Khám phá hợp chất flavonoid và theaflavin từ chi Camellia ở Việt Nam theo hướng ức chế Keap1-Nrf2 bằng phương pháp sàng lọc in silico

Chỉ số đề mục

76

Lĩnh vực nghiên cứu

Dược liệu học; Cây thuốc; Con thuốc; Thuốc Nam, thuốc dân tộc

Dạng tài liệu

BB

Tác giả

Nguyễn Minh Quân, Đoàn Nguyễn Việt Hà, Nguyễn Bùi Quốc Huy⁽¹⁾, Giang Thị Kim Liên, Lê Nguyễn Thiên Hân, Nguyễn Minh Hiền⁽²⁾

Nhan đề

Khám phá hợp chất flavonoid và theaflavin từ chi Camellia ở Việt Nam theo hướng ức chế Keap1-Nrf2 bằng phương pháp sàng lọc in silico

Nhan đề tiếng anh

Unveiling the flavonoid and theaflavin compounds from the genus camelliain vietnam towards inhibiting keap1-nrf2 by in silicoscreening method

Nguồn trích

Tạp chí Khoa học và Công nghệ - Đại học Đà Nẵng

Năm xuất bản

2024

Số

11A

Trang

43-52

ISSN

1859-1531

Từ khóa

Mô hình học máy Ức chế phức hợp Keap1-Nrf2, Chi Camellia, Docking phân tử, In silico

Từ khóa tiếng anh

Machine learning, Keap1-Nrf2 inhibitor, Camelliagenus, Molecular docking, In silico

Tóm tắt

Các cây thuộc chi Chè Camellia từ lâu đã được chứng minh có khả năng chống stress oxy hóa thông qua sự dập tắt các gốc tự do. Nghiên cứu này sử dụng phương pháp sàng lọc ảo in silico tích hợp thuật toán học máy để dự đoán khả năng chống oxy hóa thông qua việc tăng cường biểu hiện Nrf2 của 5 loài thuộc chi chè Camellia bao gồm Camellia sinensis, Camellia quephongensis, Camellia oleifera, Camellia amplexicaulis và Camellia japonica. Mô hình học máy phân loại hợp chất được xây dựng dựa trên bốn thuật toán học máy bao gồm Support vector machines (SVM), Random forests (RF), Extreme gradient boosting (XGBoost) và Multilayer Perceptron (MLP). Từ mô hình phân loại có hiệu suất tối ưu, nghiên cứu đã xác định được 33 hợp chất tiềm năng. Các hợp chất được phân loại có khả năng kích hoạt Nrf2 được docking phân tử trên với thụ thể Keap1-Nrf2 (PDB ID: 2FLU). Kết quả cho thấy, có bốn hợp chất với số điểm docking tốt nhất là camellianoside (-10,4 kcal/mol), theaflavin-3-gallate (-9,9 kcal/mol), theaflavin-3'-gallate (-9,8 kcal/mol) và camelliaside B (-9,7 kcal/mol).

Tóm tắt tiếng anh

Species from the Camelliagenus have long been shown antioxidant properties through the quenching of free radicals. This study employed an in silicovirtual screening approach, integrating machine learning algorithms to predict the antioxidant potential of five species from the Camelliagenus, namely Camellia sinensis, Camellia quephongensis, Camellia oleifera, Camellia amplexicaulis, and Camellia japonica, by evaluating the capacity to inhibit Keap1-Nrf2 complex, indirectly enhance Nrf2 expression. Four machine learning algorithms including Support Vector Machines (SVM), Random Forests (RF), Extreme Gradient Boosting (XGBoost), and Multilayer Perceptron (MLP)-were utilized to build a classification model for predicting compound activity. Based on the top-performing model, 33 promising compounds were identified. These Nrf2-activating compounds were further analyzed through molecular docking with the Keap1-Nrf2 complex (PDB ID: 2FLU). The docking results highlighted four compounds with the most favorable binding affinities: camellianoside (-10.4 kcal/mol), theaflavin-3-gallate (-9.9 kcal/mol), theaflavin-3'-gallate (-9.8 kcal/mol), and camelliaside B (-9.7 kcal/mol).

Kí hiệu kho

TTKHCNQG, CVv 465

File toàn văn

Xem toàn văn