medigraphic.com
ISSN 2395-8723 (Digital)
ISSN 1405-888X (Impreso)
TIP Revista Especializada en Ciencias Químico-Biológicas

2018, Número 1

<< Anterior Siguiente >>

TIP Rev Esp Cienc Quim Biol 2018; 21 (1)


Descubriendo los generadores de la actividad de los acantilados, utilizando el índice promedio de los valores de SALI

Medina-Franco JL, Martinez-Mayorga K

Idioma: Español
Referencias bibliográficas: 21
Paginas: 14-23
Archivo PDF: 667.36 Kb.


RESUMEN

Los acantilados de actividad se definen como compuestos con alta similitud estructural, pero también con alta diferencia en potencia. Estos compuestos tienen un impacto significativo en la optimización de líderes en química medicinal y en aplicaciones computacionales, como el desarrollo de modelos predictivos y en la selección de moléculas de referencia en búsquedas basadas en similitud molecular. Por lo tanto, es de gran relevancia la identificación de compuestos altamente asociados con los acantilados como por ejemplo los “generadores de acantilados de actividad”. En este trabajo se reportan la identificación de acantilados de actividad y las relaciones estructura-actividad de un grupo de 289 compuestos obtenidos por síntesis química que han sido evaluados a través de una proteína quinasa reguladora de receptores acoplados a proteínas-G. Para considerar la información de múltiples representaciones estructurales, se empleó el promedio del índice SALI (Structure-Activity Landscape Index) y se discuten también fragmentos estructurales responsables de la actividad biológica. Palabras Clave: acantilados de actividad, consenso de panoramas de actividad, GRK6, índice de panorama estructuraactividad.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Canvas Canvas, version 1.5; Schrödinger, LLC, New York, NY, 2012., Canvas, version 1.5; Schrödinger, LLC, New York, NY, 2012.

  2. Cruz-Monteagudo, M., Medina-Franco, J.L., Pérez-Castillo, Y., Nicolotti, O., Cordeiro, MNDS. & Borges, F. (2014). Activity cliffs in drug discovery: Dr Jekyll or Mr Hyde?. Drug Discov. Today, 19, 1069-1080. DOI:10.1016/j.drudis.2014.02.003

  3. Dimova, D., Stumpfe, D. & Bajorath, J.(2014). Method for the Evaluation of Structure–Activity Relationship Information Associated with Coordinated Activity Cliffs. J. Med. Chem., 57, 6553-6563. DOI: 10.1021/jm500577n

  4. Guha, R. (2012). You have full text access to this contentExploring structure–activity data using the landscape paradigm. Wiley Interdiscip. Rev. Comput. Mol. Sci., 2, 829-841. DOI: 10.1002/ wcms.1087

  5. Guha, R. & VanDrie, J.H. (2008). Structure−Activity Landscape Index: Identifying and Quantifying Activity Cliffs. J. Chem. Inf. Model., 48, 646-658. DOI: 10.1021/ci7004093

  6. Guha, R. & Van Drie, J.H. (2008). Assessing How Well a Modeling Protocol Captures a Structure−Activity Landscape. J. Chem. Inf. Model., 48, 1716-1728. DOI: 10.1021/ci8001414

  7. Jaccard, P. (1901). Etude comparative de la distribution florale dans une portion des Alpes et du Jura. Bull. Soc. Vaudoise Sci. Nat. 37, 547-579.

  8. Medina-Franco, J.L. (2012). Scanning Structure–Activity Relationships with Structure–Activity Similarity and Related Maps: From Consensus Activity Cliffs to Selectivity Switches. J. Chem. Inf. Model., 52, 2485-2493. DOI: 10.1021/ci300362x

  9. Medina-Franco, J.L. (2013). Activity Cliffs: Facts or Artifacts? Chem. Biol. Drug Des., 81, 553-556. DOI: 10.1111/cbdd.12115.

