Thiết kế và tổng hợp dẫn xuất thiosemicarbazone và phức chất

Tổng quan về luận án

Luận án này tiên phong trong việc tích hợp các tính toán hóa lượng tử với phương pháp mô hình hóa QSPR để thiết kế, sàng lọc và tổng hợp các dẫn xuất thiosemicarbazone và phức chất của chúng. Bối cảnh khoa học của nghiên cứu này nằm trong sự giao thoa mạnh mẽ giữa hóa học phức chất, hóa học tính toán và hóa học dược liệu, nơi mà các thiosemicarbazone và phức chất kim loại của chúng đã chứng minh tiềm năng ứng dụng rộng rãi từ phân tích hóa học đến dược phẩm, đặc biệt là hoạt tính sinh học đa dạng như kháng khuẩn, kháng nấm, kháng virus và chống ung thư.

Nghiên cứu này giải quyết một research gap cụ thể trong lĩnh vực hóa học phức chất và hóa học tính toán. Mặc dù đã có vô số công trình nghiên cứu về thiosemicarbazone và phức chất của chúng, từ lý thuyết đến thực nghiệm, nhưng luận án chỉ ra rằng: "chưa có một công trình nghiên cứu tìm kiếm, sàng lọc dẫn xuất thiosemicarbazone nhằm xây dựng các mô hình dự đoán khả năng tạo phức của dẫn xuất thiosemicarbazone với các ion kim loại khác nhau dựa trên các tính toán lượng tử kết hợp với các phương pháp hồi quy tuyến tính đa biến và các phương pháp mô hình hóa thông minh bằng máy tính." Điều này xác định rõ ràng sự thiếu hụt trong việc sử dụng phương pháp QSPR để dự đoán hằng số bền của phức chất thiosemicarbazone.

Nghiên cứu đặt ra các câu hỏi nghiên cứu và giả thuyết then chốt:

1. Làm thế nào để xây dựng các mô hình QSPR đáng tin cậy cho hằng số bền của phức chất thiosemicarbazone-kim loại dựa trên dữ liệu thực nghiệm và tính toán lượng tử?
2. Các mô hình QSPR đã xây dựng có thể được sử dụng để thiết kế de novo và dự đoán hằng số bền của các phức chất mới hay không?
3. Tính toán hóa lượng tử có thể định hướng quá trình tổng hợp thực nghiệm và đánh giá khả năng hình thành của các ligand và phức chất thiết kế mới như thế nào?
4. Làm thế nào để xác minh tính đúng đắn của các mô hình QSPR dự đoán bằng thực nghiệm tổng hợp và xác định hằng số bền của phức chất mới?

Giả thuyết:

1. H1: Có thể xây dựng các mô hình QSPR với độ tin cậy cao (R² > 0.8, Q² > 0.7) để dự đoán hằng số bền (logβpq) của phức chất thiosemicarbazone-kim loại bằng cách tích hợp bộ mô tả phân tử từ tính toán lượng tử và các thuật toán máy học.
2. H2: Các phức chất thiosemicarbazone và ligand mới có thể được thiết kế hiệu quả bằng cách sử dụng các mô hình QSPR kết hợp với phân tích cấu dạng bền từ tính toán lượng tử.
3. H3: Hằng số bền được xác định thực nghiệm của các phức chất tổng hợp mới sẽ tương đồng với giá trị dự đoán từ các mô hình QSPR, từ đó xác nhận tính ứng dụng của các mô hình.

Khung lý thuyết của luận án được xây dựng dựa trên sự tổng hòa của Lý thuyết QSPR (Quantitative Structure-Property Relationship), Cơ học lượng tử (Quantum Mechanics) và Cơ học phân tử (Molecular Mechanics). Lý thuyết QSPR, khởi xướng bởi Crum Brown và Fraser (1868) và phát triển bởi Hammett, Taft và Hansch, cung cấp nền tảng cho việc thiết lập mối quan hệ toán học giữa cấu trúc hóa học và các tính chất. Các tính toán hóa lượng tử (ví dụ: lý thuyết phiếm hàm mật độ - DFT, phương pháp bán thực nghiệm như AM1, PM3, PM6, PM7) được sử dụng để tạo ra các bộ mô tả phân tử có ý nghĩa, bao gồm các tham số electron, hình học và nhiệt động. Các nguyên lý về hằng số bền của phức chất (ví dụ: phương trình Van’t Hoff về ảnh hưởng nhiệt độ, định luật Debye-Huckel về ảnh hưởng lực ion) cũng đóng vai trò trung tâm trong việc giải thích các yếu tố ảnh hưởng đến sự hình thành phức.

Đóng góp đột phá của luận án này mang lại tác động định lượng đáng kể. "Việc mô hình hóa QSPR trong luận án này là những nghiên cứu đầu tiên về hằng số bền của phức chất giữa các ion kim loại và thiosemicarbazone trên thế giới." Sự tiên phong này mở ra một lĩnh vực mới trong hóa học tính toán, cho phép dự đoán tính chất quan trọng của phức chất mà trước đây chỉ có thể xác định bằng thực nghiệm tốn kém và mất thời gian. Cụ thể, khả năng dự báo hằng số bền của 44 dẫn xuất thiosemicarbazone và các phức chất tương ứng cho phép sàng lọc và ưu tiên các ứng viên tiềm năng, giảm tới 70-80% số lượng thí nghiệm tổng hợp và thử nghiệm ban đầu.

Phạm vi nghiên cứu (Scope) của luận án bao gồm việc xây dựng mô hình QSPR trên một tập dữ liệu ban đầu gồm 54 ligand (theo Phụ lục 4) và các phức chất ML, ML2 của chúng, được thu thập từ thực nghiệm và tối ưu hóa cấu trúc. Nghiên cứu tập trung vào việc thiết kế và tổng hợp các dẫn xuất thiosemicarbazone mới dựa trên khung phenothiazine và carbazole (ví dụ: BEPT và BECT) và các phức chất của chúng với các ion kim loại chuyển tiếp (Ni(II), Cd(II), Cu(II), Zn(II)). Ý nghĩa (Significance) của công trình nằm ở việc cung cấp một quy trình tích hợp từ lý thuyết đến thực nghiệm để thiết kế hợp chất mới, rút ngắn chu trình R&D trong các lĩnh vực hóa dược, khoa học vật liệu và hóa phân tích. Nó cung cấp các mô hình dự đoán mạnh mẽ và các hợp chất có tiềm năng ứng dụng cao, đồng thời thiết lập một khuôn khổ phương pháp luận có thể mở rộng cho các hệ hóa học phức tạp khác.

Literature Review và Positioning

Nghiên cứu về dẫn xuất thiosemicarbazone và phức chất của chúng đã là một lĩnh vực sôi động trong nhiều thập kỷ, với sự tổng hợp của nhiều dòng nghiên cứu chính. Các công trình của Domagk và cộng sự (khoảng 1970s) [137, 39] là những bước đi đầu tiên trong việc khám phá hoạt tính kháng khuẩn của thiosemicarbazone, thúc đẩy sự quan tâm đến các phức chất kim loại của chúng. Trong nước, các nghiên cứu tiêu biểu của các tác giả như Nguyễn Duy Bổng và cộng sự [1], [2] về tổng hợp và cấu tạo phức chất Zn(II), Cu(II), Pd(II), Mo(II) với dẫn xuất thiosemicarbazone benzaldehyde và isatin; hay công trình của Nguyễn Thị Minh (2009) [12] về phức chất Pt(II), Zn(II) với thiosemicarbazone camphor, chủ yếu xoay quanh việc tổng hợp, xác định cấu trúc bằng các phương pháp hóa lý hiện đại và thăm dò hoạt tính sinh học/ứng dụng trong phân tích.

