Nghiên cứu lựa chọn dẫn xuất cyclodextrin ứng dụng trong chiết xuất apigenin và luteolin khóa luận tốt nghiệp dược sĩ

BỘ Y TẾ TRƯỜNG ĐẠI HỌC DƯỢC HÀ NỘI TRƯƠNG MINH NGHĨA NGHIÊN CỨU LỰA CHỌN DẪN XUẤT CYCLODEXTRIN ỨNG DỤNG TRONG CHIẾT XUẤT APIGENIN VÀ LUTEOLIN KHÓA LUẬN TỐT NGHIỆP DƯỢC SĨ HÀ NỘI -

BỘ Y TẾ

TRƯỜNG ĐẠI HỌC DƯỢC HÀ NỘI

TRƯƠNG MINH NGHĨA

NGHIÊN CỨU LỰA CHỌN DẪN XUẤT CYCLODEXTRIN ỨNG DỤNG TRONG CHIẾT XUẤT

APIGENIN VÀ LUTEOLIN

KHÓA LUẬN TỐT NGHIỆP DƯỢC SĨ

HÀ NỘI - 2023

BỘ Y TẾ

TRƯỜNG ĐẠI HỌC DƯỢC HÀ NỘI

TRƯƠNG MINH NGHĨA

Mã sinh viên: 1801492

NGHIÊN CỨU LỰA CHỌN DẪN XUẤT CYCLODEXTRIN ỨNG DỤNG TRONG CHIẾT XUẤT

LỜI CẢM ƠN

Lời đầu tiên, tôi xin gửi lời cảm ơn chân thành nhất tới PGS.TS Nguyễn Thu

Hằng - Trưởng bộ môn Dược liệu, Trường Đại học Dược Hà Nội Cô không chỉ là

người dẫn dắt tôi đến với nghiên cứu khoa học mà còn là người động viên, chỉ dẫn và đưa ra những lời khuyên bổ ích giúp tôi giải quyết các vấn đề gặp phải và hoàn thành đề tài một cách tốt nhất

Tôi cũng xin tỏ lòng biết ơn sâu sắc đến ThS Nguyễn Văn Phương - Giảng viên bộ môn Dược liệu, Trường Đại học Dược Hà Nội đã tận tâm hướng dẫn và hỗ

trợ tôi trong suốt quá trình nghiên cứu và hoàn thành khóa luận Sự chỉ bảo của thầy đã giúp tôi hiểu rõ hơn về phương pháp nghiên cứu cũng như công việc của mình

Bên cạnh đó, tôi cũng xin cảm ơn các thầy cô tại bộ môn, anh chị, các bạn và các

em sinh viên nghiên cứu tại bộ môn đã giúp đỡ tôi rất nhiệt tình, đặc biệt là 2 người bạn

luôn đồng hành cùng tôi là Nguyễn Thị Bích Ngọc và Nguyễn Minh Tuấn - 2 bạn đã

hỗ trợ tôi rất nhiều trong quá trình nghiên cứu và hoàn thiện khóa luận

Tôi cũng xin trân trọng cảm ơn đến Ban giám hiệu - Trường Đại học Dược Hà Nội, các thầy cô và các cán bộ nhà trường đã luôn tạo điều kiện tốt nhất cho tôi và tất cả

các bạn sinh viên trong quá trình học tập và nghiên cứu tại Trường Sự tận tâm và nhiệt

huyết của các thầy cô dưới mái Trường Đại học Dược Hà Nội đã truyền đạt những

kiến thức quý báu cho tất cả các sinh viên chúng tôi Cảm ơn thầy cô luôn yêu thương

và đặt lợi ích của sinh viên lên hàng đầu

Đồng thời, tôi muốn gửi lời cảm ơn tới gia đình, người thân và bạn bè đã luôn yêu thương và đồng hành bên cạnh tôi Họ là nguồn cảm hứng và là trụ cột vững chắc, giúp tôi vượt qua khó khăn và hoàn thành khóa luận này

Khóa luận là một phần quan trọng của hành trình học tập của tôi và một lần nữa, tôi xin bày tỏ lòng biết ơn sâu sắc đến tất cả thầy cô, gia đình và bạn bè Sự hỗ trợ và tin tưởng của mọi người đã giúp tôi tự tin và nỗ lực để hoàn thành khóa luận một cách tốt nhất

Hà Nội, ngày 05 tháng 06 năm 2023

Sinh viên

MỤC LỤC

ĐẶT VẤN ĐỀ 1

CHƯƠNG 1 TỔNG QUAN 3

1.1 Tổng quan về apigenin và luteolin 3

1.1.1 Apigenin 3

1.1.1.1 Công thức cấu tạo, tên khoa học của apigenin 3

1.1.1.2 Tính chất của apigenin 3

1.1.1.3 Phân bố trong tự nhiên của apigenin 3

1.1.1.4 Tác dụng dược lý của apigenin 3

1.1.2 Luteolin 5

1.1.2.1 Công thức cấu tạo, tên khoa học của luteolin 5

1.1.2.2 Tính chất của luteolin: 6

1.1.2.3 Phân bố trong tự nhiên của luteolin 6

1.1.2.4 Tác dụng dược lý của luteolin 6

1.2 Tổng quan về cyclodextrin 7

1.2.1 Cấu trúc hóa học và tính chất 7

1.2.1.1 Cấu trúc hóa học 7

1.2.1.2 Các dẫn xuất của cyclodextrin 7

1.2.1.3 Tính chất vật lý 9

1.2.1.4 Tính chất hóa học 9

1.2.2 Cơ chế tạo phức của cyclodextrin 10

1.2.3 Một số nghiên cứu ứng dụng cyclodextrin trong chiết xuất dược liệu 11

1.3 Tổng quan về quan hệ định lượng cấu trúc - tính chất (Quantitative Structure - Property Relationship - QSPR) 12

1.3.1 Khái niệm 12

1.3.2 Ứng dụng của QSPR 13

1.3.3 Một số thuật toán thường được sử dụng trong xây dựng mô hình QSPR 14

1.3.3.1 Hồi quy tuyến tính đa biến (Multiple linear regression - MLR) 14 1.3.3.2 Hồi quy bình phương tối thiểu từng phần (Partial least squares - PLS)

1.3.3.3 Vector hỗ trợ (Support Vector Regression - SVR) 14

1.3.3.4 Mạng perceptron nhiều lớp (Multilayer perceptron - MLP) 15

1.3.3.5 k láng giềng gần nhất (k-Nearest Neighbors - kNN) 15

1.3.3.6 kStar 15

1.3.4 Ưu, nhược điểm của các thuật toán trong xây dựng mô hình QSPR 15

1.3.5 Đánh giá mô hình QSPR 17

CHƯƠNG 2: NGUYÊN LIỆU, THIẾT BỊ, NỘI DUNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU 18

2.1 Nguyên vật liệu, thiết bị 18

2.2 Nội dung nghiên cứu 18

2.3 Phương pháp nghiên cứu 20

2.3.1 Phương pháp xây dựng và đánh giá mô hình QSPR biểu thị sự phụ thuộc của độ tan vào cấu trúc hóa học của các hợp chất 20

