Hệ số phân phối là gì? Các nghiên cứu khoa học liên quan

Giới thiệu

Hệ số phân phối (partition coefficient) là tỉ số cân bằng nồng độ chất tan giữa hai pha không hòa lẫn, thường là pha hữu cơ (ví dụ n-octanol) và pha nước. Thông số này phản ánh khả năng hòa tan và phân bố của hợp chất giữa môi trường kỵ nước và ưa nước, ảnh hưởng trực tiếp đến đặc tính dược động học, sinh khả dụng và nguy cơ tích lũy sinh học trong cơ thể sinh vật.

Trong lĩnh vực dược phẩm, log P là chỉ tiêu quan trọng để thiết kế thuốc, dự đoán độ thâm nhập màng sinh học và phân bố thuốc trong cơ thể. Đối với môi trường, hệ số phân phối giúp đánh giá xu hướng chất ô nhiễm tích tụ trong các sinh vật thủy sinh hoặc bùn đất. Trong phân tích hóa học, log P hỗ trợ lựa chọn dung môi chiết xuất, tối ưu quy trình phân tách và thu hồi mẫu.

• Thiết kế thuốc: xác định sinh khả dụng và phân phối trong mô
• Đánh giá môi trường: dự báo tích lũy và vận chuyển chất ô nhiễm
• Chiết xuất dung môi: lựa chọn hệ dung môi tối ưu
• Mô hình QSAR/QSPR: tham số đầu vào cho dự đoán tính chất hóa học

Định nghĩa và khái niệm cơ bản

Hệ số phân phối P giữa pha hữu cơ và pha nước được định nghĩa theo công thức: $P = \frac{C_o}{C_w}$ với $C_o$ và $C_w$ lần lượt là nồng độ cân bằng của chất tan trong pha hữu cơ và pha nước.

Để thuận tiện biểu diễn và so sánh, người ta thường sử dụng $\log P$: $\log P = \log_{10}\frac{C_o}{C_w}$. Giá trị $\log P$ dương cho thấy hợp chất ưu thích pha hữu cơ, trong khi giá trị âm biểu thị ưu thích pha nước. Khoảng $\log P$ từ –1 đến 3 thường được coi là tối ưu cho thuốc đường uống để đảm bảo cân bằng hấp thu và phân bố.

Luật phân bố Nernst

Theo luật Nernst, tại cân bằng hóa–lý, hoạt độ $a$ của chất tan phân bố tỷ lệ giữa hai pha: $K_D = \frac{a_o}{a_w}$. Trong dung dịch loãng, hoạt độ xấp xỉ nồng độ, do đó $K_D$ gần bằng hệ số phân phối $P$.

Luật phân bố còn giả định không có tương tác hóa học giữa chất tan và dung môi, môi trường ổn định nhiệt động và không có phản ứng phân ly. Trong thực tế, cần kiểm soát pH và nhiệt độ để đảm bảo kết quả đo phù hợp giả thiết. Ứng dụng chính của luật phân bố là chiết xuất dung môi và nghiên cứu cân bằng phân bố trong dược động học.

• Áp dụng cho dung dịch loãng, không phản ứng hóa học
• Hoạt độ ≈ nồng độ khi loãng
• Cần điều khiển pH, nhiệt độ và áp suất

Các loại hệ số phân phối

Hệ số phân phối n-octanol–nước (K_ow hoặc P) là chỉ tiêu phổ biến nhất, dùng dự đoán tiềm năng tích lũy sinh học và sinh khả dụng thuốc. Hệ số phân bố D (distribution coefficient) phản ánh phân bố ở môi trường có pH xác định, bao gồm cả dạng ion hóa và không ion hóa của phân tử.

Giá trị log P và log D thay đổi theo cấu trúc phân tử, nhóm chức và độ ion hóa. Các hợp chất không ion hóa gần như tuân theo log P, trong khi axit/bazơ yếu có log D phụ thuộc pH:

• Log P > 0: ưu thích pha hữu cơ
• Log P < 0: ưu thích pha nước
• Log D(pH 7.4): phản ánh phân bố trong môi trường sinh lý

Hợp chất	Log P	Log D (pH 7.4)
Caffeine	–0.07	–0.10
Phenol	1.46	0.60
Benzene	2.13	2.10
Naphthalene	3.30	3.25

Phương pháp xác định

Phương pháp shake-flask (OECD 107) là tiêu chuẩn vàng để xác định hệ số phân phối n-octanol–nước, thực hiện bằng cách lắc đều hỗn hợp dung môi và mẫu, sau đó tách pha và định lượng nồng độ bằng HPLC hoặc UV–Vis. Kết quả trực tiếp, độ chính xác cao nhưng tốn dung môi và thời gian chuẩn bị mẫu.

Các phương pháp thay thế bao gồm reverse-phase HPLC, tính log P từ retention time trên cột C18, và micro-scale shake-flask sử dụng microplate readers để tăng throughput. Phương pháp in silico cơ bản (fragment-based, atom-based) dựa trên QSPR và machine learning cho phép ước tính nhanh log P từ cấu trúc phân tử.

