Xây dựng mô hình toán học nhằm phát hiện hợp chất ức chế tyrosinase mới chỉ từ cấu trúc phân tử

_________________ - I »

BÀI NGHIÊN cứu ’ ^

Xây dựng mô hình toán học
nhằm phát hiện hợp chất ức chế
tyrosinase mới chỉ từ cấu trúc phân tử
Lê Thị Thu Hường', Phạm Thê' HảP, Bùi Thanh Tùng', Nguyễn Thanh Hải'
' Khoa Y Dược, Đại học Quốc Gia Hà Nội; ^ Trường Đại học Dược Hà Nội

SUMMARY
In this study, 4 QSAR models are successfully developed and validated for the identification of potential TIs from molecular
structures. A database of 701 TIs and 728 non-Tls and 2D TOMOCOMD-CARDD molecular descriptors are used. The Cluster Analysis
and the Linear Discriminant Analysis are employed to obtain models. OECD principles are used to validate the QSAR models. The global
accuracy of individual models in the training set and test set are superior than 85.2% và 83.1 % respectively. Taking into account the
OECD principles, model quality has been demonstrated, suggesting the suitability of applied methodology. The models developed in
particular ƠS well as current research methods in general could be used for saving time and money in early screening phase to identify

new leơd-like compounds amenable for developing ơntidepỊgmentant product
Từ khóa: hợp chất ức chế tyrsosinase, mô hình QSAR, nguyên tốc OECD.

Đặt vấn đề
Màu da của con người được quyết định bởi nhiểu
yếu tố khác nhau, trong đó yếu tố chính là sự sản xuất
và phân bố trên da của sắc tố melanin. Melanin được
sản xuất trong tế bào melanocyte của lớp biểu bì, dưới
tác dụng của enzym tyrosinase. Vi thế, các hợp chất ức
chế tyrosinase (UT) được sử dụng làm thuốc điều trị
các bệnh về tăng sắc tố da như nám da, sạm da, tàn
nhang, đồi mồi, đốm nâu và trong các sản phẩm mỹ
phẩm làm trắng da. Việc tìm kiếm những hợp chất mới

UT luôn thu hút mối quan tâm của các ngành công
nghiệp dược và mỹ phẩm. Để tiết kiệm thời gian và
công sức, việc phát triển các nghiên cứu vể mối quan
hệ định lượng giữa cấu trúc và hoạt tính của các hợp
chất {Quantitive Structure Actitity Relationship - QSAR)
có nhiểu ưu thế. Các mô hình QSAR có thể được sử
dụng như một công cụ để dự đoán hoạt tính của các
chất chỉ dựa vào thông tin cấu trúc phân tử. Ngoài ra,
chúng cũng được sử dụng để xác định các đặc điểm
cấu trúc quan trọng cho hoạt tính. Trong nghiên cứu
này, dựa trên mối quan hệ cấu trúc và hoạt tính UT,
các mô hình toán học QSAR được xây dựng nhằm
sàng lọc và phát hiện các hợp chất UT tiểm năng.
Nguyên liệu và phương pháp nghiên cứu
Nguyên liệu
C ơ sở dữ liệu (CSDL) gồm: Tập A [701 phân tử
đã được chứng minh tác dụng ức chế tyrosinase

6

Nghỉên cứu dưỢữlhông tin t h u õ c ! Số 1/2015

(active)] và tập B [728 thuốc với các tác dụng dược lý
khác nhau chưa được chứng minh khả năng ức chế
tyrosinase (inactive)]. Các hợp chất ƯT này được lựa
chọn từ 153 bài báo khoa học đăng trên tạp chí quốc
tế. Các bài báo được tìm kiếm theo từng nhà xuất bản,
theo Pubmed và cơ sở dữ liệu của Scopus. Quá trình
tìm kiếm sử dụng từ khóa "tyrosinase inhibitor(s)" (hợp
chất ƯT). Kết quả là các công bố từ năm 1974 đến nay