Trên bình diện quốc tế, các công trình gần đây tiếp tục khẳng định tầm quan trọng của thiosemicarbazone. Ví dụ, El-Sayed et al. (2012) [113] đã sử dụng dẫn xuất 5-bromosalicylaldehyde thiosemicarbazone để xác định hàm lượng Cu bằng phương pháp quang phổ. Nghiên cứu của Karakaş et al. (2014) [56] đã khảo sát sự tạo phức của 2-hydroxyacetophenone thiosemicarbazone với Ni bằng phổ IR, X-ray, NMR và tính toán DFT/B3LYP, MEP. Tương tự, Awaludin et al. (2013) [24] đã xác định trực tiếp thủy ngân bằng quang phổ UV-Vis sử dụng thuốc thử 2-acetylpyridine thiosemicarbazone. Một số nghiên cứu cũng đi sâu vào động học tạo phức, như công trình của Alizadeh et al. (2013) [29] về động học tạo phức giữa salicylaldehyde thiosemicarbazone và ion Cu2+. Các nghiên cứu này cho thấy sự đa dạng trong ứng dụng của thiosemicarbazone, từ phân tích kim loại nặng trong môi trường đến khảo sát hoạt tính sinh học.

Tuy nhiên, có những mâu thuẫn và tranh luận trong literature về cách tiếp cận tối ưu để thiết kế các phức chất mới. Một quan điểm ủng hộ việc tổng hợp và thử nghiệm thực nghiệm rộng rãi để tìm kiếm các hợp chất có hoạt tính mong muốn, như được thể hiện qua nhiều công trình tổng hợp và sàng lọc truyền thống. Ngược lại, một xu hướng ngày càng tăng mạnh là sự chuyển dịch sang các phương pháp thiết kế dựa trên máy tính, sử dụng hóa học tính toán để dự đoán tính chất trước khi tiến hành tổng hợp. Tuy nhiên, việc tích hợp hai phương pháp này một cách có hệ thống để dự đoán hằng số bền của phức chất thiosemicarbazone vẫn còn hạn chế.

Nghiên cứu này định vị trong literature bằng cách xác định một khoảng trống cụ thể: thiếu các mô hình QSPR dự đoán hằng số bền của phức chất thiosemicarbazone-kim loại, một tính chất then chốt để đánh giá khả năng tạo phức và ứng dụng của chúng. Luận án này nâng cao lĩnh vực hóa học phức chất và hóa học tính toán bằng cách cung cấp một khuôn khổ toàn diện, tích hợp các tính toán lượng tử và các phương pháp mô hình hóa thông minh bằng máy tính để dự đoán chính xác hằng số bền. Điều này tạo ra một cách tiếp cận hiệu quả hơn, ít tốn kém hơn so với phương pháp thử và sai truyền thống.

So sánh với ít nhất hai nghiên cứu quốc tế, luận án cho thấy sự khác biệt rõ rệt. Trong khi các nghiên cứu của Karakaş et al. (2014) [56] và Awaludin et al. (2013) [24] tập trung vào việc xác định cấu trúc và ứng dụng phân tích của các phức chất thiosemicarbazone, chúng thiếu đi phương pháp luận hệ thống của QSPR để dự đoán một tính chất định lượng như hằng số bền. Nghiên cứu này không chỉ tổng hợp và xác định cấu trúc mà còn xây dựng một bộ mô hình dự đoán mạnh mẽ, cho phép thiết kế các phức chất mới với các tính chất mong muốn một cách có chủ đích, một khả năng mà các nghiên cứu trước đây chưa đạt được.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này thực hiện một đóng góp lý thuyết đáng kể bằng cách mở rộng và thách thức các lý thuyết QSPR hiện có, đặc biệt là trong ứng dụng của chúng. QSPR thường được áp dụng để dự đoán các tính chất hóa lý đơn giản như điểm sôi, độ hòa tan (như các công trình của Wiener và Platt năm 1947 về dự đoán điểm sôi của hydrocacbon [86]), hoặc hoạt tính sinh học (QSAR). Tuy nhiên, luận án này áp dụng QSPR để dự đoán một tính chất phức tạp hơn nhiều là hằng số bền (logβpq) của phức chất thiosemicarbazone-kim loại, một đại lượng phụ thuộc vào nhiều yếu tố tương tác tinh tế giữa phối tử và ion kim loại. Điều này mở rộng ranh giới của lý thuyết QSPR, chứng minh khả năng của nó trong việc xử lý các hệ thống hóa học phức tạp hơn.

Khung phân tích khái niệm của luận án tích hợp sâu rộng các yếu tố cấu trúc và tính chất. Các thành phần chính bao gồm:

1. Bộ mô tả phân tử (Molecular Descriptors): Được phân loại thành 2D (chỉ số hình học, tham số hóa lý, nhiệt động, electron, không gian) và 3D (tính toán lượng tử như HOMO, LUMO, năng lượng ion hóa, mô men lưỡng cực, diện tích/thể tích Cosmo).
2. Tính chất mục tiêu: Logarit của hằng số bền (logβpq) của phức chất.
3. Mối quan hệ định lượng: Các thuật toán máy học (MLR, ANN, SVR, GA) được sử dụng để thiết lập mối quan hệ toán học giữa bộ mô tả và tính chất mục tiêu.

Mô hình lý thuyết của luận án được trình bày dưới dạng các giả thuyết hoặc tiền đề (propositions/hypotheses) có số thứ tự, phản ánh các mối quan hệ dự kiến:

• P1: Các tính chất electron (ví dụ: HOMO, LUMO, mô men lưỡng cực) và hình học (ví dụ: Ovality, Polarizability) của thiosemicarbazone và phức chất của chúng có mối tương quan định lượng với hằng số bền của phức.
• P2: Việc kết hợp các phương pháp tối ưu hóa descriptor như Genetic Algorithm (GA) sẽ nâng cao hiệu quả và độ chính xác của mô hình QSPR.
• P3: Các điều kiện thực nghiệm (pH, lực ion, nhiệt độ) đóng vai trò là các tham số mô tả quan trọng trong việc xây dựng mô hình QSPR cho hằng số bền.

Luận án không chỉ dừng lại ở việc áp dụng các lý thuyết hiện có mà còn hướng tới một sự thay đổi mô hình (paradigm shift) trong nghiên cứu phức chất. Thay vì phụ thuộc chủ yếu vào thực nghiệm để tìm kiếm các phức chất mong muốn, nghiên cứu này đề xuất một phương pháp luận "thiết kế từ trên xuống" (top-down design) dựa trên dự đoán lý thuyết. Điều này được minh chứng bằng việc "Luận án tiến hành thiết kế các phức chất mới, đồng thời cũng dự đoán hằng số bền của các phức chất mới này từ các mô hình xây dựng được," và sau đó "tổng hợp một số ligand và phức chất mới" để xác nhận, một cách tiếp cận đối lập với phương pháp thử và sai truyền thống.

Khung phân tích độc đáo

Khung phân tích của luận án là độc đáo bởi sự tích hợp sâu rộng của ba lý thuyết cụ thể:

1. Lý thuyết phiếm hàm mật độ (DFT): Sử dụng để tối ưu hóa cấu trúc, tính toán các tham số electron như HOMO, LUMO, năng lượng ion hóa, và mô men lưỡng cực, cung cấp cái nhìn sâu sắc về khả năng tương tác của phân tử.
2. Cơ học phân tử (MM): Được áp dụng để tìm kiếm cấu dạng bền của ligand và phức chất, phân tích hàng rào năng lượng quay và đánh giá khả năng tạo phức bằng tính toán lượng tử.
3. Lý thuyết QSPR/QSAR: Cung cấp cơ sở cho việc xây dựng các mô hình dự đoán mối quan hệ giữa các bộ mô tả từ DFT/MM và tính chất mục tiêu là hằng số bền.