Phương pháp	Độ chính xác	Throughput	Yêu cầu thiết bị
Shake-flask (OECD 107)	Rất cao	Thấp	HPLC/UV–Vis, lắc cơ học
Reverse-phase HPLC	Cao	Trung bình	Cột C18, HPLC
Micro-scale	Trung bình	Cao	Microplate reader
In silico (QSPR/ML)	Biến thiên	Rất cao	Phần mềm tính toán

• OECD 107: shake-flask truyền thống
• Reverse-phase HPLC: ước tính nhanh
• Micro-scale shake-flask: tiết kiệm dung môi
• In silico: QSPR, ML (e.g. ALOGPS, SwissADME)

Ứng dụng

Trong dược phẩm, log P dùng để đánh giá sinh khả dụng, thâm nhập qua màng ruột và máu–não. Hợp chất có log P trong khoảng –1 đến 3 thường đạt cân bằng tối ưu giữa độ hòa tan và khả năng khuếch tán, giảm rủi ro dược động học không mong muốn.

Trong môi trường, hệ số phân phối giúp dự báo xu hướng tích tụ sinh học (bioconcentration factor, BCF) và vận chuyển chất ô nhiễm giữa đất, nước và sinh vật. Các hợp chất có log P > 4 thường dễ tích lũy trong mô mỡ, gây nguy cơ sinh thái cao.

• Dược động học: sinh khả dụng, thâm nhập mô
• QSAR/QSPR: tham số đầu vào cho mô hình hoạt tính
• Môi trường: dự báo BCF và tích tụ sinh học
• Phân tích hóa học: lựa chọn dung môi chiết xuất

Yếu tố ảnh hưởng

Nhiệt độ thay đổi ảnh hưởng trực tiếp đến độ hòa tan và năng lượng tự do phân phối, thường làm log P giảm nhẹ khi tăng nhiệt độ. Kiểm soát nhiệt độ đo ở 20–25 °C là cần thiết để so sánh dữ liệu giữa các phòng thí nghiệm.

pH có ảnh hưởng lớn đến log D (distribution coefficient) của axit và bazơ yếu do tỉ lệ ion hóa thay đổi. Ví dụ, log D tại pH 7.4 phản ánh tốt phân bố trong môi trường sinh lý; sự liên kết với protein huyết tương giảm log D hiệu dụng trong huyết tương.

• Nhiệt độ: chuẩn hóa 20–25 °C
• pH: ảnh hưởng log D của axit/bazơ yếu
• Độ ion hóa: thay đổi tỉ lệ dạng ion/nạn ion
• Liên kết protein: giảm log P hiệu dụng

Mô hình tính toán (in silico)

Phương pháp QSPR (quantitative structure–property relationship) xây dựng mô hình hồi quy từ tập dữ liệu thực nghiệm để dự đoán log P cho hợp chất mới. Các thuật toán ML như Random Forest, SVM và neural network cải thiện độ chính xác khi có dữ liệu huấn luyện đa dạng.

Công cụ phổ biến bao gồm ALOGPS (VCCLAB), SwissADME và ChemAxon Marvin, hỗ trợ tính toán nhanh log P cũng như log D tại các pH khác nhau. Mức độ tin cậy phụ thuộc vào chất lượng và phạm vi dữ liệu huấn luyện của từng công cụ.

• QSPR/ML: mô hình hồi quy, machine learning
• ALOGPS (http://www.vcclab.org/lab/alogps/)
• SwissADME (http://www.swissadme.ch/)
• ChemAxon Marvin: tính log P, log D

Thách thức và xu hướng phát triển

Xác định log P cho hợp chất đa chức, peptide và macrocycle còn nhiều khó khăn do tương tác nội phân tử và độ lớn phân tử. Phát triển phương pháp micro-scale tự động hóa và microfluidic giúp giảm lượng mẫu, tăng độ chính xác và throughput.

Kết hợp mô phỏng phân tử (MD, DFT) với dữ liệu thực nghiệm cho phép hiểu cơ chế phân phối ở mức nguyên tử, hỗ trợ thiết kế thuốc và vật liệu thân thiện môi trường. Nghiên cứu hybrid phương pháp (experiment–in silico) dự báo log P cho hợp chất phức tạp với độ tin cậy cao hơn.

• Hợp chất đa chức, peptide, macrocycle
• Microfluidic và tự động hóa
• Mô phỏng MD/DFT kết hợp dữ liệu thực nghiệm
• Hybrid experiment–in silico

Tài liệu tham khảo

• IUPAC Gold Book. “Partition coefficient.” https://goldbook.iupac.org/terms/view/P04853
• OECD. “Test No. 107: Partition Coefficient (n-octanol/water): Shake Flask Method.” https://www.oecd.org/chemicalsafety/risk-assessment/partcoeffoctanolwater.htm
• PubChem. “Partition Coefficient (log P).” https://pubchem.ncbi.nlm.nih.gov/
• VCCLAB. “ALOGPS – Prediction of log P.” http://www.vcclab.org/lab/alogps/
• SwissADME. “Free web tool to evaluate pharmacokinetics.” http://www.swissadme.ch/
• European Chemicals Agency. “Guidance on Physico-chemical Properties.” https://echa.europa.eu/documents/10162/23036412/phy_chem_properties_en.pdf