có chứa cụm từ "tyrosinase inhibitor'’trong tên (title),
các từ khóa {keywords) hoặc tóm tắt {abstract). Các
công bố là các bài báo đăng trên các tạp chí quốc tế,
hay kỷ yếu của các hội nghị khoa học. Các hợp chất
inactive được thu thập từ sách Negwer Handbook [1].
Phương pháp nghiên cửu
Phương pháp xây dựng các mô hình QSAR
Mô hình QSAR là mô hình biểu diễn mối liên hệ
định lượng giữa cấu trúc và tác dụng sinh học của các
chất. Để xây dựng được các mô hình này thì cả cấu
trúc và tác dụng sinh học đểu phải được định lượng
hóa. Mô hình QSAR sẽ có dạng:
Y-a,{x,) + a(x)+...+a„'(xJ
Trong đó, Y là biến đáp ứng (mang 2 giá trị: +1
đối với các hợp chất có tác dụng ức chê' tyrosinase
và -1 đối với các hợp chất không có tác dụng ức chế
tyrosinase); X,,XJ,X là các tham số phân tử đặc trưng
cho cấu trúc; a,,
a là các hằng số thể hiện trọng số
của từng tham số phân tửx. đối với tác dụng sinh học.
Tính toán các tham số phân tử đặc trưng cho cấu


trúc (tham số cấu trúc): Tham số cấu trúc là một số
thu được từ một quá trình toán học và logic chuyển
đổi thông tin được mã hóa trong cấu trúc hóa học [2].
Trong nghiên cứu này, các tham số được tính toán sử
dụng phẩn mểm TOMOCOMD-CARDD [3]. Các tham
số này được tính toán dựa trên cấu trúc 2D phân tử.
Các nguyên tử, được đặc trưng bằng các tính chất

nguyên tử [khối lượng nguyên tử (M), độ phân cực
(P), thể tích Van der Waals (V), độ âm điện Mulliken
(K)]. Các chỉ số bậc hai [qk{y), qkL(v), qkH(\/), qkLH
(1^)] [4], tuyến tính [fk(v), fkL(v), fkH(v), fkiH M] [5] và
song tuyến tính [bk{vn,zm), bkL(vn,zm), bkH{vn,zm),
bkLH(vn,zm)] [6] được tính toán.
Thiết kế tập huấn luyện và tập kiểm trơ: CSDL ban
đẩu được phân chia thành tập huấn luyện (để xây
dựng các mô hình) và tập kiểm tra (để đánh giá khả
năng ngoại suy của mô hình) bằng kỹ thuật phân
tích cụm của chương trình STATISTICA 9.0. Phương
pháp này chia mỗi tập A và tập B thành 15 cụm. Từ
từng cụm trên, lấy ra 75% các hợp chất để xây dựng
tập huấn luyện và 25% các hợp chất để xây dựng tập
kiểm tra.
Phát triển các mô hình QSAR-. Kỹ thuật phân tích sự
khác biệt tuyến tính (viết tắt theo tiếng Anh: LDA) của
chương trình STATISTICA 9.0 [7] được sử dụng để xây
dựng mô hình chọn nhóm các phân tử có tác dụng
ức chế enzym tyrosinase. Các tham số mô tả phân
tử được lựa chọn theo phương pháp "tập hợp con
tốt nhất" (best subset). Các mô hình được lựa chọn
theo nguyên lý parsimony ‘‘Occam's Razor" (đơn giản
nhưng tốt) và dựa vào các thông số thống kê là: độ
chính xác hay tỉ lệ phần trăm các chẩn đoán chính
xác (Accuracy, Q), độ nhạy (Sentivity, Sè), độ đặc hiệu
{Specificity, Sp) và tỉ lệ dương tính giả (False Positive
Rate,
Trong đó,
Độ nhạy= số dương tính thật/(số dương tính thật

+ số âm tính giả)
Độ đặc hiệu = số âm tính thật / (số âm tính thật +
số dương tính giả)