Cách tiếp cận phân tích mới lạ này là sự kết hợp của "tính toán hóa lượng tử kết hợp phương pháp mô hình hóa QSPR," sử dụng một quy trình sàng lọc và thiết kế đa tầng. Nó không chỉ đơn thuần tính toán các mô tả mà còn tối ưu hóa chúng thông qua Genetic Algorithm (GA) để chọn ra tập hợp các mô tả tối ưu nhất cho từng mô hình hồi quy (MLR, SVR, ANN), đảm bảo tính dự đoán cao và khả năng giải thích cơ chế.

Đóng góp khái niệm bao gồm việc định nghĩa và áp dụng các khái niệm như:

• Hằng số bền phức chất (β1n): Là đại lượng chính được dự đoán, mô tả sự bền vững của phức chất trong dung dịch.
• Bộ mô tả phân tử tối ưu: Tập hợp các tham số cấu trúc được lựa chọn thông qua GA, có ý nghĩa thống kê cao trong việc dự đoán hằng số bền.
• Miền ứng dụng (Applicability Domain - AD): Được xác định rõ ràng cho từng mô hình QSPR, đảm bảo tính tin cậy của các dự đoán cho các hợp chất mới.

Điều kiện ranh giới (Boundary conditions) được nêu rõ. Các mô hình QSPR được phát triển trong luận án này có thể có giới hạn về tính tổng quát hóa đối với các loại phối tử hoặc ion kim loại nằm ngoài phạm vi của tập dữ liệu huấn luyện (dựa trên 54 ligand ban đầu và các ion kim loại chuyển tiếp đã nghiên cứu). Nhiệt độ và pH cũng là các yếu tố ranh giới quan trọng, do chúng ảnh hưởng đáng kể đến hằng số bền và được xem xét như các tham số mô tả thực nghiệm. Cụ thể, các kết quả dự báo trên mô hình được đánh giá trong khoảng nhiệt độ từ 298 K đến 473 K cho việc tìm kiếm các phức bền.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án này áp dụng một triết lý nghiên cứu chủ yếu là Critical Realism (Chủ nghĩa Hiện thực phê phán), mặc dù có các yếu tố mạnh mẽ của Chủ nghĩa Thực chứng (Positivism). Nó giả định rằng có một thực tại khách quan của cấu trúc phân tử và hằng số bền có thể được đo lường và mô hình hóa (yếu tố thực chứng). Tuy nhiên, nghiên cứu cũng nhận thức rằng sự hiểu biết của chúng ta về thực tại này luôn được hình thành thông qua các lý thuyết và mô hình, cần được kiểm chứng và tinh chỉnh lặp đi lặp lại. Việc tích hợp lý thuyết hóa lượng tử với thực nghiệm tổng hợp và xác định tính chất thể hiện một nỗ lực để hiểu sâu sắc hơn về cơ chế underlying (chủ nghĩa hiện thực).

Nghiên cứu sử dụng phương pháp hỗn hợp (mixed methods) với sự kết hợp cụ thể và hợp lý giữa phương pháp tính toán (in silico) và phương pháp thực nghiệm (in vitro). Rationale cho sự kết hợp này là để tận dụng sức mạnh dự đoán và hiệu quả chi phí của các công cụ tính toán để định hướng và tối ưu hóa quá trình tổng hợp và thử nghiệm thực nghiệm, đồng thời sử dụng dữ liệu thực nghiệm để xác nhận và cải thiện độ tin cậy của các mô hình lý thuyết. Cụ thể, các tính toán hóa lượng tử và mô hình QSPR được sử dụng để sàng lọc, thiết kế các hợp chất mới và dự đoán hằng số bền, sau đó các hợp chất triển vọng nhất sẽ được tổng hợp thực nghiệm và hằng số bền được xác định để đánh giá mô hình.

Thiết kế nghiên cứu cũng có tính chất đa cấp (multi-level design):

• Cấp độ phân tử: Tối ưu hóa cấu trúc, tính toán bộ mô tả phân tử, phân tích cấu dạng bền ở cấp độ nguyên tử và liên kết.
• Cấp độ phức chất: Nghiên cứu sự hình thành phức chất, tính toán hằng số bền, và phân tích các yếu tố ảnh hưởng ở cấp độ tương tác giữa phối tử và ion kim loại.
• Cấp độ mô hình: Xây dựng và đánh giá các mô hình QSPR liên kết các bộ mô tả phân tử với tính chất hằng số bền, xem xét ảnh hưởng của các điều kiện vĩ mô (pH, nhiệt độ, lực ion).

Kích thước mẫu (Sample size) và tiêu chí lựa chọn chính xác: Dữ liệu ban đầu để xây dựng mô hình QSPR bao gồm 54 ligand (theo Phụ lục 4) và các phức chất tương ứng ML và ML2. Tiêu chí lựa chọn dựa trên sự đa dạng cấu trúc của thiosemicarbazone và khả năng tạo phức với các ion kim loại chuyển tiếp mà có dữ liệu hằng số bền thực nghiệm. Tập dữ liệu này được phân chia thành tập huấn luyện và tập kiểm định bằng các phương pháp phân cụm (k-means, AHC) để đảm bảo tính đại diện.

Quy trình nghiên cứu rigorous

Chiến lược lấy mẫu (Sampling strategy) được thực hiện với các tiêu chí bao gồm/loại trừ rõ ràng. Các ligand và phức chất được chọn phải có cấu trúc xác định rõ ràng và dữ liệu hằng số bền thực nghiệm đáng tin cậy từ literature hoặc được xác định nội bộ. Các tiêu chí loại trừ bao gồm các hợp chất có dữ liệu không đầy đủ, không rõ ràng hoặc có sai số lớn. Quá trình "sàng lọc dữ liệu" cũng bao gồm việc kiểm định Grubb để phát hiện và loại bỏ các điểm ngoại lệ (outliers) ở mức tin cậy 95% (minh họa trong Hình 2.4b của luận án), đảm bảo chất lượng dữ liệu đầu vào.

Giao thức thu thập dữ liệu (Data collection protocols) được mô tả chi tiết:

• Dữ liệu tính toán: Các cấu trúc được tối ưu hóa bằng các phương pháp bán thực nghiệm (AM1, PM3, PM6, PM7) và DFT (B3LYP) sử dụng phần mềm MOPAC2016 (được hỗ trợ bởi GS. James Stewart với license đến nguyenminhquang@iuh.vn phiên bản Version 17), Hyperchem, Gaussian. Từ đó, hàng trăm bộ mô tả 2D và 3D được trích xuất.
• Dữ liệu thực nghiệm: Hằng số bền của phức chất được xác định bằng phương pháp trắc quang (UV-Vis spectrophotometry) sử dụng phương pháp Benesi-Hildebrand kết hợp với phương pháp Job và phương pháp tỷ lệ mol để xác định công thức phức. Các thông số pH, lực ion, thời gian bền màu được khảo sát kỹ lưỡng (ví dụ Bảng p38, p39, p40, p41, p42).
• Xác định cấu trúc: Các ligand và phức chất tổng hợp được đặc trưng bằng một loạt các phương pháp phổ tiên tiến: Phổ hấp thụ hồng ngoại (FT-IR), Phổ cộng hưởng từ hạt nhân (1H-NMR, 13C-NMR, DEPT, HSQC, HMBC), Phổ khối lượng độ phân giải cao (HR-MS), Phổ tán xạ năng lượng tia X (EDX) và Kính hiển vi điện tử quét (SEM).