  10. Medina-Franco, J.L., Maggiora, G.M., Giulianotti, M.A., Pinilla, C. & Houghten, R.A. (2007). A Similarity-based Data-fusion Approach to the Visual Characterization and Comparison of Compound Databases. Chem. Biol. Drug Des., 70, 393-412. DOI: 10.1111/j.1747-0285.2007.00579.x

  11. Medina-Franco, J.L., Martínez-Mayorga, K., Bender, A., Marín, R.M., Giulianotti, M.A., Pinilla, C. & Houghten, R.A. (2009). Characterization of Activity Landscapes Using 2D and 3D Similarity Methods: Consensus Activity Cliffs. J. Chem. Inf. Model., 49, 477-491. DOI: 10.1021/ci800379q

  12. Medina-Franco, J.L., Yongye, A.B. & López-Vallejo, F. (2012). Consensus Models of Activity Landscapes. In Statistical Modeling of Molecular Descriptors in QSAR/QSPR, 307-326 (Eds. Matthias, D., Kurt, V. and Danail, B.). Wiley-VCH. DOI: 10.1002/9783527645121.ch11

  13. Medina-Franco, J.L., Yongye, A.B., Pérez-Villanueva ,J., Houghten, R.A. & Martínez-Mayorga, K. (2011). Multitarget Structure– Activity Relationships Characterized by Activity-Difference Maps and Consensus Similarity Measure. J. Chem. Inf. Model., 51, 2427-2439. DOI: 10.1021/ci200281v

  14. Méndez-Lucio, O., Pérez-Villanueva, J., Castillo, R. & Medina- Franco, J.L. (2012). Identifying Activity Cliff Generators of PPAR Ligands Using SAS Maps. Mol. Inf., 31, 837-846. DOI: 10.1002/minf.201200078

  15. Peltason, L., Iyer, P. & Bajorath, J. (2010). Rationalizing Three- Dimensional Activity Landscapes and the Influence of Molecular Representations on Landscape Topology and the Formation of Activity Cliff. J. Chem. Inf. Model., 50, 1021-1033. DOI: 10.1021/ci100091e

  16. Pérez-Villanueva, J., Santos, R., Hernández-Campos, A., Giulianotti, M.A., Castillo, R., & Medina-Franco, J.L. (2010). Towards a systematic characterization of the antiprotozoal activity landscape of benzimidazole derivatives. Bioorg. Med. Chem., 18, 7380-7391. 32. DOI: 10.1016/j.bmc.2010.09.019 Sastry, M., Lowrie, J.F., Dixon, S.L. & Sherman, W. (2010). Large-Scale Systematic Analysis of 2D Fingerprint Methods and Parameters to Improve Virtual Screening Enrichments. J. Chem. Inf. Model., 50, 771-784. DOI: 10.1021/ci100062n

  17. Shanmugasundaram, V. & Maggiora, G.M. (2001).Characterizing property and activity landscapes using an information-theoretic approach. CINF-032. In 222nd ACS National Meeting, Chicago, IL, United States Chicago, IL, United States: American Chemical Society, Washington, D. C.

  18. Waddell, J. & Medina-Franco, J.L. (2012). Bioactivity landscape modeling: chemoinformatic characterization of structure-activity relationships of compounds tested across multiple targets. Bioorg. Med. Chem. 20, 5443-5452. DOI: 10.1016/j.bmc.2011.11.051

  19. Willett, P. (2013). Combination of Similarity Rankings Using Data Fusion. J. Chem. Inf. Model. 53, 1-10. DOI: 10.1021/ci300547g

  20. Yongye, A.B. & Medina-Franco, J.L. (2012). Data Mining of Protein- Binding Profiling Data Identifies Structural Modifications that Distinguish Selective and Promiscuous Compound. J. Chem. Inf. Model., 52, 2454-2461. DOI: 10.1021/ci3002606

  21. Yongye, A., Byler, K., Santos, R., Martínez-Mayorga, K., Maggiora, G.M. & Medina-Franco, J.L. (2011). Consensus Models of Activity Landscapes with Multiple Chemical, Conformer, and Property Representations. J. Chem. Inf. Model., 51, 1259-1270. DOI: 10.1021/ci200081k




2020     |     www.medigraphic.com