Koomesh journal
كومش
Koomesh
Medical Sciences
http://koomeshjournal.semums.ac.ir
47
journal47
16087046
10.52547/koomesh
fa
jalali
1401
3
1
gregorian
2022
5
1
24
3
online
1
fulltext
en
مطالعهی رابطهی ساختمان -فعالیت کمی دوبعدی و داکینگ مولکولی مشتقات4-آنیلینوکینازولین به عنوان مهارکنندهی آنزیم تیروزین کیناز رسپتور فاکتور رشد اپیدرمی
2D-QSAR and docking studies of 4-anilinoquinazoline derivatives as epidermal growth factor receptor tyrosine kinase inhibitors
عمومى
General
پژوهشي
Research
هدف: مشتقات مهارکنندهی آنزیم تیروزین کیناز رسپتور فاکتور رشد اپیدرمی (EGFR TKIs) نقش مهمی را در درمان سرطان ایفا میکنند. هدف از این مطالعه بررسی رابطه ساختمان-فعالیت دوبعدی (2D-QSAR) و داکینگ مشتقات 4-آنیلینوکینازولین به عنوان EGFR TKIs و دستیابی به یک مدل مناسب جهت پیش بینی فعالیت این ترکیبات میباشد.
مواد و روشها: 122 ترکیب حاوی ساختار 4-آنیلینوکینازولین جهت بسط مدلهای رابطهی ساختمان-فعالیت کمی دو بعدی (2D-QSAR) با استفاده از روش رگرسیون خطی چندگانه (MLR)، و روشهای غیر خطی شبکههای عصبی مصنوعی (ANN) و ماشینهای بردار پشتیبانی (SVM) استفاده شد. مدلها با استفاده از روشهای اعتبارسنجی داخلی و خارجی معتبرسازی شدند. داکینگ مولکولی بر روی ترکیبات 32، 75 و 98 با بیشترین pIC50 با استفاده از نرمافزار AutoDock 4.2 انجام گرفت.
یافتهها: توصیفگرهای انتخاب شده نشان دادند که الکترونگاتیویته اتمی، قابلیت ایجاد پیوند هیدروژنی، میزان لیپوفیلیسیته و شکل و حجم مولکولی از عوامل مؤثر بر فعالیت این ترکیبات هستند. معیارهای آماری مربوط به تفسیر و اعتبارسنجی مدلها در بازه مناسبی قرار گرفتند. مدل به دست آمده با روش ANN با کمترین میانگین خطای مطلق 365/0 برای سری آموزش و آزمون بهترین مدل انتخابی بود. در مطالعات داکینگ مولکولی ترکیب 75 به عنوان قویترین ترکیب در مهار TK، انرژی اتصال 33/8- کیلوکالری بر مول را نشان داد.
نتیجهگیری: نتایج نشان داد که همه مدلها به خوبی میتوانند فعالیت ترکیبات را پیشبینی کنند. همچنین ترکیبات با قدرت مناسب به جایگاه فعال رسپتور متصل شدند. تمامی فرآیندها از اعتبار کافی برخوردار بودند.
Introduction: Epidermal growth factor receptor (EGFR) tyrosine kinase inhibitor derivatives play an important role in the treatment of cancer. We aim to construct 2D-QSAR models using various chemometrics using 4-anilinoquinazoline-containing EGFR TKIs. In addition, the binding profile of these compounds was evaluated using a docking study.
Materials and Methods: In this study, 122 compounds of seven different structural categories with a 4-anilinoquinazoline scaffold were obtained from the pieces of literature. 2D-QSAR models were prepared using the linear method, including multiple linear regression (MLR), alongside non-linear methods, including artificial neural networks (ANN) and support vector machines (SVM). The validation of suggested 2D-QSAR models was performed using internal and external validation techniques. For molecular docking, three compounds, including compounds 32, 75, and 98, which had the highest pIC50, were used. Molecular docking was performed using AutoDock 4.2.
Results: Selected descriptors indicated that atomic electronegativity, hydrogen bonding ability, lipophilicity, and molecular shape and volume were the factors affecting the activity of the compounds. Statistical criteria, related to interpretation and validation of the models, were in the appropriate range. The model obtained by the ANN method, with the lowest mean absolute error of 0.365 for both training and testing sets, was the best. The compound 75 as the most potent compound indicated binding energies of -8.33 kcal/mol.
Conclusion: Finally, it was found that the models could effectively predict the activity of the compounds. It was also discovered that the compounds were properly bound to the active site of the receptor. In addition, validation results showed that all processes were sufficiently valid.
رابطه ساختمان-فعالیت کمی, رسپتورهای ErbB, تحلیل رگرسیون, ماشین بردار پشتیبان, شبکه های عصبی
Quantitative Structure-Activity Relationship, ErbB Receptors, Regression Analysis, Support Vector Machine, Neural Networks
405
420
http://koomeshjournal.semums.ac.ir/browse.php?a_code=A-10-7211-1&slc_lang=en&sid=1
Mahtab
Ghasemi Dogaheh
مهتاب
قاسمی دوگاهه
mahtab.ghasemi22@gmail.com
4700319475328460050661
4700319475328460050661
No
Dept. of Medicinal Chemistry, School of Pharmacy, Guilan University of Medical Sciences, Rasht, Iran
گروه شیمی دارویی، دانشکده داروسازی، دانشگاه علوم پزشکی گیلان، رشت، ایران
Hesmatollah
Ebrahimi-Najafabadi
حشمت اله
ابراهیمی نجف آبادی
ebrahimi.heshmat@gmail.com
4700319475328460050662
4700319475328460050662
No
Dept. of Medicinal Chemistry, School of Pharmacy, Guilan University of Medical Sciences, Rasht, Iran
گروه شیمی دارویی، دانشکده داروسازی، دانشگاه علوم پزشکی گیلان، رشت، ایران
Fatemeh
Yousefbeyk
فاطمه
یوسف بیک
fayo_293@yahoo.com
4700319475328460050663
4700319475328460050663
No
Dept. of Pharmacognosy, School of Pharmacy, Guilan University of Medical Sciences, Rasht, Iran
گروه فارماکوگنوزی، دانشکده داروسازی، دانشگاه علوم پزشکی گیلان، رشت، ایران
Saeed
Ghasemi
سعید
قاسمی
ghasemi_saeed@yahoo.com
4700319475328460050664
4700319475328460050664
Yes
Dept. of Medicinal Chemistry, School of Pharmacy, Guilan University of Medical Sciences, Rasht, Iran
گروه شیمی دارویی، دانشکده داروسازی، دانشگاه علوم پزشکی گیلان، رشت، ایران