2.3.1.1 Phương pháp xây dựng mô hình 20

2.3.1.2 Phương pháp thẩm định và đánh giá mô hình 20

2.3.2 Phương pháp dự đoán độ tan của phức hợp cyclodextrin-apigenin/luteolin 22

2.3.3 Phương pháp chuẩn bị phức hợp apigenin, luteolin với cyclodextrin và xác định độ tan bằng thực nghiệm 22

2.3.4 Phương pháp mô phỏng tương tác phân tử (Molecular docking) 23

2.3.5 Phương pháp mô phỏng động lực phân tử (Molecular dynamics simulations) 23

CHƯƠNG 3 THỰC NGHIỆM, KẾT QUẢ VÀ BÀN LUẬN 24

3.1 Kết quả xây dựng mô hình QSPR biểu thị sự phụ thuộc của độ tan vào cấu trúc hóa học của các hợp chất 24

3.1.1 Kết quả xây dựng mô hình 24

3.1.1.1 Mô hình hồi quy tuyến tính đa biến (MLR) 24

3.1.1.2 Mô hình bình phương tối thiểu từng phần (PLS) 25

3.1.1.3 Mô hình vector hỗ trợ (SVR) 26

3.1.1.4 Mô hình perceptron nhiều lớp (MLP) 26

3.1.1.6 Mô hình kStar 28

3.1.2 Lựa chọn mô hình 28

3.1.3 Kết quả thẩm định và đánh giá mô hình kStar 29

3.1.3.1 Y-randomization 29

3.1.3.2 Phân tích độ nhạy 30

3.1.3.3 Thẩm định mô hình bằng thực nghiệm 31

3.2 Kết quả dự đoán độ tan của phức hợp cyclodextrin-apigenin/luteolin 32

3.3 Kết quả mô phỏng tương tác (Molecular docking) 33

3.4 Kết quả mô phỏng động lực phân tử (Molecular dynamics simulations) 34

3.5 Bàn luận 36

3.5.1 Về việc ứng dụng mô hình QSPR để lựa chọn dẫn xuất cyclodextrin phù hợp 36

3.5.2 Về việc sử dụng cơ sở dữ liệu AqSolDB để xây dựng mô hình QSPR 36

3.5.3 Về kết quả dự đoán độ tan của phức cyclodextrin - apigenin/luteolin và so sánh với thực nghiệm 37

KẾT LUẬN VÀ ĐỀ XUẤT 39

DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT

Artificial neural network

(High Performance Liquid Chromatography)

k-Nearest Neighbors

Mean Absolute Error

Multilayer Perceptron

Multiple linear regression

Partial least squares

Quantitative Structure-Property Relationship

Root Mean Squared Error

DANH MỤC CÁC BẢNG

Bảng 1.1 Một số dẫn xuất của cyclodextrin 8

Bảng 1.2 Độ tan theo nhiệt độ của các dẫn xuất cyclodextrin tự nhiên 9

Bảng 3.1 Kết quả đánh giá mô hình MLR ……… 24

Bảng 3.2 Kết quả đánh giá mô hình PLS 25

Bảng 3.3 Kết quả đánh giá mô hình SVR 26

Bảng 3.4 Kết quả đánh giá mô hình MLP 27

Bảng 3.5 Kết quả đánh giá mô hình kNN 27

Bảng 3.6 Kết quả đánh giá mô hình kStar 28

Bảng 3.7 Thông số đánh giá của các mô hình QSPR 29

Bảng 3.8 Kết quả Y-randomization của mô hình kStar 30

Bảng 3.9 Kết quả logS dự đoán của mô hình kStar trên tập kiểm tra và bằng thực nghiệm 31

DANH MỤC CÁC HÌNH VÀ ĐỒ THỊ

Hình 1.1 Cấu trúc hóa học của apigenin 3

Hình 1.2 Cấu trúc hóa học của luteolin 5

Hình 1.3 Cấu trúc của cyclodextrin 7

Hình 1.4 Cấu trúc của các loại cyclodextrin tự nhiên 8

Hình 1.5 Các bước tiến hành nghiên cứu QSPR 13

Hình 2.1 Sơ đồ thiết kế nghiên cứu ……… 19

Hình 3.1 Mối quan hệ giữa độ tan được dự đoán bởi mô hình MLR và các giá trị thực tế của các hợp chất trong tập huấn luyện và tập kiểm tra ……… 24

Hình 3.2 Mối quan hệ giữa độ tan được dự đoán bởi mô hình kStar và các giá trị thực tế của các hợp chất trong tập huấn luyện và tập kiểm tra 29

Hình 3.3 Hệ số độ nhạy của 17 chỉ số mô tả phân tử trong mô hình kStar 31

Hình 3.4 LogS dự đoán của phức hợp các dẫn xuất CD với apigenin/luteolin 32

Hình 3.5 Mô hình bền nhất của phức hợp apigenin và luteolin trong khoang kỵ nước của HP-β-CD 33

Hình 3.6 Kết quả mô phỏng trong dung dịch của phức β-CD/apigenin (1) và HP-β-CD/luteolin (2) bao gồm năng lượng (A), khoảng cách giữa trọng tâm của phân tử CD và flavonoid (B), số liên kết hydro (C) 35

1

ĐẶT VẤN ĐỀ

Apigenin và luteolin là hai hợp chất thuộc nhóm flavonoid thường gặp trong tự

nhiên và được tìm thấy ở nhiều loài thực vật như mùi tây (Petroselinum crispum Mill.), cần tây (Apium graveolens L.), nghệ tây (Crocus sativus L.), cúc hoa vàng (Chrysanthemum indicum L.), đậu triều (Cajanus cajan L Millsp) [14], [54], [74] Hai

hợp chất này được đánh giá là có nhiều triển vọng trong việc phát triển các sản phẩm ứng dụng với các tác dụng dược lý đã được chứng minh bằng thực nghiệm như chống viêm [15], hạ huyết áp [28], chống béo phì [53], hạ đường huyết [58], bảo vệ gan [24],

hạ acid uric máu [35], [91], Trong quá trình nghiên cứu phát triển sản phẩm, việc khảo sát lựa chọn các điều kiện của quy trình chiết xuất apigenin và luteolin từ dược liệu nhằm thu được tối ưu hàm lượng hoạt chất là cần thiết vì chiết xuất là giai đoạn chủ yếu quyết định chất lượng thành phẩm cuối cùng Chính vì vậy, một số nghiên cứu chiết xuất apigenin và luteolin từ dược liệu đã được thực hiện và thu được một số kết quả nhất định Ví dụ, nghiên cứu sử dụng hệ dung môi eutectic (DES) trong chiết xuất cao đặc giàu apigenin và luteolin từ cần tây [19], nghiên cứu sử dụng môi eutectic để chiết xuất apigenin và luteolin từ cúc hoa vàng [55] hay nghiên cứu chiết xuất apigenin và luteolin

từ lá đậu triều với sự hỗ trợ của enzym [14]

