dạng trong cấu trúc 
phức hợp được phân tích và so sánh nhằm giải 
thích mối liên quan giữa cấu trúc hóa học và 
tác dụng sinh học. Phân tích kết quả docking 
cho thấy tất cả các chất tương đồng BCP đều 
có khả năng tạo liên kết π-π với Guanin G11. 
Hệ thống vòng của chất tương đồng BCP có xu 
hướng 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 gắn kết của 
ADN với TOP-I (với ATGC là tên của các 
nucleotid). Kết quả docking cũng cho thấy 
nhóm chất tương đồng BCP có xu hướng cản 
trở không gian do tạo liên kết bề mặt với ADN 
nhiều hơn khả năng gắn kết với TOP-I. Điều 
này có thể giải thích do cấu trúc ‘cứng’ của hệ 
thống vòng và khả năng chèn vào cấu trúc 
ADN. Bên cạnh đó, một số chất tương đồng 
BCP cũng có khả năng tạo liên kết với TOP-I ở 
các acid amin Asn352, Arg364, Asn722, 
Glu356, Lys425. Tuy nhiên, kết quả docking 
cho thấy xu hướng gắn kết rõ rệt của những 
hợp chất này trên ADN nhiều hơn là trên TOP-
I. Kết quả này cho thấy đa số các chất trong 53 
chất tương đồng BCP được tiến hành docking 
hoạt động theo cơ chế kìm hãm hoạt tính TOP-I 
(suppressor). 
Ứng dụng 
Nghiên cứu docking đồng thời được tiến 
hành với một số chất tương đồng BCP mới được 
tổng hợp (19). Chất K7511-NP22 với cấu trúc 
trình bày ở hình 4A có độc tính tế bào IC50 = 2.0 
μM và 5.97 μM lần lượt trên dòng tế bào ung thư 
KB-3-1 và L1210. Mô hình docking cho thấy chất 
này có khả năng gắn kết tốt với phức hợp TOP-
I:DNA. K7511-NP22 có khả năng tạo 2 liên kết pi-
pi song song và 1 liên kết cation-pi với adenin. 
Khả năng gắn kết của trên TOP-I của chất này 
thể hiện bằng 2 liên kết hydro với Arg364 và 
Lys432, tuy nhiên hai liên kết này tương đối yếu. 
Khả năng gắn kết ở mức độ phân tử của K7511-
NP22 có thể dùng giải thích cho khả năng ức chế 
hoạt động của TOP-I bằng cách cạnh tranh với 
TOP-I trong việc hình thành phức hợp với ADN, 
cản trở hoạt động của TOP-I trong việc tiếp 
cận và gắn kết với ADN và làm ngừng quá 
trình sao chép, phiên mã và tái tổ hợp ADN. 
Mô hình gắn kết ở mức độ phân tử trong 
không gian 3 chiều của K7511-NP22 với phức 
hợp ADN:TOP-I được trình bày ở Hình 4B và 
mô hình tương ứng thể hiện khả năng gắn kết 
ở không gian 2 chiều được trình bày ở Hình 4C 
(hình tạo bởi chương trình MOE (11)). 
Chuyên Đề Dược – YTCC – RHM – YHCT 6 
(A) (B) (C) 
Hình 4. (A) Cấu trúc chất K7511-NP22 ; (B) Mô hình gắn kết ở mức độ phân tử trong không gian 3 chiều của 
K7511-NP22 với phức hợp ADN:TOP-I; (C) Mô hình biểu diễn khả năng gắn kết 2D của K7511-NP22 với phức 
hợp ADN:TOP-I. 