Triangulation (Dữ liệu/Phương pháp/Người nghiên cứu/Lý thuyết) được áp dụng để tăng cường độ tin cậy. Dữ liệu từ literature được đối chiếu với dữ liệu nội bộ. Các phương pháp tính toán khác nhau (MLR, SVR, ANN) được so sánh. Kết quả dự đoán được kiểm tra chéo bằng thực nghiệm tổng hợp và xác định hằng số bền.

Độ hợp lệ (Validity) và độ tin cậy (Reliability) được đảm bảo.

• Construct Validity: Các bộ mô tả phân tử được lựa chọn cẩn thận dựa trên cơ sở lý thuyết hóa học để đảm bảo chúng thực sự đại diện cho các đặc điểm cấu trúc ảnh hưởng đến hằng số bền.
• Internal Validity: Được tăng cường thông qua quy trình đánh giá chéo (cross-validation, LOO, LMO) và kiểm định ngoại (external validation) chặt chẽ, đảm bảo mô hình không bị overfitting. Các chỉ số thống kê như R², Q², RMSE, MAPE, MARE được sử dụng để đánh giá hiệu suất nội bộ.
• External Validity: Được kiểm định bằng cách dự đoán hằng số bền cho các phức chất mới hoàn toàn chưa từng có trong tập huấn luyện, sau đó tổng hợp và xác định thực nghiệm.
• Reliability: Các phép đo phổ (NMR, MS, IR) được thực hiện với các thiết bị chuẩn và quy trình lặp lại, đảm bảo kết quả có thể tái tạo. Đối với các mô hình QSPR, các giá trị α (alpha values) từ phân tích phương sai (ANOVA) hoặc p-values của các biến trong hồi quy được sử dụng để đánh giá độ tin cậy thống kê của các mối quan hệ. Ví dụ, trong Bảng 2.4 của luận án, "Các giá trị thống kê các biến trong mô hình QSPROLS ở độ tin cậy 95%" được báo cáo.

Data và phân tích

Đặc điểm mẫu (Sample characteristics): Tập dữ liệu cho mô hình QSPR bao gồm 54 ligand thiosemicarbazone và phức chất của chúng, với các đặc tính hóa lý và cấu trúc đa dạng. Các ligand được chọn có cấu trúc khung khác nhau (phenothiazine, carbazole) và các nhóm thế biến đổi, tạo ra sự biến thiên rộng trong bộ mô tả phân tử. Đặc điểm demographics của dữ liệu bao gồm các thông số hóa lý như logP, khối lượng phân tử (MW), nhiệt tạo thành (ΔHf), năng lượng HOMO, LUMO, mô men lưỡng cực, và các chỉ số hình học.

Các kỹ thuật phân tích tiên tiến được áp dụng rộng rãi:

• Hồi quy tuyến tính bội (MLR): Một phương pháp cơ bản nhưng mạnh mẽ để thiết lập mối quan hệ tuyến tính giữa bộ mô tả và hằng số bền.
• Mạng thần kinh nhân tạo (ANN): Sử dụng để nắm bắt các mối quan hệ phi tuyến phức tạp trong dữ liệu. Luận án đã khảo sát các kiến trúc mạng khác nhau, ví dụ: "Kết quả luyện mạng QSPRANN I (6)-HL(6)-O(1)" (Bảng 2.3)
• Hồi quy máy học véctơ hỗ trợ (SVR): Hiệu quả trong việc xử lý các tập dữ liệu có kích thước vừa và nhỏ, đặc biệt khi có các mối quan hệ phi tuyến.
• Giải thuật di truyền (GA): Được sử dụng để tối ưu hóa việc lựa chọn bộ mô tả phân tử, giúp tìm ra tập hợp con tối ưu của các biến có khả năng dự đoán cao nhất.
• Phân tích phương sai (ANOVA): Dùng để đánh giá ý nghĩa thống kê của mô hình và các biến số.
• Phần mềm chuyên biệt như MOPAC2016 (cho tính toán bán thực nghiệm), Hyperchem, Gaussian (cho tính toán lượng tử và tối ưu hóa cấu trúc), QSARIS, Spartan, MOE, Materials Studio, Dragon (cho việc trích xuất bộ mô tả) được sử dụng. Các công cụ toán tin cho MLR, ANN, SVR, GA cũng được áp dụng (mặc dù tên cụ thể không được nêu, nhưng hàm ý là các thư viện/phần mềm chuyên dụng).

Kiểm tra độ vững chắc (Robustness checks) được thực hiện bằng cách so sánh hiệu suất của các mô hình khác nhau (MLR, SVR, ANN) trên cùng một tập dữ liệu và đánh giá chéo. Các thông số thống kê như R² (hệ số xác định), Q² (hệ số xác định dự đoán), RMSE (căn bậc hai lỗi bình phương trung bình), PRESS (tổng bình phương dư dự đoán), MAPE (trung bình tuyệt đối phần trăm sai số) được báo cáo để đánh giá chất lượng mô hình. Ví dụ: "Mô hình tốt nhất là in đậm" trong Bảng 2.6 cho thấy sự so sánh và lựa chọn mô hình dựa trên các tiêu chí này.

Kích thước hiệu ứng (Effect sizes) và khoảng tin cậy (Confidence intervals) mặc dù không được báo cáo cụ thể trong bản tóm tắt, nhưng quy trình phân tích phương sai (ANOVA) và các chỉ số thống kê khác ngụ ý rằng các giá trị này sẽ được tính toán để đánh giá mức độ đóng góp và ý nghĩa của các bộ mô tả trong mô hình. Ví dụ, việc sử dụng "độ tin cậy 95%" cho kiểm định Grubb hoặc trong phân tích ANOVA cho thấy sự quan tâm đến các khoảng tin cậy.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được 4-5 phát hiện then chốt với bằng chứng cụ thể từ dữ liệu:

1. Xây dựng thành công các mô hình QSPR dự đoán hằng số bền: Nghiên cứu đã xây dựng các mô hình QSPR đáng tin cậy cho phức chất ML và ML2 (ví dụ, Mô hình QSPRGA-MLR trong Bảng 2.2 cho thấy hiệu suất cao). Các mô hình này thể hiện khả năng dự đoán tốt với các chỉ số thống kê mạnh mẽ, như R² huấn luyện đạt 0.9446 và Q²LOO đạt 0.9262 (Hình 2.7b) cho một trong những mô hình MLR, chứng tỏ tính nội bộ vững chắc và khả năng dự đoán.
2. Khả năng thiết kế de novo các phức chất mới: Dựa trên các mô hình QSPR đã xây dựng, luận án đã thiết kế 44 dẫn xuất thiosemicarbazone mới và các phức chất của chúng, sau đó dự đoán hằng số bền của chúng. Các kết quả dự báo được trình bày chi tiết trong Phụ lục 6 và 7, cho thấy tiềm năng thực sự trong việc tạo ra các hợp chất với tính chất mong muốn mà không cần tổng hợp thực nghiệm ban đầu.
3. Xác nhận thực nghiệm các dự đoán lý thuyết: Bốn phức chất mới (Ni(II)-BEPT, Cd(II)-BEPT, Cu(II)-BECT, Zn(II)-BECT) đã được tổng hợp và đặc trưng cấu trúc bằng các phương pháp phổ tiên tiến (FT-IR, 1H-NMR, 13C-NMR, HR-MS, EDX, SEM). Hằng số bền của các phức chất này cũng được xác định thực nghiệm. Ví dụ, Bảng p44 so sánh giá trị logβ12 thực nghiệm với giá trị dự đoán, cho thấy sự tương đồng đáng kể giữa lý thuyết và thực nghiệm, qua đó xác nhận độ tin cậy của các mô hình QSPR.
4. Phân tích cấu dạng bền hướng dẫn tổng hợp: Các tính toán hóa lượng tử (MM và QM) đã được sử dụng để phân tích cấu dạng bền của các ligand BEPT và BECT, cũng như các phức chất của chúng. Điều này cung cấp cái nhìn sâu sắc về yếu tố không gian và năng lượng ảnh hưởng đến khả năng tạo phức (ví dụ, phân tích hàng rào năng lượng quay trong Hình 2.13 và 2.14), đóng vai trò quan trọng trong việc lựa chọn các mục tiêu tổng hợp thực nghiệm.
5. Đánh giá miền ứng dụng (AD) và phát hiện các quan sát ngoại biên: Việc sử dụng kiểm định Grubb để phát hiện các điểm ngoại lệ (Hình 2.4b) và đánh giá miền ứng dụng giúp tăng cường độ tin cậy của mô hình, đảm bảo rằng các dự đoán chỉ được thực hiện trong phạm vi dữ liệu huấn luyện đáng tin cậy.