Trong thời gian gần đây, việc sử dụng cyclodextrin (CD) trong lĩnh vực chiết xuất dược liệu đang nổi lên như một xu hướng do không những mang lại hiệu quả vượt trội trong việc chiết xuất các chất thuộc nhóm flavonoid và polyphenol mà còn giúp cải thiện tác dụng, độ ổn định và sinh khả dụng của sản phẩm Không những thế, CD còn được được đánh giá là an toàn và thân thiện với môi trường [63], [83], [95] Khóa luận tốt nghiệp năm 2022 về nghiên cứu chiết xuất apigenin và luteolin từ cúc hoa vàng sử dụng β-CD của Dược sĩ Nguyễn Thu Hằngcũng cho thấy hiệu quả chiết xuất của CD vượt trội so với các dung môi thông thường [1]

Để nâng cao hơn nữa khả năng hòa tan, tạo phức, độ ổn định và tính chọn lọc của cyclodextrin, nhiều dẫn xuất của CD đã được tổng hợp và đưa vào ứng dụng như dimethylcyclodextrin, trimethylcyclodextrin, 2-hydroxypropylcyclodextrin (HP-β-CD),…[60] Do đó, việc tiến hành nghiên cứu lựa chọn dẫn xuất CD phù hợp nhất để

sử dụng trong chiết xuất là cần thiết Hiện nay đã có một số nghiên cứu sàng lọc dẫn xuất CD thích hợp để chiết xuất các hợp chất trong dược liệu, tuy nhiên phương pháp được sử dụng trong các nghiên cứu này đều là thử đúng và sai (trial and error) [18], [29],

2

[42] Mặc dù dễ thực hiện song phương pháp này bộc lộ nhược điểm khi số lượng mẫu thử tăng lên nhanh chóng Điều này đặc biệt quan trọng khi số lượng hoạt chất có trong dược liệu là rất lớn Để giải quyết hạn chế của phương pháp thử đúng và sai, nghiên cứu

mối liên quan định lượng cấu trúc - tính chất (Quantitative Structure-Property Relationship - QSPR) có thể là một giải pháp phù hợp cho việc lựa chọn dẫn xuất của

CD trong chiết xuất do vừa mang tính tổng quát, vừa chính xác mà còn giúp tiết kiệm đáng kể thời gian và chi phí thử nghiệm

Mặt khác, cho đến thời điểm hiện tại, từ các tài liệu thu thập được, chưa có nghiên cứu nào về lựa chọn dẫn xuất cyclodextrin phù hợp trong chiết xuất apigenin và luteolin

được thực hiện Vì vậy, đề tài khoá luận “ Nghiên cứu lựa chọn dẫn xuất cyclodextrin ứng dụng trong chiết xuất apigenin và luteolin” được tiến hành với 3 mục tiêu sau:

1 Xây dựng và đánh giá các mô hình QSPR biểu thị sự phụ thuộc của độ tan vào cấu trúc hóa học các hợp chất

2 Lựa chọn dẫn xuất cyclodextrin phù hợp nhất để chiết xuất apigenin và luteolin

3 Nghiên cứu cơ chế tạo phức bằng phương pháp mô phỏng tương tác phân tử và

mô phỏng động lực phân tử

3

CHƯƠNG 1 TỔNG QUAN

1.1 Tổng quan về apigenin và luteolin

1.1.1 Apigenin

1.1.1.1 Công thức cấu tạo, tên khoa học của apigenin

Cấu trúc hóa học của apigenin được thể hiện trong hình 1.1.

Hình 1.1 Cấu trúc hóa học của apigenin

- Công thức phân tử: C15H10O5

- Tên khoa học: 5,7-Dihydroxy-2-(4-hydroxyphenyl)-4H-chromen-4-on

- Khối lượng phân tử: 270,24

1.1.1.2 Tính chất của apigenin

- Trạng thái tồn tại: dạng rắn, tinh thể màu vàng

- Độ tan: tan trong ethanol, pyridine, dung dịch acid đặc, tan tốt trong kiềm loãng,

độ tan trong nước khoảng 183 mg/L ở 25oC

- Nhiệt độ nóng chảy: 347,5oC

- Khi đun nóng đến phân hủy, sẽ xuất hiện hơi cay và mùi khó chịu

- Giá trị pKa1 = 7,12; pKa2 = 8,10

1.1.1.3 Phân bố trong tự nhiên của apigenin

Apigenin được tìm thấy trong nhiều loại trái cây và rau quả trong đó cần tây

(Apium graveolens L.), mùi tây (Petroselinum crispum Mill.), actiso (Cynara cardunculus L.), kinh giới (Origanum vulgare L.) và cúc hoa vàng (Chrysanthemum indicum L.) là những nguồn phổ biến nhất [74] Apigenin đặc biệt có nhiều trong hoa của cúc La Mã (Matricaria chamomilla L.), chiếm 68% tổng số flavonoid [84] Mùi tây

có thể chứa khoảng 45 mg apigenin/gam dược liệu khô, hàm lượng apigenin trong hoa cúc khô khoảng 3-5 mg/g, trong quả cần tây là 786,5 μg/g [74]

1.1.1.4 Tác dụng dược lý của apigenin

Tác dụng ức chế enzym xanthin oxidase (XO) và hạ acid uric: Nghiên cứu của

Lin và cộng sự (2002) chỉ ra apigenin và allopurinol có tác dụng ức chế XO tương đương

B

4

nhau với cơ chế gắn vào trung tâm hoạt động của enzym này với giá trị Ki= 0,61 ± 0,31

µM [35] Nhóm hydroxy (-OH) gắn tại vị trí C5 và C7 là một yếu tố quan trọng liên quan đến tác dụng ức chế XO của các flavonoid đã được chứng minh trong nhiều nghiên cứu [50]

Tác dụng chống oxy hóa: Theo nghiên cứu của Debnath và cộng sự, các hợp chất

flavoinoid đặc biệt là apigenin và luteolin giúp tăng cường hoạt động của các enzym chống oxy hóa như GSH-synthase, CAT và SOD Hai hợp chất này cũng đóng vai trò kích hoạt gen mã hóa các enzym pha 2 bằng cách khóa phức hợp NADPH oxidase Ngoài ra, apigenin và luteolin cũng giúp tăng cường biểu hiện của yếu tố Nrf-2 - một yếu tố được chứng minh có tác dụng chống oxy hóa trong nhiều nghiên cứu [22], [59]

Tác dụng chống viêm: Apigenin có tác dụng chống viêm mạnh thông qua các cơ

chế khác nhau bao gồm p38/MAPK và PI3K/Akt, cũng như ngăn chặn sự phân huỷ IKB

và và ức chế COX-2 Apigenin còn ức chế TNF-α ở tế bào KF-8 với nồng độ 20 µM so với nhóm chứng sử dụng DMSO (p<0,05) [15], [33], [69] Apigenin còn có khả năng kháng viêm mạnh trong tế bào biểu mô dạ dày nhiễm H pylori nhờ ức chế hoạt động của NF-κB và các yếu tố gây viêm cũng như tăng cường biểu hiện của MUC-2 trong tế bào MKN45 [86]