Mô hình phân loại các chất tương đồng 
BCP ức chế TOP-I 
Xây dựng mô hình SVM 
Cơ sở dữ liệu gồm 82 chất được phân chia 
thành 3 tập hợp (20) bao gồm (i) Tập hợp huấn 
luyện dùng để xây dựng mô hình có 58 chất, (ii) 
Tập hợp kiểm tra có 15 chất, (iii) Tập hợp đánh 
giá có 9 chất không sử dụng trong xây dựng mô 
hình. Để lựa chọn ra các thông số tương quan tốt 
và mô tả được cấu trúc liên quan đến hoạt tính 
sinh học, các bước chọn lọc được tiến hành. Từ 
các 2032 thông số mô tả phân tử tính toán từ 
phần mềm Dragon (3), các thông số chứa toàn bộ 
giá trị 0 được loại bỏ còn lại 533 thông số. Tiếp 
theo, 420 thông số được loại bỏ vì có: (i) hơn 80% 
dẫn chất trong tập hợp chứa giá trị 0, (ii) giá trị 
độ lệch chuẩn nhỏ hơn 0,5, (iii) hệ số tương quan 
chéo giữa các thông số >90%. 103 thông số còn 
lại được áp dụng vào 3 thuật toán (i) mRMR: 
phù hợp tối đa, dư thừa tối thiểu - Max-
Relevance, Min-Redundancy, (ii) thuật toán di 
truyền GA - genetic algorithm, (iii) “rừng ngẫu 
nhiên” - RF - Random Forest). Kết quả cho thấy 7 
thông số lựa chọn từ phương pháp RF (Bảng 1) 
cho kết quả phân loại ổn định và tốt hơn 2 
phương pháp lựa chọn còn lại. Đồng thời, một 
lợi điểm nữa khi sử dụng thông số mô tả từ RF 
là sử dụng 7 thông số mô tả phân tử nhưng khả 
năng phân loại tốt hơn khi sử dụng 10 thông số 
từ mRMR và 16 từ GA. Bên cạnh đó, mô hình 
SVM sử dụng thông số mô tả từ RF có số vector 
hỗ trợ sử dụng cũng thấp hơn các tập hợp thông 
số còn lại. 
Bảng 1. Thông số mô tả phân tử được chọn lọc từ phương pháp RF và sử dụng để xây dựng mô hình SVM phân 
loại 
Nhóm thông số Tên thông số Mô tả thông số 
D/Dr05 Chỉ số khoảng cách/vòng bậc 5 
Thông số hình học Topo 
D/Dr06 Chỉ số khoảng cách/vòng bậc 6 
MPC06 Số lượng chỉ điểm phân tử bậc 06 
MPC08 Số lượng chỉ điểm phân tử bậc 08 Thông số dựa vào đếm các 
nối và cấu trúc 
MPC10 Số lượng chỉ điểm phân tử bậc 10 
F05[C-C] Tần suất của C-C ở khoảng cách Topo 05 
Chỉ điểm tần suất 2D 
F08[N-O] Tần suất của N-O ở khoảng cách Topo 08 
Trong quá trình xây dựng mô hình SVM 
(13), việc xác định thông số tối ưu nhất cho 
hàm kernel cũng rất quan trọng nhằm hạn chế 
lỗi phân loại. Thuật toán dò tìm Grid được sử 
dụng trong nghiên cứu với mục đích xác định 
thông số tối ưu của hàm kernel sao cho lỗi 
Chuyên Đề Dược – YTCC – RHM – YHCT 7 
đánh giá chéo khi phân loại là nhỏ nhất. Cặp 
thông số (C=4, γ=0,25) cho kết quả lỗi đánh giá 
chéo thấp nhất (0,17) và độ đúng cao nhất 
được xác định và sử dụng để xây dựng mô 
hình. Từ kết quả trên, 7 thông số mô tả phân 
tử xác định từ phương pháp RF (Bảng 1) và 
thông số tối ưu của hàm kernel (C=4, γ=0,25) 
được sử dụng để xây dựng mô hình SVM bằng 
cách sử dụng phần mềm SVM - e1071 trong R. 
Kết quả trình bày ở Bảng 2 cho thấy mô hình 
SVM có khả năng phân loại đúng 93% các chất 
trong tập hợp huấn luyện và 87% các chất 
trong tập hợp kiểm tra. Hệ số tương quan 
MCC của mô hình ổn định duy trì ở mức trên 
0,7 đối với cả 3 tập hợp : huấn luyện, kiểm tra 
và đánh giá ngoại. Theo một số nghiên cứu, 
mô hình có hệ số MCC > 0,4 được xem là mô 
hình có khả năng dự đoán (9). Mô hình xây 
dựng được đánh giá trên tập hợp đánh giá 
(gồm những chất không sử dụng để xây dựng 
mô hình) cho kết quả phân loại đúng 8/9 chất, 
tương ứng với 89% các chất trong tập hợp. 