Các hợp chất được phân loại theo kết quả của xác
suất hậu nghiệm (posteriorprobability).ĩror\g trường
hợp này, hiệu của các xác suất hậu nghiệm được tính
toán theo phương trình:
AP% = [P (có hoạt tính) - p (không hoạt tính)] X 100.
Trong đó: p (có hoạt tính) là xác suất mà mô
hình phân loại một hợp chất là có hoạt tính ức chế
tyrosinse, còn p (không hoạt tính) là xác suất mà mô
hình phân loại một hợp chất là không có hoạt tính.
Như vậy, nếu một hợp chất AP% >0, sẽ được dự đoán
là có hoạt tính và AP% <0, sẽ được dự đoán là không
có hoạt tính.
Phương pháp đánh giá các mô hình Q5AR:
Các nguyên tắc của OECD [8] (quy định về thực
hành tốt xây dựng các mô hình QSAR) được sử dụng
để đánh giá các mô hình.
Kết quả nghiên cứu
Các mô hình QSAR biểu diễn mối quan hệ giữa
cấu trúc và tác dụng ức chế tyrosinase:
Thông tin cấu trúc từng hợp chất của CSDL được
mã hóa trong 2200 tham số cấu trúc TOMOCOMDCARDD. CSDL ban đẩu được chia ra làm tập huấn luyện
gổm 1027 chất (526 chất ư ĩ và 546 chất không UT)
và tập kiểm tra gổm 357 chất (175 chất UT, 182 chất
không UT). Trước tiên, một tập hợp gổm 10 mô hình
QSAR được xây dựng trên tập huấn luyện, trong đó 3
mô hình sử dụng các tham số TOMOCOMD-CARDD

bậc hai (ngẫu nhiên và không ngẫu nhiên), 3 mô hình
sử dụng các chỉ số tuyến tính (ngẫu nhiên và không
ngẫu nhiên), 3 mô hình sử dụng các chỉ số song tuyến
tính (ngẫu nhiên và không ngẫu nhiên), và 1 mô hình là
sự kết hợp của tất cả các chỉ số trên.Từtập 10 mô hình
ban đẩu, 4 mô hình tốt nhất được chọn và sử dụng để
dự đoán tập kiểm tra. Các thông số đặc trưng cho 4
mô hình này trên tập huấn luyện được biểu diễn trong
bảng 1. Tất cả các mô hình này đểu đạt độ chính xác
trên tập huấn luyện cao hơn 88,0 % và có tỉ lệ dương
tính giả trên tập huấn luyện thấp nhất là 8,25%.

Bảng 1. Thôngsỗ thángkê của 4 mô hình cho kếtquở tốtnhốt trên tộp huấn luyện.
MÔ hình

Q%

Se %

Sp%

1

3

89,26
90,92
91,10

89,17

90,42
91,15

88,82
90,96
90,61

FPrate^
10,65
8,60
8,95

4

91,72

91,70

91,33

8,25

2

Q%: độchínhxác; Se%; độnhạy; Sp%: độđặchiệu; %: ti lệdươngtính giả; Môhình 1sửdụng cácchỉ số TOMOCOMD-CARDDbậc hai; Môhình2
sửdụng cácchỉ sỗ TOMOCOMD-CARDDtuyếntính; Môhình3sửdụng cácchỉ số TOMOCOMD-CARDDsongtuyếntính; Môhình4làsựkết hợptất cả
cácchlsỗ TOMOCOMD-CARDD

SỐ1/2015

Nghiên cứu dượcĩhông tin thuõc


BÀI NGHIÊN CỨU %

'

