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

2018, Número 2

<< Anterior

TIP Rev Esp Cienc Quim Biol 2018; 21 (2)


Diseño de fármacos asistido por computadora: cuando la informática, la química y el arte se encuentran

Prieto-Martínez FD, Medina-Franco JL

Idioma: Español
Referencias bibliográficas: 29
Paginas: 124-134
Archivo PDF: 1012.91 Kb.


RESUMEN

La industria farmacéutica está en constante evolución, siendo el desarrollo y descubrimiento de nuevos fármacos el motor de la misma. Antaño, el diseño de fármacos estaba directamente relacionado a los productos naturales, que posteriormente se modificaban por síntesis. Si bien, la estrategia sigue vigente, el desarrollo de nuevos fármacos implica una inversión considerable de dinero y tiempo. Actualmente, el desarrollo de computadoras más potentes y eficientes ha permitido generar metodologías y simulaciones que han optimizado y en cierto grado modificado el panorama farmacéutico. Aquí se presenta un texto introductorio, a los principales métodos y técnicas computacionales auxiliares en el proceso de diseño y modelado molecular. Se hace especial énfasis en métodos quimioinformáticos, sus conceptos, bases y sus aplicaciones.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Bajusz, D., Rácz, A., & Héberger, K. (2015). Why is Tanimoto Index an Appropriate Choice for Fingerprint-Based Similarity Calculations? J. Cheminformatics, 7, 20. DOI: 10.1186/s13321-015-0069-3

  2. Bender, A., Jenkins, J. L., Scheiber, J., Sukuru, S. C. K., Glick, M., & Davies, J. W. (2009). How Similar are Similarity Searching Methods? A Principal Component Analysis of Molecular Descriptor Space. J. Chem. Inf. Model., 49, 108–119. DOI: 10.1021/ci800249s

  3. Brown, C. D., & Davis, H. T. (2006). Receiver Operating Characteristics Curves and Related Decision Measures: A Tutorial. Chemometr. Intell. Lab., 80, 24–38. DOI: 10.1016/j.chemolab.2005.05.004

  4. Clayton, T., Chen, J. L., Ernst, M., Richter, L., Cromer, B. A., Morton, C. J. & Cook, J. M. (2007). An Updated Unified Pharmacophore Model of the Benzodiazepine Binding Site on Gamma-Aminobutyric Acid(A) Receptors: Correlation with Comparative Models. Curr. Med. Chem., 14, 2755–2775. DOI: 10.2174/092986707782360097

  5. De Cesco, S., Kurian, J., Dufresne, C., Mittermaier, A., & Moitessier, N. (2017). Covalent Inhibitors Design and Discovery. Eur. J. Med. Chm., 138, 96–114. DOI: 10.1016/j.ejmech.2017.06.019

  6. Duan, X., Zhang, M., Zhang, X., Wang, F., & Lei, M. (2015). Molecular Modeling and Docking Study on Dopamine D2-Like and Serotonin 5-HT2A Receptors. J. Mol. Graph. Model., 57, 143–155. DOI: 10.1016/j.jmgm.2015.01.014

  7. Ferreira, L. G., Dos Santos, R. N., Oliva, G., & Andricopulo, A. D. (2015). Molecular Docking and Structure-Based Drug Design Strategies. Molecules, 20, 13384-13421. DOI: 10.3390/ molecules200713384

  8. Ferri, E., Petosa, C., & McKenna, C. E. (2016). Bromodomains: Structure, Function and Pharmacology of Inhibition. Biochem. Pharmacol. 106, 1-18. DOI: 10.1016/j.bcp.2015.12.005

  9. Hillisch, A., Pineda, L. F., & Hilgenfeld, R. (2004). Utility of Homology Models in the Drug Discovery Process. Drug Discov Today. 9, 659-669. DOI: 10.1016/S1359-6446(04)03196-4

  10. Hu, Y., & Bajorath, J. (2010). Molecular Scaffolds with High Propensity to form Multi-Target Activity Cliffs. J. Chem. Inf. Model., 50, 500–510. DOI: 10.1021/ci100059q

  11. Kitchen, D. B., Decornez, H., Furr, J. R., & Bajorath, J. (2004). Docking and Scoring in Virtual Screening for Drug Discovery: Methods and Applications. Nat. Rev. Drug Discov., 3, 935–949. DOI: 10.1038/nrd1549

  12. Koes, D. R., & Camacho, C. J. (2011). Pharmer: Efficient and Exact Pharmacophore Search. J. Chem. Inf. Model., 51, 1307–1314. DOI: 10.1021/ci200097m