Phân tích kết quả cho thấy mô hình có khả 
năng phân loại chính xác các chất có hoạt tính 
ức chế TOP-I mạnh hơn hoặc yếu hơn 
topotecan và có thể ứng dụng trong thực tế 
cho các chất có cấu trúc tương đồng BCP khác. 
Bảng 2. Mô hình phân loại SVM dựa vào 7 thông số mô tả phân tử xác định bằng phương pháp RF 
Đánh giá Tập huấn luyện Tập kiểm tra Tập đánh giá Tập ứng dụng 
TP 13 3 4 5 
TN 41 10 4 3 
FP 2 0 1 0 
FN 2 2 0 2 
Độ đúng của tập hợp 0,93 0,87 0,89 0,80 
Độ đúng trên chất có hoạt tính 0,87 0,60 1,00 0,71 
Độ đúng trên chất không hoạt tính 0,95 1,00 0,80 1,00 
Độ chính xác của chất có hoạt tính 0,87 1,00 0,80 1,00 
Độ chính xác của chất không hoạt tính 0,95 0,83 1,00 0,60 
Hệ số tương quan Matthews MCC 0,82 0,71 0,80 0,65 
Với TP và TN lần lượt là số lượng hợp chất có hoạt tính và không có hoạt tính được dự đoán đúng từ mô hình. FP và FN lần 
lượt là số lượng hợp chất không có hoạt tính và có hoạt tính được mô hình dự đoán sai. 
Ứng dụng mô hình phân loại SVM 
Mô hình SVM được đánh giá mức độ chính 
xác và khả năng ứng dụng trên tập hợp 10 dẫn 
chất BCP mới được tổng hợp năm 2008-2009 
bởi nhóm nghiên cứu La Voie và cộng sự (4, 5). 
Trong 10 dẫn chất này, 7 chất có hoạt tính 
mạnh hơn topotecan, 3 chất không hoạt tính. 
Kết quả được trình bày ở Bảng 2 cho thấy của 
mô hình phân loại đúng 8/10 chất của tập hợp 
và đạt độ đúng 80%. Bên cạnh đó, độ chính xác 
của chất có hoạt tính là 100%. Giá trị này cho 
thấy mô hình có khả năng phân loại chính xác 
các chất có hoạt tính hơn là các chất không có 
hoạt tính. Điều này hoàn toàn phù hợp với mục 
tiêu của nghiên cứu là tìm kiếm các chất có khả 
năng ức chế TOP-I để phát triển thành các thuốc 
kháng ung thư có khả năng sử dụng trong điều 
trị. 
Từ chất khởi nguồn ethoxidin (hình 1), việc 
đưa thêm vào khung BCP các nguyên từ N có 
khả năng làm gia tăng điện tích âm và nhóm 
ethoxy C12, hy vọng là sẽ tìm ra những chất 
tương đồng BCP mới với tác động ức chế 
topoisomerase-1 mạnh hơn. Tổng cộng 12 cấu 
trúc tương đồng BCP được thiết kế và ứng dụng 
vào mô hình để dự đoán hoạt tính ức chế TOP-I. 
Kết quả cho thấy 6 trong 12 chất tương đồng 
BCP thiết kế được dự đoán là có khả năng ức 
chế TOP-I mạnh hơn topotecan. Trong số 6 
hợp chất này, có 4 dẫn chất 12-ethoxy BCPs. 
Nhóm 12-ethoxy trong khung BCPs được cho 
là cần thiết trong việc định hướng vào rãnh 
nhỏ (small groove) của ADN và ngăn cản 
TOP-I tiến đến vị trí gắn kết của chúng trên 
ADN (6, 10). Các chất dự đoán có khả năng ức 
chế TOP-I sẽ được ưu tiên tổng hợp và thử 
Chuyên Đề Dược – YTCC – RHM – YHCT 8 
nghiệm in vitro về tác dụng sinh học bao gồm 
tác động ức chế TOP-1 và độc tính trên các 
dòng tế bào ung thư. 