Tác dụng chống ung thư: Nghiên cứu của Silvan và các cộng sự về tiềm năng

ngăn ngừa ung thư của apigenin bằng cách gây ung thư miệng ở chuột bằng DMBA Apigenin được sử dụng ở liều 2,5 mg /kg trọng lượng / ngày, bắt đầu một tuần trước khi tiếp xúc với chất gây ung thư và tiếp tục cho đến cuối thí nghiệm Kết quả thu được cho thấy rằng apigenin, đã thể hiện tác dụng phòng ngừa sự hình thành khối u so với mẫu chứng (chỉ tiếp xúc với DMBA) [75]

Một nghiên khác đã chỉ ra rằng apigenin có khả năng tăng cường hiệu quả của doxorubicin - một chất chống ung thư được sử dụng trong điều trị ung thư vú ba âm tính Sự tác động của apigenin vào hnRNPA2 làm tăng khả năng tử vong của tế bào ung thư vú ba âm tính khi điều trị bằng doxorubicin đồng thời apigenin có thể làm giảm khả năng kháng thuốc của tế bào ung thư do điều chỉnh biểu hiện của ABCC4 và ABCG2 [79]

Nhiều nghiên cứu thực nghiệm trên mô hình in vitro và in vivo đã chứng minh

tác dụng của apigenin trong việc điều chỉnh các mục tiêu phân tử và các con đường tín hiệu có vai trò quan trọng trong quá trình phát triển và tiến triển của ung thư như PI3K/AKT/mTOR, JAK/STAT, NF-κB, MAPK/ERK, Wnt/β-catenin, Ngoài ra,

5

apigenin cũng ức chế tính kháng hóa học và kháng phóng xạ và làm cho các tế bào ung thư nhạy cảm với các tác nhân này [2], [92]

Tác dụng bảo vệ gan: Nghiên cứu của Shuwen chứng minh rằng apigenin giúp

giảm thiểu tổn thương gan bằng cách cải thiện tình trạng viêm và chống oxy hóa thông qua ức chế con đường NF-κB, từ đó cho thấy tiềm năng của apigenin trong điều trị tổn thương gan [94]

Tác dụng hạ đường huyết: Apigenin có khả năng kích thích quá trình chuyển hóa

glucose và vận chuyển vào trong các tế bào ngoại vi; cũng như tăng tiết insulin từ tụy Apigenin có thể tăng cường quá trình chuyển hóa glucose thông qua việc ức chế hoạt động của các enzym gluconeogenic và enzym aldose reductase, từ đó ngăn chặn các biến chứng tiểu đường như đục thủy tinh thể, bệnh võng mạc và bệnh thần kinh [4]

Tác dụng trên huyết áp và tim mạch: Apigenin cải thiện chứng tăng huyết áp và

phì đại tim thông qua điều chỉnh thế hệ ROS phụ thuộc NADPH Oxidase và Cytokine trong nhân cận não thất [16] Feng và cộng sự đã nghiên cứu về cơ chế giãn mạch của apigenin trên động mạch chuột Apigenin có khả năng ức chế sự co động mạch chủ được gây ra bởi sự tăng dần nồng độ canxi (0,03-3 mM) trong môi trường có nhiều kali (60 mM), với giá trị IC50 khoảng 48 μM Kết luận chỉ ra apigenin làm giãn động mạch chuột chủ yếu bằng cách ức chế dòng ion Ca2+ thông qua cả kênh canxi hoạt hóa theo điện thế và theo receptor [30]

1.1.2 Luteolin

1.1.2.1 Công thức cấu tạo, tên khoa học của luteolin

Cấu trúc hóa học của luteolin được trình bày ở hình 1.2

Hình 1.2 Cấu trúc hóa học của luteolin

- Công thức phân tử: C15H10O6

- Tên khoa học 2-(3,4-dihydroxyphenyl)-5,7-dihydroxychromen-4-on

- Khối lượng phân tử: 286,24

B

6

1.1.2.2 Tính chất của luteolin:

- Trạng thái tồn tại: dạng rắn, tinh thể màu vàng

- Độ tan: độ tan trong nước khoảng 87,5 mg/L ở 25oC

- Nhiệt độ nóng chảy: 329,5oC

1.1.2.3 Phân bố trong tự nhiên của luteolin

Luteolin thường được tìm thấy trong một số loại rau và hoa quả như cần tây

(Apium graveolens L.), húng quế (Ocimum basilicum L.), dầu ô liu (Olea europaea L.), hành tây (Allium cepa L.), bông cải xanh (Brassica oleracea var italica L.), bạc hà (Mentha arvensis L.), hương thảo (Salvia rosmarinus Spenn.), kinh giới (Origanum vulgare L.), cà rốt (Daucus carota L.), actisô (Cynara cardunculus L.), cúc hoa vàng (Chrysanthemum indicum L.) là những nguồn giàu luteolin [46], [47] Nguồn luteolin

giàu nhất trong các loại rau củ là cần tây Trung Quốc với hàm lượng luteolin là 34,87 mg/g Đối với các loại dược liệu, luteolin có nhiều nhất trong lá kinh giới (1028,75mg) còn với các loại trái cây, chanh tươi chứa lượng luteolin cao nhất (1,50mg) Tóm lại, trong tất cả các loại rau quả, dược liệu và cây cỏ, kinh giới là cây có hàm lượng luteolin nhiều nhất [43]

1.1.2.4 Tác dụng dược lý của luteolin

Tác dụng ức chế enzym xanthin oxidase (XO) và hạ acid uric: Một nghiên cứu

của Nagao và cộng sự đã chứng minh luteolin có tác dụng ức chế mạnh hoạt động của

xanthin oxidase in vitro với giá trị IC50 là 0,96 µM so với 0,77 µmol của allopurinol [50] Trong 1 thử nghiệm lâm sàng mù đôi có đối chứng giả dược để đánh giá khả năng

hạ acid uric của cao chiết giàu luteolin từ Cúc hoa vàng Kết quả cho thấy cao Cúc hoa vàng có tác dụng hạ nồng độ acid uric máu sau 12 tuần sử dụng [81]

Tác dụng chống viêm: Luteolin có tác dụng chống viêm mạnh thông qua việc ức

chế TNF-α ở tế bào KF-8 với nồng độ 30 µM so với nhóm chứng sử dụng DMSO (p<0.05) [15] Khả năng chống viêm của luteolin thông qua cơ chế điều hòa yếu tố phiên

mã NF-κB, AP-1 hay STAT-3 [3]