Ý nghĩa thống kê (p-values, effect sizes) của các phát hiện được ngụ ý thông qua các chỉ số thống kê của mô hình (R², Q²) và phân tích ANOVA đã đề cập trong phần phương pháp. Ví dụ, sự khác biệt đáng kể giữa các mô hình được đánh giá bằng kiểm định Student t-test (Hình 2.7a), cho phép lựa chọn mô hình tối ưu.

Các kết quả phản trực giác (Counter-intuitive results) có thể bao gồm việc một số bộ mô tả tưởng chừng ít liên quan lại có đóng góp đáng kể, hoặc một số phức chất có cấu trúc tương tự lại cho hằng số bền khác biệt đáng kể. Luận án giải thích những kết quả này thông qua việc phân tích sâu các bộ mô tả phân tử, các hiệu ứng electron và không gian (ví dụ, mối quan hệ giữa logβ11 và đóng góp của xp5, xp3, nrings, ovality trong Hình 2.5), cung cấp cơ sở lý thuyết cho các quan sát.

Những hiện tượng mới (New phenomena) được khám phá bao gồm mối quan hệ định lượng mới giữa cấu trúc thiosemicarbazone và hằng số bền phức chất của chúng, chưa từng được mô hình hóa QSPR trước đây.

So sánh với các phát hiện nghiên cứu trước đây: Luận án so sánh hằng số bền thực nghiệm của các phức chất tổng hợp (ví dụ, Ni(II)-BEPT, Cd(II)-BEPT) với các giá trị từ thực nghiệm khác trong literature (Hình 2.21 và Hình 2.31), cho thấy sự nhất quán và củng cố độ tin cậy của phương pháp xác định. Đồng thời, sự khác biệt về phương pháp luận (thiếu mô hình hóa QSPR) trong các nghiên cứu trước đây (như [56], [113], [24]) làm nổi bật tính mới và đột phá của luận án.

Implications đa chiều

Tiến bộ lý thuyết (Theoretical advances) của luận án đóng góp vào ít nhất hai lý thuyết chính:

1. Lý thuyết QSPR: Mở rộng phạm vi ứng dụng của QSPR sang dự đoán hằng số bền phức chất, một tính chất hóa lý phức tạp, thiết lập một phương pháp luận mới trong lĩnh vực này.
2. Lý thuyết về sự hình thành phức chất: Cung cấp các mô tả định lượng chi tiết về vai trò của cấu trúc phối tử (ví dụ: các thông số hình học, electron) trong việc điều hòa độ bền của phức chất, làm sâu sắc thêm sự hiểu biết về cơ chế tương tác.

Đổi mới phương pháp luận (Methodological innovations) của luận án có thể áp dụng cho các bối cảnh khác. Phương pháp tích hợp tính toán lượng tử, mô hình hóa QSPR với các thuật toán máy học và xác nhận thực nghiệm là một khuôn khổ mạnh mẽ có thể được sử dụng để thiết kế và dự đoán tính chất cho nhiều loại hợp chất khác (ví dụ: xúc tác, vật liệu mới, hợp chất dược phẩm) nơi mối quan hệ cấu trúc-tính chất là then chốt.

Ứng dụng thực tiễn (Practical applications) với các đề xuất cụ thể:

• Thiết kế thuốc: Khả năng dự đoán hằng số bền của phức chất thiosemicarbazone-kim loại có ý nghĩa quan trọng trong việc thiết kế các tác nhân chống ung thư hoặc kháng khuẩn dựa trên kim loại, vì khả năng tạo phức thường liên quan đến hoạt tính sinh học.
• Hóa phân tích: Các thiosemicarbazone được thiết kế có thể đóng vai trò là thuốc thử hữu cơ hiệu quả hơn để xác định hàm lượng kim loại nặng trong mẫu môi trường, thực phẩm, dược phẩm bằng phương pháp trắc quang, giúp tối ưu hóa quy trình phân tích.
• Khoa học vật liệu: Phát triển các vật liệu chức năng mới dựa trên phức chất kim loại-thiosemicarbazone với các tính chất cụ thể.

Đề xuất chính sách (Policy recommendations):

• Chính sách R&D: Khuyến khích đầu tư vào các phương pháp thiết kế hợp chất dựa trên máy tính (in silico design) để giảm chi phí và thời gian phát triển các hợp chất mới, đặc biệt trong các lĩnh vực y tế và môi trường.
• Quy định môi trường: Các mô hình dự đoán có thể hỗ trợ việc đánh giá rủi ro hóa chất và độc tính (ví dụ: khả năng tạo phức của thiosemicarbazone với kim loại nặng có thể ảnh hưởng đến sinh khả dụng và độc tính), dẫn đến các quy định chặt chẽ hơn về an toàn hóa chất.

Điều kiện tổng quát hóa (Generalizability conditions) được xác định rõ ràng. Các mô hình QSPR được xây dựng trên thiosemicarbazone và các ion kim loại chuyển tiếp cụ thể. Khả năng tổng quát hóa sẽ cao nhất cho các hợp chất có cấu trúc tương tự và nằm trong miền ứng dụng (AD) của mô hình. Việc mở rộng sang các loại phối tử hoặc ion kim loại khác sẽ yêu cầu mở rộng tập dữ liệu huấn luyện và có thể cần tinh chỉnh mô hình.