KẾT LUẬN 
Thiết kế thuốc hợp lý với sự hỗ trợ của máy 
tính và dược tinh học là chuyên ngành mới của 
Hóa Dược và đã ứng dụng thành công trong 
nghiên cứu và phát triển thuốc mới. Trong 
nghiên cứu này, Sử dụng chương trình mô tả 
phân tử DOCK 6.2, khả năng gắn kết ở mức độ 
phân tử của các chất tương đồng BCP với phức 
hợp ADN:TOP1 được phân tích. Kết quả cho 
thấy các cấu trúc tương đồng BCP có xu hướng 
gắn kết với ADN hơn là TOP1 và cần thực hiện 
các thử nghiệm xác định mức độ gắn kết với 
ADN và enzym riêng rẽ để khẳng định lại kết 
quả này. 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 
benzo[c]phenanthridine trên hoạt tính kháng 
topoisomerase 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). 
Ngoài ra, mô hình còn được đánh giá lại trên tập 
hợp thử ngoại (gồm các chất không dùng để xây 
dựng mô hình) cho độ đúng 89% (dự đoán đúng 
8/9 chất) và tập hợp ứng dụng cho độ đúng 80% 
(dự đoán đúng 8/10 chất). Mô hình chứng tỏ khả 
năng phân loại chính xác chất có hoạt tính (80-
100% tùy tập hợp). Kết quả này chứng tỏ mô 
hình có khả năng phân loại các chất có khả năng 
ức chế TOP-I trên dãy chất tương đồng BCP. Mô 
hình này có thể ứng dụng trong thực tế để dự 
đoán hoạt tính ức chế TOP-I của các cấu trúc 
tương đồng BCP mới trước khi tổng hợp, góp 
phần vào việc tìm kiếm các chất có hoạt tính 
kháng TOP-I tốt để phát triển thành các thuốc 
kháng ung thư có khả năng sử dụng trong điều 
trị. Kết quả nghiên cứu này cũng có thể ứng 
dụng để thiết kế ra các cấu trúc tương đồng BCP 
có hoạt tính sinh học cao hơn. 
Ứng dụng phương pháp thiết kế thuốc hợp 
lý này giúp giảm chi phí trong nghiên cứu tìm ra 
thuốc mới vì loại bỏ ngay từ đầu các chất dự 
đoán không có hoạt tính, tăng tỷ lệ thành công 
và đồng thời rút ngắn thời gian trong tìm kiếm 
các chất có hoạt tính kháng TOP-I. Bên cạnh ý 
nghĩa khoa học, đề tài còn xây dựng được 
protocol thực hiện quá trình docking bằng 
cách kết nối các chương trình miễn phí và ứng 
dụng triển khai ở qui mô phòng thí nghiệm. 
TÀI LIỆU THAM KHẢO 
1. Choi I, Kim C, Choi S. (2007). Binding mode analysis of 
topoisomerase inhibitors, 6-arylamino-7-chloro-
quinazoline-5,8-diones, within the cleavable complex of 
human topoisomerase I and DNA. Arch. Pharm. Res., 
30(12): 1526-35. 
2. DOCK 6.2. UCSF,  
DOCK_6/index.htm 
3. Dragon® (2009): The sofltware for calculating molecular 
descriptors, www.talete.mi.it/ 
4. Feng, W.; Satyanarayana, M.; Cheng, L.; Liu, A.; Tsai, Y.-C., 
Liu, L. F.; LaVoie, E.J. (2008) Synthesis of N-substituted 5-[2-
(N-alkylamino)ethyl]dibenzo[c,h][1,6]-naphthyridines as 
novel topoisomerase I-targeting anti-tumor agents. Bioorg. 
Med. Chem., 16: 9295–9301 
5. Feng, W.; Satyanarayana, M.; Tsai, Y.-C.; Liu, A. A.; Liu, L. F.; 
LaVoie, E. J. 11-Substituted 2,3-dimethoxy- 8,9 -
methylenedioxybenzo[i]phenanthridine derivatives as novel 
topoisomerase I-targeting agents. Bioorg. Med. Chem.. 2008, 
16, 8598-8606 
6. Fleury, F.; Sukhanova, A.; Ianoul, A.; Devy, J.; Kudelina, I.; 
Duval, O.; Alix, A. J. P.; Jardillier, J. C.; Nabiev, I. (2000). 
Molecular determinants of site-specific inhibition of human 
DNA topoisomerase I by fagaronine and ethoxidine. Relation 
to DNA binding. J. Biol. Chem., 275: 3501-9. 
7. Hsu, C.-W.; Chang, C.-C.; Lin, C.-J. (2008). LIBSVM: A 
Practical Guide to Support Vector Classification. 