Phương trình (1) là một minh họa cho mô hình 4. Mô hình toán học này kết hợp tất cả các chỉ SỐTOMOCOMDCARDD (chỉ số đôi, chỉ số tuyến tính, chỉ số song tuyến tính). Theo như bảng 1, mô hình này có khả năng dự
đoán chính xác 91,72% các hợp chất của tập huấn luyện và tỉ lệ nhám lẫn khi dự đoán một chất không có tác
dụng ức chế là có tác dụng (ti lệ dương tính giả) là 8,25%.
Hoạt tính ư t = -0.156 -0.001
+2.193 x10
+1.524 Xl
- 1 . 2 1 8 x 1 - 7 . 9 1 8 Xl O
+0.833“-^b3,H^,yJ-

+0.593'^f3^«{Xg.„)

1

+0.222^'^b}(x^_^,yJ (1)

Trong đó:
là các chỉ số bậc 2 cục bộ dựa
Mc_ /.A IX _________________________ u?
vào____Vc_
ma trận/„\không
ngẫu nhiên/"q,(x), ^%(x) là các chỉ
số bậc 2 tổng dựa vào ma trận ngẫu n h i ê n ; J là
chỉ số tuyến tính cục bộ dựa vào ma trận không ngẫu

nhiên, ’’fjM là chỉ số tuyến tính tổng dựa vào ma trận
không ngẫu nhiên,
là chỉ số tuyến tính cục
bộ dựa vào ma trận ngẫu nhiên,
là chỉ số song tuyến tính cục bộ
dựa vào ma trận ngẫu nhiên.
Đánh giá các mô hình QSAR
Để sử dụng và được thông qua các mô hình QSAR
bởi các cơ quan quản lý, các mô hình phải thỏa mãn
các nguyên tắc của OECD (tổ chức kinh tế thế giới) [9],
Tiêu chí 1(có đích xác định)
Trong nghiên cứu này, đích là sự phân loại các hợp
chất thành 2 nhóm: chất UT và chất không UT. Trong
CSDL, nhiều phương pháp khác nhau được sử dụng
để đo lường mức độ ức chế, khả năng ức chế được
biểu diễn dưới nhiểu hình thức khác nhau, như nổng
độ ức chế 50% (ICji,), phẩn trăm ức chế (1%) hay hằng
số ức chế (K|). Tham khảo [8], [9] để có thêm thông
tin chi tiết. Vi thế các mô hình được xây dựng là các
Hình 1. Kếtquả của quá ừình đánh giá LGOtrên tập huổn luyện.

mô hình tổng hợp, có thể được sử dụng để tìm kiếm
các hợp chất mới trên các sườn cơ bản khác nhau và
cung cấp các hợp chất dẫn đường mới cho quá trình
nghiên cứu và phát triển thuốc mới.
Tiêu chí2 (thuật toán rõ ràng)
Phương pháp xây dựng các mô hình trong nghiên
cứu này được mô tả trong phần 2. Mô hình toán học
được phát triển sử dụng kỹ thuật LDA để biểu diễn
mối quan hệ giữa đích (ức chế enzyme tyrosinase) và

các tham số phân tửTOMOCOMD-CARDD. Các chỉ số
TOMOCOMD-CARDD được phát triển và được định
nghĩa rõ ràng trong các nghiên cứu trước đây [4]-[6].
Vì thế mô hình có thể được xây dựng lại và được sử
dụng để phát hiện các hợp chất mới UT.
Tiêu chí3 (miên cấu trúc xác định)
Miền cấu trúc là khoảng không gian cấu trúc bao
gổm trong mô hình. Chỉ những dự đoán đối với các
hợp chất có cấu trúc nằm trong miền cấu trúc này mới
đáng tin cậy. Còn dự đoán đối với các cấu trúc nằm
ngoài miển cấu trúc là quá trình ngoại suy. Sử dụng
kết quả của chương trình AMBITDiscovery, có 42 hợp
chất (của 1072 hợp chất của tập huấn luyện) nằm