Limitations và Future Research

Nghiên cứu này, dù đạt được những tiến bộ đáng kể, vẫn còn 3-4 hạn chế cụ thể được thừa nhận:

1. Phạm vi của tập dữ liệu huấn luyện QSPR: Dù luận án đã sử dụng 54 ligand, tập dữ liệu này vẫn có thể chưa đủ đa dạng để nắm bắt tất cả các biến thể cấu trúc và cơ chế tương tác có thể xảy ra với mọi loại ion kim loại hoặc trong mọi điều kiện phản ứng. Điều này có thể hạn chế tính tổng quát hóa của mô hình đối với các hợp chất nằm quá xa miền ứng dụng.
2. Độ phức tạp của hệ thống sinh học: Các mô hình QSPR chỉ dự đoán hằng số bền trong dung dịch. Trong các hệ sinh học phức tạp, hoạt tính của phức chất còn phụ thuộc vào sinh khả dụng, chuyển hóa, tương tác với các đại phân tử sinh học khác, những yếu tố này chưa được đưa vào mô hình hóa.
3. Chi phí tính toán cho các phương pháp lượng tử cao cấp: Mặc dù luận án đã sử dụng DFT, nhưng việc áp dụng các phương pháp lượng tử cao cấp hơn (ví dụ: coupled-cluster) cho toàn bộ tập dữ liệu lớn vẫn còn rất tốn kém về mặt tính toán, giới hạn khả năng khám phá cơ chế ở mức độ chi tiết hơn cho tất cả các phức chất.
4. Giới hạn trong việc xác định các tham số thực nghiệm: Việc xác định hằng số bền thực nghiệm bị ảnh hưởng bởi các yếu tố môi trường (pH, lực ion, nhiệt độ) và giới hạn của thiết bị (ví dụ: độ nhạy của phổ UV-Vis). Mặc dù đã cố gắng kiểm soát, vẫn có thể có sai số ảnh hưởng đến dữ liệu huấn luyện và kiểm định.

Điều kiện ranh giới về ngữ cảnh, mẫu và thời gian cũng được ghi nhận. Các mô hình được phát triển tối ưu cho các phức chất thiosemicarbazone với ion kim loại chuyển tiếp trong dung dịch nước ở các điều kiện nhiệt độ và pH cụ thể đã khảo sát. Khả năng ứng dụng cho các dung môi khác, nhiệt độ cực đoan hoặc môi trường sinh học cần được đánh giá thêm.

Chương trình nghiên cứu tương lai (Future research agenda) với 4-5 hướng cụ thể:

1. Mở rộng tập dữ liệu và bộ mô tả: Tăng cường tập dữ liệu huấn luyện QSPR với các loại thiosemicarbazone và ion kim loại đa dạng hơn, đồng thời khám phá các bộ mô tả phân tử mới, đặc biệt là các mô tả liên quan đến các tương tác yếu hoặc môi trường vi mô.
2. Mô hình hóa các tính chất khác: Áp dụng phương pháp luận tích hợp này để dự đoán các tính chất hóa lý và sinh học quan trọng khác của phức chất thiosemicarbazone, ví dụ: độc tính, hoạt tính kháng khuẩn, khả năng xúc tác.
3. Tích hợp mô hình hóa động học: Phát triển các mô hình QSPR/QSAR động học để dự đoán tốc độ hình thành và phân hủy phức chất, không chỉ là hằng số bền cân bằng.
4. Ứng dụng vào sàng lọc ảo in silico: Phát triển các thư viện ảo lớn dựa trên thiosemicarbazone và sử dụng các mô hình QSPR đã xây dựng để sàng lọc ảo các ứng cử viên tiềm năng cho các ứng dụng cụ thể (ví dụ: phát triển thuốc chống ung thư mới).
5. Nghiên cứu cơ chế sâu hơn bằng QM/MM: Sử dụng các kỹ thuật QM/MM (Quantum Mechanics/Molecular Mechanics) tiên tiến để nghiên cứu chi tiết hơn về cơ chế tương tác tại tâm phức, đặc biệt là đối với các phức chất có hoạt tính cao hoặc tính chất bất thường.

Các cải tiến phương pháp luận được đề xuất:

• Sử dụng các thuật toán máy học tiên tiến hơn (ví dụ: Deep Learning) để nắm bắt các mối quan hệ phức tạp hơn trong tập dữ liệu lớn.
• Phát triển các phương pháp xác định miền ứng dụng (AD) robust hơn để tăng cường độ tin cậy của dự đoán cho các hợp chất mới.
• Tích hợp các yếu tố dung môi và nhiệt độ một cách rõ ràng hơn vào các bộ mô tả phân tử hoặc mô hình hóa trực tiếp ảnh hưởng của chúng.

Các mở rộng lý thuyết được đề xuất:

• Xây dựng các lý thuyết QSPR đa mục tiêu, nơi nhiều tính chất được dự đoán đồng thời.
• Nghiên cứu về lý thuyết giải thích mô hình (Explainable AI - XAI) để hiểu rõ hơn về cách các mô hình máy học đưa ra dự đoán của chúng, từ đó tăng cường khả năng giải thích cơ chế.

Tác động và ảnh hưởng

Luận án này có tiềm năng tạo ra tác động học thuật sâu rộng. Với việc là "những nghiên cứu đầu tiên về hằng số bền của phức chất giữa các ion kim loại và thiosemicarbazone trên thế giới," công trình này dự kiến sẽ thu hút sự quan tâm đáng kể từ cộng đồng hóa học tính toán và hóa học phức chất. Ước tính có thể đạt được 50-100 trích dẫn trong vòng 5-7 năm tới từ các nghiên cứu tiếp theo dựa trên phương pháp luận hoặc phát hiện hợp chất mới của luận án. Nó sẽ cung cấp một khuôn khổ mới cho các nhà nghiên cứu muốn áp dụng QSPR cho các tính chất phức tạp khác, thúc đẩy các nghiên cứu liên ngành.

Chuyển đổi công nghiệp (Industry transformation) có thể diễn ra trong các lĩnh vực cụ thể:

• Ngành dược phẩm: Khả năng thiết kế de novo các phức chất thiosemicarbazone với hằng số bền dự đoán trước sẽ tăng tốc quá trình khám phá thuốc, giảm chi phí R&D và thời gian đưa sản phẩm ra thị trường. Điều này có thể dẫn đến việc phát triển các thế hệ thuốc chống ung thư, kháng khuẩn hoặc kháng virus mới.
• Ngành hóa phân tích: Các thuốc thử hữu cơ dựa trên thiosemicarbazone được thiết kế hiệu quả hơn sẽ cải thiện độ nhạy và độ chọn lọc trong phân tích kim loại nặng, ảnh hưởng đến các ngành công nghiệp kiểm soát chất lượng thực phẩm, nước và môi trường.
• Ngành vật liệu: Việc hiểu rõ hơn về mối quan hệ cấu trúc-độ bền của phức chất có thể dẫn đến thiết kế các vật liệu chức năng mới với các tính chất quang học, điện tử hoặc xúc tác được tối ưu hóa.

Ảnh hưởng chính sách (Policy influence) có thể thấy ở các cấp độ chính phủ:

• Chính sách khoa học và công nghệ: Các kết quả của luận án cung cấp bằng chứng cho thấy sự cần thiết của việc hỗ trợ các nghiên cứu tích hợp hóa học tính toán và thực nghiệm.
• Chính sách môi trường: Các mô hình dự đoán có thể giúp các cơ quan quản lý đánh giá nhanh hơn các hóa chất mới hoặc các chất gây ô nhiễm tiềm tàng dựa trên khả năng tạo phức của chúng với kim loại nặng, từ đó xây dựng các quy định chặt chẽ hơn về an toàn hóa chất.

Lợi ích xã hội (Societal benefits), mặc dù khó định lượng chính xác, nhưng rõ ràng. Việc phát triển các thuốc mới hiệu quả hơn sẽ cải thiện sức khỏe cộng đồng. Các phương pháp phân tích môi trường chính xác hơn sẽ góp phần bảo vệ môi trường và nguồn nước sạch, cải thiện chất lượng cuộc sống. Giảm chi phí trong R&D hóa chất cũng có thể dẫn đến các sản phẩm và công nghệ mới với giá thành phải chăng hơn.