Tác dụng chống ung thư: Hoạt tính chống ung thư của luteolin có liên quan đến

khả năng gây chết tế bào theo chương trình, ức chế sự tăng sinh tế bào và di căn Hơn nữa, luteolin làm tế bào ung thư nhạy cảm với các yếu tố gây độc tế bào qua việc ức chế các con đường tăng sinh của tế bào như phosphatidylinositol 3'-kinase (PI3K)/Akt, yếu

tố NF-kappaB và chất ức chế liên kết X của protein apoptosis (XIAP), đồng thời kích thích quá trình chết theo chu trình, bao gồm cả những con đường gây ra chất ức chế khối

u p53 [36]

hướng về phía vành hẹp [32] (Hình 1.3) Cấu trúc này cho phép CD tạo liên kết hydro

với phân tử ưa nước cũng như giúp cho cyclodextrin có khả năng hòa tan trong nước [8], [71] Khoang bên trong của cyclodextrin có tính kỵ nước và được cấu tạo từ các nhóm không phân cực như liên kết glycosid C3-O4 và liên kết C5-C(H) Khoang kỵ nước này có khả năng bao bọc một phần hoặc toàn bộ các phân tử hữu cơ nhỏ [8], [12] Nhờ cấu trúc đặc biệt này, cyclodextrin có thể làm thay đổi độ tan, tính ổn định và khả năng phản ứng của các phân tử được tạo phức trong khoang [11] Cyclodextrin có nhiều ưu điểm như nâng cao hiệu suất chiết xuất, giảm thiểu thời gian chiết xuất, cải thiện tác

dụng, độ ổn định và sinh khả dụng của sản phẩm chiết xuất [5]

Hình 1.3 Cấu trúc của cyclodextrin

1.2.1.2 Các dẫn xuất của cyclodextrin

Các cyclodextrin tự nhiên phổ biến nhất là α-CD, β-CD, -CD lần lượt chứa 6,7,8 tiểu đơn vị D- glucopyranose [44], [60], [70], [71] Cấu trúc của 3 loại CD này được thể

hiện ở hình 1.4 [32] Bên cạnh đó, một số dẫn xuất tổng hợp của CD cũng đang được

ứng dụng ngày càng nhiều như:

- Hydroxypropyl cyclodextrin (HP-CD): Hydro của nhóm OH ở vị trí C6 được thay

thế bằng nhóm 2-hydroxypropyl (–CH2CHOHCH3)

- Methyl cyclodextrin: Hydro của nhóm hydroxyl ở vị trí C2, C3 hoặc C6 được

thay thế bằng nhóm methyl (–CH3)

- Carboxymethyl cyclodextrin (CM-CD): Hydro nhóm OH ở vị trí C2, C3 hoặc C6,

được thay thế bằng các nhóm carboxymethyl (–CH2COOH)

8

Các dẫn xuất phổ biến của CD được trình bày ở bảng 1.1

Bảng 1.1 Một số dẫn xuất của cyclodextrin

Dẫn xuất hydroxyalkyl

Hydroxypropyl--cyclodextrin (HP--CD) Hydroxyethyl--cyclodextrin (HE--CD) Hydroxybutenyl--cyclodextrin (HBU--CD) Dẫn xuất methyl hoá

Methyl--cyclodextrin (M--CD) Dimethyl--cyclodextrin (DM--CD) Trimethyl--cyclodextrin (TM--CD) Dẫn xuất phân nhánh Glucosyl--cyclodextrin (G1--CD)

Maltosyl--cyclodextrin (G2--CD) Dẫn xuất acyl hoá

Triacetyl--cyclodextrin (TA--CD) Tributanoyl--cyclodextrin (TB--CD) Trivaleryl--cyclodextrin (TV--CD) Dẫn xuất alkyl hoá Diethyl--cyclodextrin (DE--CD)

Triethyl--cyclodextrin (TE--CD) Dẫn xuất anion Carboxymethyl- ethyl- -cyclodextrin (CME--CD)

Sulfobutyl ether- -cyclodextrin (SBE--CD)

Việc biến đổi các nhóm OH chỉ tác động tới độ tan của CD mà không ảnh hưởng đến tính kỵ nước hay đường kính khoang kỵ nước của phân tử CD do các nhóm hydroxyl đều hướng ra ngoài về mặt của phân tử [87]

Hình 1.4 Cấu trúc của các loại cyclodextrin tự nhiên

9

1.2.1.3 Tính chất vật lý

Trạng thái tồn tại: Ở điều kiện thường, các CD đều tồn tại dưới dạng tinh thể

màu trắng, không mùi, có vị ngọt [1], [6], [40]

Độ tan: Cyclodextrin có độ tan thấp nhưng tăng theo nhiệt độ, chúng có khả năng

hòa tan trong nước và các dung môi như dimethyl formanid, ethylen glycon, pyridin, dimethyl sulfoxid, không tan trong ethanol, methanol, aceton, ether, hydrocacbon no và hydrocacbon thơm [87]

Như đã đề cập, các nhóm hydroxyl (-OH) của phân tử CD có khả năng tạo liên kết hydro giúp CD tan tốt trong nước Mặc dù cả 3 dẫn xuất α-CD, β-CD, -CD có số lượng liên kết hydro gần bằng nhau nhưng độ tan giữa chúng lại có sự khác biệt đáng

kể Cụ thể, độ tan của α-CD, β-CD, -CD ở 25oC và 1 atm lần lượt là 14,5 g, 1,85 g và

23,2 g trong 100 ml nước [20] (Bảng 1.2) Xu hướng này vẫn giữ nguyên kể cả khi tăng

Từ bảng 1.2 có thể nhận thấy, β-CD có độ tan thấp hơn hẳn so với 2 dẫn xuất

còn lại Một số nghiên cứu giải thích rằng hiện tượng này là do các nhóm hydroxyl ở C2 và C3 của β-CD tạo liên kết hydro nội phân tử làm cho phân tử cứng nhắc và thiếu linh động, cản trở khả năng liên kết với các phân tử nước Tuy nhiên, trên thực tế β-CD

và các dẫn xuất của nó lại được sử dụng phổ biến và rộng rãi nhất nhờ sự phù hợp về thể tích lỗ trống với nhiều loại phân tử khách cùng chi phí sản xuất thấp hơn so với 2 hai loại CD còn lại [60] Độ tan của CD có thể tăng lên đáng kể khi thay thế các nhóm hydroxyl bằng các dẫn xuất thân nước khác Ví dụ, khi thay thế nhóm OH ở vị trí C6 của β-CD sẽ thu được dẫn xuất 2-hydroxypropyl β-CD (HP- β-CD) có độ tan trong nước cao hơn hơn 60 lần so với β-CD [60]

1.2.1.4 Tính chất hóa học

Cyclodextrin có thể bị oxy hóa bởi muối periodat (IO4-) nhưng không tạo ra acid formic hay formaldehyd Các phân tử CD bền hơn các oligosaccharid mạch thẳng tương ứng với độ ổn định cao trong môi trường kiềm Tuy nhiên, CD dễ bị thủy phân bởi acid

10

tạo thành các oligosaccharid mạch thẳng với số lượng đơn vị glucose khác nhau [60] Sản phẩm cuối cùng của quá trình thủy phân CD trong dung dịch acid là glucose [71] Tốc độ thủy phân của các CD trong acid tự nhiên theo thứ tự alpha > beta > gamma và chậm hơn so với maltooligosaccharid [71]

Liên kết glucosid trong CD chỉ bị thủy phân bởi alpha-amylase và không bị tác động bởi beta-amylase Tốc độ thủy phân bởi enzym giữa các loại CD tự nhiên tương đương với tốc độ thủy phân trong dung dịch acid [71]

