Nonlinear quantitative composition-activity relationship approach to natural products research

Abstract

Quantitative composition-activity relationship (QCAR) is the one of experimental methods for new drug leads discovery from natural products. This is a computational analysis aided relation modeling method using chemical fingerprints and bioactive potency of plant metabolites. QCAR is a kind of statistical method requiring chemical and biological data of several different samples that have similar chemical composition and bioactivity. We performed QCAR experiment with Artemisia princeps, whose gastroprotective potency is well known. We obtained 40 different A. princeps samples and acquired their chemical fingerprint using HPLC-PDA-MS. We performed aspirin-induced AGS human gastric cancer cell viability assay for comparing gastroprotective potency of each samples. Before building a regression model, retention time shifts of HPLC fingerprints were compensated by using correlation optimized warping (COW) algorithm. After that, we built chemical fingerprint-bioassay data relationship models using PLS-regression and random forest regression. We split samples into training set of 30 samples and validation set of 10 samples. Prediction models were built from training set, then validation was performed with input of validation set into model built. PLS regression seemed to be unsuitable for this model because of its character of linear regression, but we succeeded to build nonlinear prediction model with random forest regression. As a result, we could predict the bioactivity level from chemical fingerprint of A. princeps. Although the slope of the predicted values versus experimental values was about 1.6, there was shown a significant proportional tendency between them. Also, we could get information about which constituents of A. princeps afftect the viability of aspirin-induced AGS cells. We succeeded to acquire similar result in both of LC-PDA model and LC-MS model.

정량적 조성-활성 상관관계 기법을 활용한 활성 성분 탐색법은 천연물의 화학적 지문 (chemical fingerprint)과 생물학적 활성 간의 상관관계를 연구하는 일종의 chemometrics적 연구 방법의 일종으로, 이러한 방법을 통해 천연물의 화학적 지문으로부터 생물학적 활성의 크기를 예측할 수 있으며 또한 생리활성의 발현에 직접적으로 영향을 주는 성분을 예측할 수 있다. 본 연구에서는 천연물 활성성분 탐색에서 정량적 조성-활성 상관관계 방법의 유효함을 확인하기 위해 애엽(Artemisia princeps)의 활성성분 탐색을 적용하였다. 애엽은 국화과(Compositae)의 다년생 식물로서 전통적으로 감염 및 염증 질환의 치료제로 사용되어 왔으며, 근래 항궤양, 항산화, 헬리코박터 파일로리에 대한 보호 작용이 보고되어 위궤양 치료제로서 그 추출물이 널리 시판되고 있다. 정량적 조성-활성 상관관계 실험을 위하여 국내산 및 중국산 애엽 40종에 대하여 HPLC-DAD-MS를 이용하여 chemical fingerprint를 확보하고, aspirin 독성을 가한 AGS 세포주의 생존율을 측정하여 생물학적 활성의 정도를 정량적으로 평가하였다. 이들 사이의 상관관계 분석을 위하여 partial least square regression과 random forest regrssion 알고리즘을 사용하여 회귀 분석을 시행하고 그 결과를 비교하였다. 40종의 샘플을 둘로 나누어 30종의 training set으로 모델을 설계한 후 10종의 validation set의 HPLC fingerprint를 모델에 대입하여 예측된 생물학적 활성 값을 실제 실험 값과 비교하는 방법을 사용하였다. 그 결과 비선형적 machine learning 알고리즘인 random forest regrssion이 추출물의 활성 예측에서 상대적으로 훨씬 뛰어난 결과를 보였다. 또한 애엽의 AGS 세포 보호 활성에 영향을 주는 물질들을 random forest 모델의 importance 값으로부터 예측하고 이를 확인하기 위한 화합물의 분리와 활성 평가를 통하여 예측된 활성 화합물 중 일부의 유효성을 증명하였다. 기존의 정량적 조성-활성 상관관계 연구는 항산화 기능과 같은 간단한 생리 활성을 대상으로, 선형적 회귀 분석을 통하여 이루어진 방면, 본 실험은 세포 수준의 활성을 대상으로 이루어졌다. 세포 실험의 특성상 선형적 알고리즘에 비하여 비선형적 회귀 모델의 적용이 적합함을 확인할 수 있었다. 세포 실험의 특성상, 그리고 샘플 수 확보의 현실적 문제 상 정확한 수치의 예측을 수행하는 것은 무리가 있었으나, 전반적인 경향성을 확인할 수 있었다는 측면에서 본 기존의 정량적 조성-활성 상관관계 방법을 대체적인 천연물 활성 물질 연구 방법으로서 사용될 수 있는 가능성이 있음을 확인하였다.