Băng 2. Các thôngsố thống kê của 4 mô hình ữên tập kiếm nghiệm.
MÔ hình

Q%

Se %

Sp%

11,54
87,86
87,68
86,86
87,21
12,09
2

86,83
85,71
13,74
87,11
88
86,03
3
10,44
89,02
4
88,79
88
Môhình 1sửdụng cácchỉ số TOMOCOMD-CARDDbậc hai; Môhình2sửdụng cácchỉ số TOMOCOMD-CARDDtuyếntính; Môhình 3sửdụng cácchỉ số
TOMOCOMD-CARDDsongtuyếntính; Môhình4làsựkết hợptất cảcácchi sổ TOMOCOMD-CARDD
1

8

! Nghiên cứu duợcThống tin thuõc' Số 1/2015


A

ngoài miền cấu trúc của các mô hình. Kết quả này có
thể chấp nhận được theo nhưcông bố của các nghiên
cứu trước đây [10].
Tiêu chí4
Kết quả của quá trình đánh giá nội (để 1 nhóm hợp
chất ở bên ngoài-viết tắt theo tiếng Anh: LGO) được
mô tả trong hình 1. Hình 1 là một ví dụ biểu diễn độ

chính xác của mô hình 4 trên tập huấn luyện đã được
thay đổi (loại bỏ 5-30% tập huấn luyện ban đầu) và
trên phần tập hợp được để lại ở bên ngoài. Theo như
quan sát trên hình độ chính xác của mô hình có sự
thay đổi ít. Điểu này chứng tỏ, mô hình tương đối ổn
định với những thay đổi của tập huấn luyện và không
phụ thuộc vào một phẩn nào của tập huấn luyện.
Quá trình đánh giá ngoại sử dụng mô hình để dự
đoán các hợp chất trên tập kiểm nghiệm. Tập kiểm
nghiệm bao gồm những phán tử mà mô hình chưa
bao giờ nhìn thấy trong quá trình huấn luyện. Kết quả
của quá trình đánh giá ngoại được mô tả trong bảng 2.
Theo như quan sát trên bảng 2, các mô hình có
khả năng dự đoán tương đối cao (mô hình 4 dự đoán
chính xác 88,79%) và khả năng nhắm lẫn khỉ kết luận
một chất không có hoạt tính là có hoạt tính tương đối
thấp (10,44%).
Tiêu chỉ5
Giải thích cơ chế (nếu có thể). Trong trường hợp
này do đặc thù của CSDL và các tham số phân tử được
sử dụng nên nghiên cứu này không tiến hành giải
thích cơ chế. Ngoài ra, các mô hình QSAR có 2 mục
đích, một là để giải thích cơ chế, hai là để dùng cho
sàng lọc ảo để dự đoán khả náng có hoạt tính. Trong
nghiên cứu này, các mô hình QSAR được xây dựng để
sử dụng cho mục đích hai.
Bàn luận
Quá trình nghiên cứu và phát triển thuốc thường
tốn kém thời gian, công sức và tiền bạc Theo thông
tin mới nhất chi phí cho toàn bộ quá trình này ước

tính khoảng 1 tỉ đô la Mỹ [11].Trong đó, tốn kém nhất
là quá trình phát hiện hợp chất dẫn đường mới (lead
compounds). Hàng loạt phương pháp mới ra đời giúp
sàng lọc nhanh và hiệu quả các hợp chất có hoạt
tính sinh học Hiện nay, nhiều trung tâm/viện nghiên
cứu đã tiến hành sử dụng hệ thống sàng lọc tự động
thông lượng cao [High-throughput screening (HTS)]
với khả năng sàng lọc hàng nghìn kết quả chỉ trong
vòng một tuần. Tuy nhiên, phương pháp này vẫn
không hiệu quả do tỉ lệ dương tính giả vẫn cao và vẫn