1.2.2 Cơ chế tạo phức của cyclodextrin

Các CD có khả năng tạo phức với nhiều loại phân tử, chẳng hạn như alkyl glycosid, các hợp chất đối quang, các hợp chất alkyl mạch nhánh hoặc mạch vòng, hợp chất thơm và protein [26], [65], [66] Khi tạo phức, các phối tử thân dầu sẽ kết hợp với khoang kỵ nước của CD, tạo thành phức chất trong dung dịch Trong quá trình này, không có liên kết cộng hóa trị hoặc liên kết ion nào được hình thành, mà các phân tử đơn giản chỉ tương tác với nhau thông qua lực Van der Waals [60], [87] Các phối tử cần chứa các nhóm chức hữu cơ phù hợp để liên kết tối ưu với khoang kỵ nước của CD

Do các khoang của CD là khoang kỵ nước nên các phối tử kỵ nước có khả năng liên kết tốt hơn so với các phân tử ưa nước

Các tương tác giữa phối tử với CD bao gồm liên kết Van der Waals và liên kết hydro Trong hầu hết các trường hợp, liên kết Van der Waals là yếu tố chính làm ổn định phức hợp CD và phân tử khách [60] Trên thực tế, liên kết hydro thường đóng vai trò không lớn trong việc ổn định phức hợp tạo thành do các phối tử cũng khó tạo liên kết hydro với các nhóm hydroxyl ở phía ngoài của CD [60] Trái lại, liên kết hydro lại có vai trò quan trọng trong việc quyết định độ tan của phức hợp trong nước do các CD tự nhiên không có nhóm ion trừ khi ở trong môi trường acid hoặc base Ngoài ra trong khoang kỵ nước của phân tử CD luôn chứa một số phân tử nước nhất định, các phân tử này mang năng lượng lớn vì vậy việc loại bỏ các phân tử nước này ra khỏi khoang cũng

là yếu tố giúp ổn định phức trong dung dịch [38], [44]

Các CD có khả năng tạo phức với nhiều loại phân tử khác nhau và có thể tạo thành nhiều dạng phức hợp khác nhau tùy thuộc vào tỷ lệ số lượng CD và phối tử Một

số nghiên cứu đã chỉ ra rằng flavonoid như apigenin hay luteolin tạo phức với các CD theo tỷ lệ 1:1 [23], [25]

11

1.2.3 Một số nghiên cứu ứng dụng cyclodextrin trong chiết xuất dược liệu

Bởi vì các CD và dẫn xuất có khả năng phân hủy sinh học và tính tương thích cao về mặt sinh học, cùng với sự linh hoạt về cấu tạo phân tử, nên chúng được ứng dụng rộng rãi trong nhiều lĩnh vực Các ứng dụng này đều dựa trên khả năng tạo phức của

CD, qua đó giúp tăng độ ổn định của phối tử, tránh ánh sáng, oxy và phân hủy bởi nhiệt; tăng độ tan trong nước; giảm độ phân tán; che dấu mùi vị; tăng sinh khả dụng Ngày càng nhiều nghiên cứu tập trung vào khả năng ứng dụng của CD trong chiết xuất dược liệu do các dung dịch CD trong nước thân thiện với môi trường và rất an toàn [95]

CD có thể làm tăng độ tan của các chất khó tan trong nước như các flavonoid hay polyphenol tự do trong dược liệu nhờ khả năng tạo phức, cũng như tăng sinh khả dụng của chúng khi vào cơ thể Nhiều nghiên cứu đã chứng minh tính hiệu quả, an toàn và kinh tế của β-CD trong việc chiết xuất dược liệu [13], [64], [90], [95]

Một nghiên cứu đã so sánh khả năng chiết xuất của dung môi β-CD và nước đối với emodin, quercetin, nuciferin, TSG (Tetrahydroxy-stilben-2-O-B-D-glucosid) và RG (Rubrofusarin gentiobiosid) có trong thành phần của bải thuốc Xue-Zhi-Ning Kết quả cho thấy, khả năng chiết xuất của β-CD vượt trội hơn so với nước, với hàm lượng tất cả các hoạt chất cao hơn đáng kể (p < 0,01) Ngoài ra, β-CD còn giúp tăng độ tan và độ ổn định của các hoạt chất so với nước [95]

Darra và cộng sự đã thực hiện một nghiên cứu về hàm lượng polyphenol và flavonoid được chiết xuất từ bã quả đào với các dung môi β-CD, EtOH và nước ở các nồng độ khác nhau Kết quả cho thấy, hàm lượng polyphenol từ bã quả đào trong dịch chiết β-CD và EtOH ở các nồng độ khác nhau đều lớn hơn so với dịch chiết nước (p < 0,05) Đặc biệt hơn, dung môi β-CD đều cho thấy khả năng chiết xuất polyphenol tốt hơn so với nước ở cùng nồng độ Ví dụ, ở nồng độ 50 mg/ml, hàm lượng polyphenol trong dịch chiết β-CD và EtOH lần lượt là 715 và 630 mg GAE/g DM Tương tự, β-CD

và EtOH đều cho thấy khả năng chiết xuất flavonoid vượt trội hơn so với nước ở cùng nồng độ [13]

Nghiên cứu của Tutunchi và cộng sự cũng chỉ ra rằng kết hợp cả β-CD và siêu

âm trong quá trình chiết xuất tăng hàm lượng betanin và polyphenol toàn phần trong củ dền, đồng thời tăng độ ổn định của các chất này trong thực phẩm [83]

Mourtzinos và cộng sự cũng tiến hành một nghiên cứu chiết xuất các polyphenol gồm oleuropein, apigenin, kaempferol, luteolin từ lá ô liu sử dụng HP-β-CD và glycerol

12

Ở điều kiện chiết xuất tối ưu, tổng hàm lượng polyphenol thu được là 54,33 mg GAE/g dược liệu [49]

Đề tài khóa luận tốt nghiệp năm 2022: “Nghiên cứu tối ưu hóa chiết xuất apigenin

và luteolin từ Cúc hoa vàng với sự hỗ trợ của cyclodextrin” của Dược sĩ Nguyễn Thu

Hằng đã chứng minh khả năng cải thiện chiết xuất apigenin và luteolin từ cúc hoa vàng của β-CD so với một số dung môi thông thường [1] Cụ thể, hàm lượng apigenin và luteolin trong dịch chiết β-CD tăng lần lượt là 0,071 mg/g và 2,468 mg/g khi so sánh với dịch chiết methanol Con số này lần lượt là 0,192 mg/g với và 3,193 mg/g khi so sánh với dịch chiết ethanol 70% So với dung môi chiết là nước ở cùng điều kiện, hàm lượng apigenin trong β-CD nhiều hơn 15,4 lần trong khi với luteolin là khoảng 8,7 lần

1.3 Tổng quan về quan hệ định lượng cấu trúc - tính chất (Quantitative Structure -

Property Relationship - QSPR)

1.3.1 Khái niệm

QSPR (Quantitative Structure-Property Relationship) hay còn gọi là quan hệ

định lượng cấu trúc - tính chất là một phương pháp tính toán dựa trên cấu trúc hóa học