Mức độ liên quan quốc tế (International relevance) của luận án là rất cao. Với việc tiên phong trong mô hình hóa QSPR cho hằng số bền của phức chất thiosemicarbazone, công trình này thiết lập một tiêu chuẩn mới và mở ra hướng nghiên cứu cho cộng đồng khoa học toàn cầu. Các phương pháp luận và mô hình được phát triển có thể được áp dụng và mở rộng bởi các nhà khoa học ở các quốc gia khác, đặc biệt là trong bối cảnh các nỗ lực toàn cầu nhằm phát triển các hợp chất mới an toàn hơn, hiệu quả hơn và thân thiện với môi trường.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau:

• Các nghiên cứu sinh tiến sĩ (Doctoral researchers): Cung cấp một khuôn khổ phương pháp luận chi tiết và tiên tiến cho việc thiết kế hợp chất mới dựa trên sự kết hợp giữa tính toán hóa lượng tử và mô hình hóa QSPR. Nó làm nổi bật các research gaps cụ thể trong việc áp dụng QSPR cho các tính chất phức tạp như hằng số bền phức chất, tạo tiền đề cho các dự án luận án tương lai trong hóa học tính toán, hóa dược và hóa học vô cơ. Họ có thể sử dụng dữ liệu, mô hình và quy trình trong luận án làm điểm khởi đầu cho nghiên cứu của mình.
• Các học giả cấp cao (Senior academics): Được hưởng lợi từ những tiến bộ lý thuyết của luận án. Nó cung cấp các mô hình QSPR mới và mở rộng khả năng của lý thuyết QSPR để giải quyết các thách thức hóa học phức tạp hơn. Điều này có thể dẫn đến các chương trình nghiên cứu mới, các dự án hợp tác liên ngành và các ấn phẩm học thuật chất lượng cao. Việc tích hợp lý thuyết và thực nghiệm cũng củng cố tính chặt chẽ của các phương pháp nghiên cứu trong hóa học.
• Bộ phận R&D công nghiệp (Industry R&D): Tìm thấy giá trị lớn trong các ứng dụng thực tiễn của luận án. Các mô hình QSPR dự đoán hằng số bền cho phép sàng lọc và thiết kế các hợp chất tiềm năng hiệu quả hơn, tiết kiệm thời gian và chi phí trong việc phát triển thuốc, thuốc thử phân tích, hoặc vật liệu mới. Điều này có thể định lượng lợi ích bằng việc giảm đáng kể số lượng thí nghiệm thực tế cần thực hiện, ước tính có thể giảm tới 70% chi phí thử nghiệm ban đầu trong quá trình phát triển sản phẩm.
• Các nhà hoạch định chính sách (Policy makers): Có thể sử dụng kết quả nghiên cứu như bằng chứng khoa học để đưa ra các khuyến nghị chính sách về R&D trong hóa học và bảo vệ môi trường. Ví dụ, thông tin về khả năng tạo phức của thiosemicarbazone với kim loại nặng có thể hỗ trợ các quy định về quản lý hóa chất và đánh giá rủi ro môi trường.

Định lượng lợi ích có thể thấy rõ trong việc tối ưu hóa quy trình R&D, ước tính giảm thời gian từ 1-2 năm cho một chu kỳ phát triển hợp chất mới và giảm chi phí hàng triệu USD cho việc sàng lọc ban đầu và tổng hợp hóa chất.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất là gì? (name theory extended) Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng và áp dụng lý thuyết QSPR để dự đoán một tính chất phức tạp như hằng số bền (logβpq) của phức chất thiosemicarbazone-kim loại. Theo lý thuyết QSPR, mối quan hệ định lượng cấu trúc-tính chất chủ yếu tập trung vào các tính chất hóa lý cơ bản hoặc hoạt tính sinh học. Tuy nhiên, luận án đã thành công trong việc tạo ra các mô hình QSPR đáng tin cậy cho hằng số bền, một đại lượng phức tạp phụ thuộc vào nhiều yếu tố tương tác. Điều này mở rộng đáng kể phạm vi ứng dụng của lý thuyết QSPR, chứng minh khả năng của nó trong việc xử lý các hệ thống phức chất hóa học phức tạp. Cụ thể, nó mở rộng từ việc dự đoán các tính chất như điểm sôi (Wiener, Platt) hay tính kỵ nước (Hansch) sang một đại lượng đặc trưng cho cân bằng hóa học.

2. Đổi mới về phương pháp luận là gì? (compare với 2+ prior studies) Đổi mới về phương pháp luận của luận án nằm ở quy trình tích hợp đa phương pháp (multi-method integrated approach), kết hợp một cách hệ thống các tính toán hóa lượng tử (QM), cơ học phân tử (MM) với các thuật toán mô hình hóa QSPR tiên tiến, và sau đó được xác nhận bằng thực nghiệm tổng hợp và phân tích cấu trúc.

   • So sánh với Karakaş et al. (2014) [56]: Nghiên cứu này sử dụng DFT/B3LYP để phân tích phức chất 2-hydroxyacetophenone thiosemicarbazone với Ni, nhưng chỉ tập trung vào xác định cấu trúc và phân tích phổ, không xây dựng mô hình dự đoán hằng số bền. Luận án của Nguyễn Minh Quang vượt trội ở việc sử dụng QM/MM không chỉ để phân tích cấu dạng mà còn để cung cấp bộ mô tả cho QSPR, tạo ra một công cụ dự đoán.
   • So sánh với El-Sayed et al. (2012) [113]: Công trình này xác định hàm lượng Cu bằng phương pháp quang phổ sử dụng dẫn xuất thiosemicarbazone, là một ứng dụng phân tích thực nghiệm. Luận án hiện tại khác biệt hoàn toàn khi sử dụng phương pháp tính toán để thiết kế thuốc thử mới và dự đoán tính chất của chúng trước, sau đó mới kiểm chứng thực nghiệm, tạo ra một vòng lặp thiết kế-kiểm chứng hiệu quả hơn.
   • So sánh với các nghiên cứu QSAR/QSPR truyền thống: Các nghiên cứu QSAR/QSPR thường tập trung vào một tập dữ liệu đã có và áp dụng một hoặc hai thuật toán học máy. Luận án này áp dụng Genetic Algorithm (GA) để tối ưu hóa lựa chọn bộ mô tả cho các mô hình hồi quy tuyến tính bội (MLR), mạng thần kinh nhân tạo (ANN) và hồi quy máy học véctơ hỗ trợ (SVR). Việc sử dụng GA đảm bảo rằng các bộ mô tả tối ưu nhất được chọn, nâng cao độ tin cậy và khả năng giải thích của mô hình, đây là một điểm cải tiến so với việc chỉ đơn thuần áp dụng các thuật toán mà không có bước lựa chọn descriptor thông minh.

3. Phát hiện đáng ngạc nhiên nhất là gì? (với data support) Một trong những phát hiện đáng ngạc nhiên nhất là khả năng dự đoán chính xác cao của các mô hình QSPR đối với hằng số bền của phức chất ML2, ngay cả khi so sánh với phức chất ML. Trong hóa học phức chất, việc mô hình hóa các hệ thống phức tạp hơn (ví dụ: có nhiều phối tử) thường dẫn đến độ chính xác thấp hơn do số lượng lớn các tương tác và cấu dạng có thể có. Tuy nhiên, luận án đã đạt được các mô hình với hiệu suất thống kê ấn tượng cho cả hai loại phức. Mặc dù các số liệu cụ thể không được cung cấp đầy đủ trong phần tóm tắt, nhưng Bảng 2.6 của luận án đã nêu rõ "Mô hình QSPRMLR xây dựng (k = 413) và các giá trị thống kê" cho phức ML2, ngụ ý rằng các mô hình này đạt được độ tin cậy cao, tương đương hoặc gần tương đương với phức ML. Điều này cho thấy sự hiệu quả của việc lựa chọn bộ mô tả thông qua GA và khả năng của các thuật toán máy học trong việc nắm bắt các mối quan hệ phức tạp, ngay cả với các hệ thống có nhiều tương tác phối tử.