tốn kém. Theo hướng này, các phương pháp lý thuyết
đã được phát triển và ứng dụng rộng rãi, ra đời khái
niệm in siHco bổ sung cho các khái niệm in vivo, in vitro,
in situ đã tổn tại từ lâu.
Việc phát triển các mô hình QSAR, là một bước
tiến quan trọng trong các nghiên cứu này. Các mô
hình QSAR giúp phát hiện các hợp chất mới có hoạt
tính sinh học một cách nhanh chóng. Hơn nữa chúng
lại rất hiệu quả, do chỉ cần thông tin vể cấu trúc của
hợp chất.
Trong nghiên cứu này, 4 mô hình QSAR mới đã
được xây dựng, các mô hình này đã có khả năng dự
đoán rất cao, trên tập huấn luyện - là tập hợp các phân
tử dùng để xây dựng mô hình (khả năng phát hiện
chính xác là thấp nhất là 85,2%, và khả năng nhẩm
lẫn một chất không có khả năng ức chế thành có khả
năng chỉ có 8,25%).
Các mô hình cũng được đánh giá theo các tiêu chí
của tổ chức kinh tế thế giới (OECD) [9]. Đáng chú ý

là mô hình có khả nâng phát hiện chính xác tới 89%
các hợp chất của tập kiểm tra. Tập kiểm tra bao gồm
các phẩn tử mà mô hình chưa bao giờ gặp. Điểu này,
chứng tỏ mô hình có khả năng phát hiện/dự đoán
tốt. Và có thể được sử dụng để sàng lọc hoạt tính cho
các hợp chất. Các mô hình được phát triển cũng dựa
trên các thuật toán tương đối rõ ràng, các tham số
cấu trúc được sử dụng có thể được tính toán sử dụng
phần mềm TOMOCOMD-CARDD miễn phí sử dụng
tại {n/). Ngoài ra, các mô hình
còn là công cụ hỗ trợ đắc lực cho việc thiết kế các
hợp chất mới nhằm cải thiện khả năng ức chế (hoạt
tính sinh học).
Kết luận
Trong nghiên cứu này, 4 mô hình toán học đã được
xây dựng thành công để biểu diễn mối quan hệ định
lượng giữa cấu trúc và tác dụng ức chế tyrosinase. Các
mô hình đảm bảo độ chính xác và thỏa mãn các đánh
giá theo các nguyên tắc của OECD. Do đó, các mô
hình này có thể được sử dụng bởi bất kỳ trung tâm
hay viện nghiên cứu nào trong quá trình tìm kiếm hợp
chất mới ux mà chỉ cắn thông tin về cấu trúc phân tử.
Việc sử dụng các mô hình này nói riêng cũng như các
phương pháp trong nghiên cứu này nói chung có thể
giúp tiết kiệm thời gian và tiền bạc trong việc sàng lọc
nhằm phát hiện các hợp chất dẫn đường mới trong
quá trình nghiên cứu và phát triển các sản phẩm làm
sáng da, chống nám.

Số 1/20151Nghiên cứu duợGĨhông tin thuõc

Ị

9


_________ —

"ồ"