8. Huỳnh Thị Ngọc Phương, Thái Khắc Minh (2009). Ứng dụng 
QSAR trong định hướng tổng hợp các chất tương đồng 
benzo[c]phenanathridin có tác dụng kháng ung thư. Y học 
Thành Phố Hồ Chí Minh, 13 (phụ bản 1- chuyên đề Dược): 
324-330. 
9. Ji, L.; Wang, X..; Qin, L.; Luo, S.; Wang, L. (2009) Predicting 
the Androgenicity of Structurally Diverse Compounds from 
Molecular Structure Using Different Classifiers. QSAR Comb. 
Sci. 2009, 28(5), 542-50, 
10. Lynch, M.A.; Duval, O.; Sukhanova, A.; Devy, J.; MacKay, 
S.P.; Waigh, R.D.; Nabiev, I. (2001). Synthesis, biological 
activity and comparative analysis of DNA binding affinities 
and human DNA topoisomerase I inhibitory activities of 
novel 12-alkoxy-benzo[c]phenanthridinium salts. Bioorg. 
Med. Chem. Lett., 11(19): 2643-2646. 
11. MOE 2007.02. Chemical Computing Group Inc., Montreal, 
H3A 2R7 Canada,  
12. Nakanishi, T.; Suzuki, M.; Mashiba, A.; Ishikawa, K.; 
Yokotsuka, T. (1998). Synthesis of NK109, an Anticancer 
Benzo[c]phenanthridine Alkaloid. J. Org. Chem., 63: 4235-9. 
13. R (2009): The R project for statistical computing, 
project.org/. 
Chuyên Đề Dược – YTCC – RHM – YHCT 9 
14. Ruchelman, A. L. et al. (2004). Dimethoxybenzo 
(i)phenanthridine-12-carboxylic acid derivatives and 6H-
dibenzo(c,h) (2,6)naphthyridin-5-ones with potent 
topoisomerase I-targeting activity and cytotoxicity. Bioorg. 
Med. Chem. Lett. , 14: 5585-9. 
15. Scaglioni, L.; Mazzini, S.; Mondelli, R.; Dallavalle, S.; 
Gattinoni, S.; Tinelli, S.; Beretta, G. L.; Zunino, F.; Ragg, E. 
(2009). Interaction between double helix DNA fragments and 
a new topopyrone acting as human topoisomerase I poison. 
Bioorg. Med. Chem., 17: 484-491 
16. Staker BL, Feese MD, Cushman M, Pommier Y, Zembower D, 
Stewart L, Burgin AB. (2005). Structures of three classes of 
anticancer agents bound to the human topoisomerase I-DNA 
covalent complex. J. Med. Chem., 48: 2336-45. 
17. Staker BL, Hjerrild K, Feese MD, Behnke CA, Burgin AB Jr, 
Stewart L. (2002). The mechanism of topoisomerase I 
poisoning by a camptothecin analog. Proc. Natl. Acad. Sci. 
USA, 99: 15387-92. 
18. Thái Khắc Minh, Huỳnh Thị Ngọc Phương (2008). Ứng dụng 
Dược Tin Học trong nghiên cứu khả năng ức chế 
topoisomerase I và độc tính tế bào của dẫn chất 
benzo[c]phenanthridin. Hội nghị Khoa Học Kỹ Thuật và 
Công Nghệ Hóa Dược Toàn Quốc, Hà nội, 1: 81-86. 
19. Thái Khắc Minh, Huỳnh Thị Ngọc Phương (2009). Dự đoán 
độc tính tế bào của các dẫn chất benzo[c]phenanthridin bằng 
mô hình QSAR. Tạp chí Dược học, 49 (2): 51-54. 
20. Thai, K.-M.; Ecker, G. F. (2008). A Binary QSAR Model for 
Classification of hERG Potassium Channel Blockers. Bioorg. 
Med. Chem., 16: 4107-19. 
21. Yap, C. W.; Chen, Y. Z. (2005). Prediction of Cytochrome P450 
3A4, 2D6, and 2C9 Inhibitors and Substrates by Using 
Support Vector Machines. J. Chem. Inf. Model., 45: 982-92. 
Chuyên Đề Dược – YTCC – RHM – YHCT 10 
Chuyên Đề Dược – YTCC – RHM – YHCT 11