để dự đoán và mô tả các tính chất vật lý, hóa học và sinh học của một hoặc nhiều hợp chất [37], [51] QSPR sử dụng các biến số định lượng để xây dựng một mô hình toán học hoặc một bộ quy tắc dự đoán, dựa trên các đặc trưng cấu trúc của phân tử, như kích thước, hình dạng, số lượng các nhóm hóa học, điện tích và các thuộc tính liên quan khác

để dự đoán tính chất của hợp chất đó [37], [67] Các thông số phân tử có thể được xác định bằng thực nghiệm hoặc thông qua tính toán lý thuyết

Các bước cơ bản khi tiến hành một nghiên cứu QSPR bao gồm: (1) Lựa chọn tập

dữ liệu; (2) Lựa chọn và tính toán các thông số mô tả cấu trúc phân tử; (3) Xây dựng mô

hình; (4) Đánh giá mô hình [37], [51], [93] (Hình 1.5)

Những mô hình được xây dựng cho phép dự đoán tính chất của các hợp chất mới hoặc thậm chí là các chất giả định từ đặc điểm cấu trúc của hợp chất đó Do đó, mô hình

cơ bản của QSPR có thể được biểu diễn dưới dạng một hàm số [67]:

Tính chất phân tử = ƒ(cấu trúc hóa học, thuộc tính lý hóa)

Dự đoán tính chất vật lý và hóa học của một chất mới dựa trên đặc điểm cấu trúc: QSPR cho phép dự đoán các tính chất vật lý và hóa học của các hợp chất mới một

cách nhanh chóng và tiết kiệm chi phí

14

Tiết kiệm thời gian và chi phí thử nghiệm: Sử dụng mô hình QSPR giúp giảm

thiểu thời gian và chi phí thử nghiệm các chất mới bằng cách sử dụng các tính chất đã biết để dự đoán các đặc tính khác của chất đó mà không cần tiến hành thực nghiệm

Tăng hiệu suất thiết kế chất mới: QSPR có thể được sử dụng để thiết kế các chất

mới với các tính chất mong muốn một cách nhanh chóng và chính xác

1.3.3 Một số thuật toán thường được sử dụng trong xây dựng mô hình QSPR

1.3.3.1 Hồi quy tuyến tính đa biến (Multiple linear regression - MLR)

Thuật toán hồi quy tuyến tính đa biến hay MLR (Multiple linear regression) [1]

là một phương pháp thường được sử dụng để xây dựng mô hình QSPR do tính đơn giản,

rõ ràng, dễ hiểu Biểu thức tổng quát của một phương trình MLR như sau [77]:

Y = a0 +a1X1 + a2X2 + a3X3 + … + anXn

Trong đó, Y là biến phụ thuộc đại diện cho tính chất dự đoán trong khi X1, X2,…

Xn là các biến độc lập biểu thị các đặc điểm cấu trúc hoặc tính chất hóa lý khác nhau;

a1, a2,… an là hệ số tương ứng và a0 là hằng số MLR sử dụng phương pháp bình phương tối thiểu để tìm ra các hệ số trong phương trình tuyến tính, và sử dụng chúng để dự đoán các giá trị hoạt tính hoặc tính chất cho các phân tử mới Mô hình này thường được sử dụng trong các nghiên cứu yêu cầu sự đơn giản và ít phức tạp

1.3.3.2 Hồi quy bình phương tối thiểu từng phần (Partial least squares - PLS)

Thuật toán hồi quy bình phương tối thiểu từng phần hay PLS (Partial least squares) là một phương pháp hồi quy tuyến tính đa biến được ưu tiên sử dụng khi số

lượng biến đầu lớn mà có ít dữ liệu Phương pháp này cho phép giảm số lượng biến đầu vào cần sử dụng bằng cách tạo ra các biến ẩn để dự đoán biến đầu ra mà vẫn giữ được

độ chính xác cao [88]

1.3.3.3 Vector hỗ trợ (Support Vector Regression - SVR)

Vector hỗ trợ hay SVR (Support Vector Regression) là một thuật toán học máy

dùng để giải quyết bài toán hồi quy được giởi thiệu lần đầu năm 1992 bởi Vapnik [39], [52] Trong QSPR, mục tiêu của SVR là tìm ra một mô hình hồi quy tuyến tính tốt nhất trên không gian đặc trưng của dữ liệu huấn luyện bằng cách tìm một mặt phẳng phân chia tối ưu giữa các điểm dữ liệu Mục đích của SVR nhằm tối thiểu hóa sai số của các

dự đoán trên các điểm dữ liệu kiểm tra mới, đồng thời đảm bảo rằng sai số này không vượt quá một ngưỡng cho trước

15

Cách thức hoạt động của SVR là tìm một đường cong (thay vì một hyperplane)

để xấp xỉ hàm số tốt nhất cho các điểm dữ liệu Thuật toán sử dụng một thông số là ε (epsilon) để định nghĩa khoảng cách giữa các điểm dữ liệu và đường cong ước lượng Các điểm dữ liệu nằm trong khoảng này được gọi là support vector và chúng được sử dụng để xác định đường cong phù hợp nhất [76]

1.3.3.4 Mạng perceptron nhiều lớp (Multilayer perceptron - MLP)

Thuật toán mạng nơ-ron nhiều lớp (Multilayer perceptron) là một thuật toán mạng nơ-ron nhân tạo (Artificial neural network - ANN) lấy cảm hứng dựa trên cấu trúc

và chức năng của mạng lưới nơ-ron trong cơ thể [17], [21] MLP được phát triển để xử

lý các dữ liệu phi tuyến tính Mỗi lớp nơ-ron sẽ nhận đầu vào từ các nơ-ron ở lớp trước

đó và đưa ra đầu ra cho các nơ-ron ở lớp kế tiếp Quá trình này được lặp lại cho đến khi sai số đạt giá trị nhỏ nhất [52]

MLP được sử dụng phổ biến trong QSPR để xây dựng mô hình dự đoán tính chất của hợp chất hóa học từ thông tin về cấu trúc của chúng Các thông tin về cấu trúc này được sử dụng làm đầu vào cho mô hình MLP và mô hình được huấn luyện để học cách kết nối các đặc trưng này với tính chất cần dự đoán Sau khi mô hình đã được huấn luyện, nó có thể được sử dụng để dự đoán tính chất của các hợp chất mới mà không cần phải thực hiện các thí nghiệm để đo trực tiếp [61]

1.3.3.5 k láng giềng gần nhất (k-Nearest Neighbors - kNN)

Thuật toán kNN (k-Nearest Neighbors) có ý tưởng cơ bản là tìm ra k điểm dữ

liệu gần nhất với điểm dữ liệu đang xét trong tập huấn luyện, rồi sử dụng kết quả của các điểm này để dự đoán giá trị của điểm đang xét [41] Trong QSPR khi, cần dự đoán một tính chất nào đó, thuật toán kNN sẽ tìm kiếm trong cơ sở dữ liệu các chất có cấu trúc phân tử giống hoặc tương đồng với chất đang cần dự đoán Các đặc tính của những chất này sẽ được sử dụng để dự đoán tính chất của hóa chất cần tìm [85]