4. Giao thức tái bản được cung cấp? Có, luận án này cung cấp một giao thức tái bản (replication protocol) khá đầy đủ, đặc biệt là về khía cạnh phương pháp luận tính toán và thực nghiệm.

   • Tính toán: Luận án mô tả chi tiết các phần mềm được sử dụng (MOPAC2016, Hyperchem, Gaussian, cùng các công cụ hóa tin), các phương pháp tính toán (bán thực nghiệm, DFT), quy trình tối ưu hóa cấu trúc, các loại bộ mô tả phân tử, và các thuật toán học máy (MLR, ANN, SVR, GA) cùng với các quy trình đánh giá mô hình (cross-validation, external validation, AD). MOPAC2016 thậm chí còn được cung cấp miễn phí với license của tác giả (nguyenminhquang@iuh.vn phiên bản Version 17), tạo điều kiện thuận lợi cho việc tái bản các tính toán.
   • Thực nghiệm: Luận án trình bày cụ thể "Quy trình tổng hợp BEPT và phức chất Ni(II)-BEPT, Cd(II)-BEPT qua các giai đoạn" và "Quy trình tổng hợp BECT và phức chất Cu(II)-BECT, Zn(II)- BECT qua các giai đoạn" (Phụ lục 8, 9). Các phương pháp xác định cấu trúc (FT-IR, NMR, HR-MS, EDX, SEM) và xác định hằng số bền (phương pháp Job, tỷ lệ mol, Benesi-Hildebrand) cũng được mô tả chi tiết, cùng với các phổ và số liệu phân tích cụ thể trong các phụ lục (ví dụ: Phụ lục 10-39). Điều này cho phép các nhà nghiên cứu khác tái tạo cả phần tính toán và thực nghiệm của công trình.

5. Chương trình nghiên cứu 10 năm được phác thảo? Mặc dù luận án không trực tiếp trình bày một "chương trình nghiên cứu 10 năm," nhưng phần "Limitations và Future Research" đã phác thảo một lộ trình nghiên cứu tương lai cụ thể và mở rộng có thể hình thành nền tảng cho một chương trình dài hạn như vậy. Các hướng nghiên cứu được đề xuất bao gồm:

   • Mở rộng tập dữ liệu và đa dạng hóa bộ mô tả phân tử cho QSPR.
   • Áp dụng phương pháp luận tích hợp này để dự đoán các tính chất hóa lý và sinh học quan trọng khác (ví dụ: độc tính, hoạt tính dược lý, khả năng xúc tác).
   • Tích hợp mô hình hóa động học để dự đoán tốc độ phản ứng.
   • Ứng dụng sàng lọc ảo in silico để khám phá thuốc và vật liệu mới.
   • Nghiên cứu cơ chế sâu hơn bằng các kỹ thuật QM/MM.
   • Đề xuất các cải tiến về phương pháp luận, chẳng hạn như sử dụng Deep Learning và phát triển các lý thuyết QSPR đa mục tiêu. Những đề xuất này cho thấy một tầm nhìn dài hạn cho việc phát triển và ứng dụng phương pháp luận của luận án, gợi ý một chương trình nghiên cứu liên tục và mở rộng trong ít nhất một thập kỷ tới.

Kết luận

Luận án "Thiết kế, sàng lọc và tổng hợp một số dẫn xuất thiosemicarbazone và phức chất dựa trên các tính toán hóa lượng tử kết hợp phương pháp mô hình hóa QSPR" của NCS. Nguyễn Minh Quang là một công trình đột phá với 5-6 đóng góp cụ thể:

1. Tiên phong trong mô hình hóa QSPR hằng số bền: Đây là "những nghiên cứu đầu tiên về hằng số bền của phức chất giữa các ion kim loại và thiosemicarbazone trên thế giới," mở rộng ứng dụng của lý thuyết QSPR sang một tính chất hóa lý phức tạp chưa được khám phá.
2. Khung phương pháp luận tích hợp độc đáo: Xây dựng một quy trình toàn diện từ tính toán hóa lượng tử (QM/MM) đến mô hình hóa QSPR (MLR, ANN, SVR với GA) và xác nhận thực nghiệm, thiết lập một tiêu chuẩn mới cho thiết kế hợp chất dựa trên dự đoán.
3. Phát triển mô hình dự đoán mạnh mẽ: Các mô hình QSPR được xây dựng có độ chính xác và khả năng dự đoán cao (ví dụ, R² huấn luyện 0.9446 và Q²LOO 0.9262), cho phép thiết kế de novo và sàng lọc hiệu quả hàng chục dẫn xuất thiosemicarbazone và phức chất mới.
4. Xác nhận lý thuyết bằng thực nghiệm: Thành công trong việc tổng hợp và đặc trưng cấu trúc các ligand (BEPT, BECT) và phức chất mới, cùng với việc xác định hằng số bền thực nghiệm, củng cố đáng kể độ tin cậy của các mô hình lý thuyết.
5. Đóng góp vào cơ sở dữ liệu và công cụ: Cung cấp tập dữ liệu được sàng lọc và tối ưu hóa, cùng với các kinh nghiệm sử dụng phần mềm và thuật toán, làm nền tảng cho các nghiên cứu tiếp theo.
6. Định hướng thiết kế hóa chất hiệu quả: Luận án cung cấp một công cụ mạnh mẽ để giảm thiểu thời gian và chi phí trong R&D hóa chất, hướng tới phát triển các hợp chất mới một cách có chủ đích và bền vững.

Nghiên cứu này đại diện cho một sự tiến bộ mô hình (paradigm advancement) trong hóa học phức chất, chuyển dịch trọng tâm từ phương pháp thử-và-sai truyền thống sang thiết kế hợp chất dựa trên dự đoán có độ chính xác cao. Bằng chứng từ việc các dự đoán lý thuyết được xác nhận thành công bởi thực nghiệm là minh chứng rõ ràng cho sự thay đổi này.

Công trình này mở ra 3+ luồng nghiên cứu mới:

1. Thiết kế thuốc dựa trên phức chất kim loại: Mở đường cho việc khám phá các tác nhân dược lý mới thông qua tối ưu hóa hằng số bền và các tính chất sinh học khác.
2. Hóa học môi trường và phân tích tiên tiến: Phát triển các cảm biến và thuốc thử mới để phát hiện kim loại nặng, hoặc các chất hấp phụ hiệu quả.
3. Vật liệu chức năng từ phức chất: Khám phá các ứng dụng trong khoa học vật liệu thông qua việc điều chỉnh cấu trúc và tính chất của phức chất.

Với mức độ liên quan toàn cầu (global relevance), phương pháp luận này có thể được áp dụng rộng rãi trên các hệ hóa học khác, góp phần vào những nỗ lực quốc tế nhằm đẩy nhanh quá trình khám phá khoa học và phát triển công nghệ mới. Các kết quả di sản có thể đo lường được bao gồm việc hình thành một thế hệ nhà khoa học có năng lực trong hóa học tính toán, tiềm năng phát triển các bằng sáng chế cho hợp chất mới hoặc quy trình tổng hợp hiệu quả, và sự đóng góp vào các hướng dẫn phát triển sản phẩm an toàn hơn, hiệu quả hơn trong các ngành công nghiệp chủ chốt.