BÀI NGHIÊN CỨU * ^
TÀI LIỆU THAM KHÀO
1. M, N., (1987), Orgơnic-chemicol drugs and their synonyms. Berlin: Akademie-Verlag.
2. Todeschini, R. and V. Consonni (2000), Hondbook of Molecular Descriptors. 1St ed. Methods and Principles in Medicinal Chemistry, ed.
R. Mannhold, H. Kubinyi (2002), and H. Timmerman. Vol. 11., D-69469 Weinheim, Federal Republic of Germany: WILEY-VCH Verlag
GmbH. 667.
3. Marrero-Ponce, Y. and V. Romero (2002), TOMOCOMD software (TOpologicơl Molecular COMputer Design) for Windows: Central
University of Las Villas. Villa Clara. Cuba. p. ( />4. Marrero-Ponce,Y.(2004),Total and local (atom and atom type) molecular quadratic indices: significance interpretation, comparison to
other molecular descriptors, and QSPR/QSAR applications. Bioorg Med Chem. 12 (24): p. 6351-69.
5. Marrero-Ponce, Y., et al. (2005), Non-stochastic and Stochastic Linear Indices of the"Molecular Pseudograph's Atom Adjacency Matrix":
Application to'in silico'Studies for the Rational Discovery of New Antimalarial Compounds. Bioorg Med Chem. 13 (4): p. 1293-304.
6. Marrero-Ponce, Y. and F.Torrens (2008), Novel 2D TOMOCOMD-CARDD Descriptors: Atom-based Stochastic and non-Stochastic Bilinear
Indices and their QSPR Applications. J/Wứf/7 Chem. 44 (3): p. 650-673.
7. STATISTICA (data analysis software system) V 9.2009, Tulsa,OK:: StatSoft Inc.
8. OECD Principles for the Validation, for Regulatory Purposes, of (Quantitative) Structure-Activity Relationship Models, in 37^^ Joint
Meeting of the Chemicals Committee and Working Party on Chemicals, Pesticides ond Biotechnology. 17-19 November 2004. Paris.
9. OECD, in Guidance Document on the Validation of (Quantitative) structure-Activity Relationship [(Q)SAR] Models, Series on Testing
and Assessment No. 692007: Poris. p. 154pp.
10. Alvarez-Ginarte, Y.M., et al. (2008), Chemometric and Chemoinformatic Analyses of Anabolic and Androgenic Activities ofTestosterone
and Dihydrotestosterone Analogues. Bioorg Med Chem. 16 (12): p. 6448-6459.

11. Paul, S.M., et al. (2010), How to improve R&D productivity: the pharmaceutical industry's grand challenge. Nature Reviews Drug
Discovery, March. 9: p. 203-214.

Xây dựng quy trình xác định bufalin
trong sản phẩm có chứa bột cóc
bằng LC-MS/MS
Lê Đình Chi', Lê Thị Hổng Hảo^
Irường Đại học Dược Hà Nội, ^Viện Kiểm nghiệm an toàn Vệ sinh thực phẩm quốc gia
SUMMARY
A selective LC-MS/MS method has been developed to determine the residue of bufalin, a toxin of Vietnamese toad, in products
containing toad powder. In this method, bufolin was extracted from sample with methanol, the methanol extraction was then
centrifuged twice at 6000 rpm and gone through the Supm-poly® HLB SPE column for pre-treatment before anolysing by LC-MS/MS.
The chromatographic procedure using C IS column as stationary phase with a gradient elusion using acetonitrile -0.1% (m/v) formic
odd mixture. The ESI(-\-)-MS/MS detection using the primary ion (m/z = 387) and 2 secondary ions (m/z = 351 and 255) to identify
bufalin and the secondary ion (m/z = 351) for quantitative determination of bufalin. The limit of quantification (LOQ) and limit of
detection (LOD) for bufolin of the established method were 4.16 ng/ml and 1.25 ng/ml, respectively. The method was also validated
in terms of specificity, linearity, accuracy and precision, and has been proved to be reliable enough for identification and quantitative
determination ofbufalin in products containing toad powder.
Từ khóa: bufalin, độc tố cóc, sốc ký lỏng, khối phổ, LC-MS/MS.

Đặt Vấn để
Bufalin, tên khoa học là (sp, 5(ỉ)-3,
14-dihydroxỵbufa-20, 22-dienolide (công thức phân
tử:
khối lượng phân tử: 386,52, công thức
cấu tạo được trình bày ở hình 1 là một chất thuộc
nhóm bufadienolid và đã được xác định là thành phần

10 Nghiên cứu duợcThông tin thuõc i Số 1/2015

chính trong nhựa cóc Việt Nam (Bufo melơnostictus)
[4]. Các hợp chất nhóm bufadienolid cũng chính là
thành phẩn chủ yếu tạo thành độc tố cóc (bufotoxin)
gây nên nhiều trường hợp tử vong do án thịt cóc bị
nhiễm độc tại Việt Nam [2]. Thịt cóc đã từ lâu được sử
dụng để tăng cường dinh dưỡng [1] và hiện đang có