1.3.3.6 kStar

Thuật toán kStar là một dạng mở rộng của thuật toán k-Nearest Neighbor (kNN) tuy nhiên kStar không tìm những dự liệu gần nhất mà chỉ tìm những dữ liệu tốt nhất để xây dựng mô hình Vì thế kStar phù hợp hơn với các tập dữ liệu có tính chất phi tuyến

và không đồng nhất Ưu điểm của kStar là nó không yêu cầu quá trình huấn luyện, do

đó có thể sử dụng ngay lập tức với bất kỳ tập dữ liệu nào [56], [82]

1.3.4 Ưu, nhược điểm của các thuật toán trong xây dựng mô hình QSPR

16

MLR [39]

- Dễ hiểu và dễ áp dụng

- Xử lý dữ liệu nhiễu tốt, giúp đưa

ra kết quả dự đoán chính xác hơn

- MLR giả định mối quan hệ giữa các biến là tuyến tính nên sẽ không phù hợp với mối quan hệ giữa các biến là phi tuyến tính

- Cần có số lượng dữ liệu đủ lớn

để đảm bảo tính chính xác và độ tin cậy của kết quả dự đoán

- Có thể xử lý các biến đầu vào không phân phối chuẩn hoặc không độc lập

- Giảm thiểu hiện tượng quá khớp (overfitting)

- Không cho phép xác định trực tiếp mối quan hệ giữa các biến đầu vào và đầu ra

-Dữ liệu phải đủ lớn để mô hình

có thể đạt được độ chính xác mong muốn

-Tốc độ huấn luyện chậm hơn so với các mô hình MLR và SVR

MLP

[39],[21]

- MLP có khả năng học tập và biểu diễn được các hàm phi tuyến tính phức tạp

- MLP có khả năng tự học dựa trên dữ liệu không gian lớn và các tính năng phức tạp, giúp nó trở thành một lựa chọn hữu ích cho nhiều dữ liệu

- MLP có khả năng tổng quát hóa tốt, giúp nó đạt được hiệu quả cao trên tập dữ liệu kiểm tra mới

- MLP cần nhiều dữ liệu huấn luyện để đạt được hiệu quả tốt, điều này có thể là rào cản đối với các mô hình có số lượng dữ liệu hạn chế

- kNN phải lưu toàn bộ tập dữ liệu huấn luyện trong bộ nhớ để có thể tìm kiếm điểm gần nhất, điều này đòi hỏi bộ nhớ lớn khi xử lý dữ liệu lớn

- Khi dữ liệu có nhiễu hoặc các điểm dữ liệu bị khác biệt, kNN có thể dẫn đến sai sót và không chính xác

kStar [7]

- Không yêu cầu quá trình huấn luyện, do đó có thể sử dụng ngay lập tức với bất kỳ tập dữ liệu nào

- Khả năng xử lý tốt hơn so với các thuật toán học máy khác như SVM đối với dữ liệu tập dữ liệu

có cấu trúc phức tạp hoặc phi tuyến tính

- Không có khả năng tự học được

từ dữ liệu và có thể dẫn đến hiện

tượng quá khớp (overfitting)

- kStar cần phải tìm kiếm trong toàn bộ tập dữ liệu để tìm các điểm gần nhất Điều này đòi hỏi nhiều thời gian tính toán nếu tập

dữ liệu lớn

1.3.5 Đánh giá mô hình QSPR

Chất lượng của mỗi mô hình QSPR sẽ được đánh giá thông qua các thông số thống

kê [67]:

- Sai số bình phương trung bình - MSE (Mean Squared Error): đánh giá sự khác

biệt giữa giá trị dự đoán và giá trị thực tế Giá trị MSE càng nhỏ thì mô hình dự đoán càng chính xác

- Căn bậc hai sai số bình phương trung bình - RMSE (Root Mean Squared Error):

Đây là căn bậc hai của MSE Giá trị RMSE cũng càng nhỏ thì mô hình dự đoán càng chính xác

- Hệ số xác định R 2: đánh giá khả năng giải thích của mô hình R2 càng gần 1 thì

mô hình càng tốt trong việc giải thích dữ liệu

- Sai số trung bình tuyệt đối - MAE (Mean Absolute Error): đánh giá sự khác biệt

trung bình giữa giá trị dự đoán và giá trị thực tế MAE càng nhỏ thì mô hình dự

đoán càng chính xác

18

CHƯƠNG 2: NGUYÊN LIỆU, THIẾT BỊ, NỘI DUNG VÀ PHƯƠNG

PHÁP NGHIÊN CỨU

2.1 Nguyên vật liệu, thiết bị

Cơ sở dữ liệu: AqSolDB [78], Protein Data Bank [89]

Phần mềm: Weka 3.8.6, Autodock 4.2.6, Discovery Studio 4.5 Visualizer

Máy tính: Dell G3 3579 i5-8300H/ 8GB/ GTX 1050/ 15,6”FHD/ 141PPI / Win 10 Thiết bị và dụng cụ:

- Máy siêu âm Sonic vibra cell (Mỹ)

- Hệ thống sắc lý lỏng hiệu năng cao Shimadzu (Nhật Bản)

- Đầu lọc dung môi và mẫu HPLC với kích thước lỗ lọc 0,45 μm (hãng FINETECH

- Đài Loan)

- Các dụng cụ thí nghiệm: cốc có mỏ 50ml,100ml; pipet chia vạch 10ml, pipet chính xác 2ml, 5ml; pipet Pasteur; phễu; ống nghiệm; quả bóp cao su; bông lọc; đũa thủy tinh

Hóa chất:

- Dung môi: nước cất 2 lần, acid H3PO4 0,1% đạt tiêu chuẩn phân tích, acetonitril đạt tiêu chuẩn HPLC

- Hóa chất: cyclodextrin, apigenin, luteolin (Trung Quốc)

2.2 Nội dung nghiên cứu

Nội dung 1: Xây dựng mô hình QSPR biểu diễn sự phụ thuộc của độ tan vào cấu

trúc hóa học của các hợp chất

Nội dung 2: Lựa chọn mô hình tốt nhất để dự đoán độ tan của phức hợp

cyclodextrin-apigenin/luteolin

Nội dung 3: Lựa chọn dẫn xuất cyclodextrin tối ưu nhất để chiết xuất apigenin

và luteolin và so sánh với thực nghiệm

Nội dung 4: Nghiên cứu cơ chế tạo phức bằng phương pháp mô phỏng tương tác

phân tử (molecular docking) và mô phỏng động lực phân tử (molecular dynamics simulations)

Để giải quyết nội dung đề ra, đề tài được tiến hành theo sơ đồ thiết kế nghiên cứu

ở hình 2.1

19

Hình 2.1 Sơ đồ thiết kế nghiên cứu

Lựa chọn mô hình tối ưu nhất

Xây dựng mô hình QSPR

RMSE, MAE, R2 ,SC, Y- randomization

Dự đoán độ tan của apigenin,

luteolin và phức hợp với các

dẫn xuất CDs

MLR, SVR, PLS,MLP, kNN và kStar