  13. Kumalo, H. M., Bhakat, S., & Soliman, M. E. S. (2015). Theory and Applications of Covalent Docking in Drug Discovery: Merits and Pitfalls. Molecules, 20, 1984–2000. DOI: 10.3390/ molecules20021984

  14. Leffler, A. E., Kuryatov, A., Zebroski, H. A., Powell, S. R., Filipenko, P., Hussein, A. K. & Holford, M. (2017). Discovery of Peptide Ligands Through Docking and Virtual Screening at Nicotinic Acetylcholine Receptor Homology Models. P. Natl. Acad. Sci. USA, 114, E8100–E8109. DOI: 10.1073/pnas.1703952114

  15. Maggiora, G. M., Vogt, M., Stumpfe, D., & Bajorath, J. J. (2013). Molecular Similarity in Medicinal Chemistry. J. Med. Chem., 57, 3186–3204. DOI: 10.1021/jm401411z

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

  17. Méndez-Lucio, O., Naveja, J. J., Vite-Caritino, H., Prieto-Martínez, F. D., & Medina-Franco, J. L. (2016). Review. One Drug for Multiple Targets: A Computational Perspective. J. Mex. Chem. Soc, 60, 168–181.

  18. Mestres, J. (2005). Representativity of Target Families in the Protein Data Bank: Impact for Family-Directed Structure-Based Drug Discovery. Drug Discovery Today, 10, 1629–1637. DOI: 10.1016/ S1359-6446(05)03593-2

  19. Pagadala, N. S., Syed, K., & Tuszynski, J. (2017). Software for Molecular Docking: A Review. Biophys. Rev. 9, 91-102. DOI: 10.1007/s12551-016-0247-1

  20. Pérez-Villanueva, J., Romo-Mancillas, A., Hernández-Campos, A., Yépez-Mulia, L., Hernández-Luis, F., & Castillo, R. (2011). Antiprotozoal Activity of Proton-pump Inhibitors. Bioorg. Med. Chem. Lett., 21, 7351–7354. DOI: 10.1016/j.bmcl.2011.10.028

  21. Ponder, J. W., & Case, D. A. (2003). Force Fields for Protein Simulations. Adv. Protein Chem., 66, 27–85. DOI: 10.1016/ S0065-3233(03)66002-X

  22. Prieto-Martínez, F. D., Fernández-de Gortari, E., Méndez-Lucio, O., & Medina-Franco, J. L. (2016). A Chemical Space Odyssey of Inhibitors of Histone Deacetylases and Bromodomains. RSC Adv., 6, 56225–56239. DOI: 10.1039/C6RA07224K

  23. Saldívar-González, F., Prieto-Martínez, F. D., & Medina-Franco, J. L. (2017). Descubrimiento y Desarrollo de Fármacos: Un Enfoque Computacional. Educación Química, 28, 51–58. DOI: 10.1016/j. eq.2016.06.002

  24. Santos, R., Ursu, O., Gaulton, A., Bento, A. P., Donadi, R. S., Bologa, C. G. & Overington, J. P. (2016). A Comprehensive Map of Molecular Drug Targets. Nature Reviews Drug Discovery, 16, 19–34. DOI: 10.1038/nrd.2016.230

  25. Spyrakis, F., & Cavasotto, C. N. (2015). Open Challenges in Structure- Based Virtual Screening: Receptor Modeling, Target Flexibility Consideration and Active Site Water Molecules Description. Arch. Biochem. Biophys., 583, 105-109. DOI: 10.1016/j. abb.2015.08.002

  26. Verdonk, M. L., Taylor, R. D., Chessari, G., & Murray, C. W. (2007). Illustration of Current Challenges in Molecular Docking. In Structure-Based Drug Discovery (pp. 201–221). Dordrecht: Springer Netherlands. DOI: 10.1007/1-4020-4407-0_8

  27. Virshup, A. M., Contreras-García, J., Wipf, P., Yang, W., & Beratan, D. N. (2013). Stochastic Voyages into Uncharted Chemical Space Produce a Representative Library of All Possible Drug-Like Compounds. J. Am. Chem. Soc. 135, 7296–7303. DOI: 10.1021/ ja401184g

  28. Wallisch, P. (2014). Principal Components Analysis. MATLAB for Neuroscientists, 305–315. DOI: 10.1016/B978-0-12-383836- 0.00017-5

  29. Warren, G. L., Do, T. D., Kelley, B. P., Nicholls, A., & Warren, S. D. (2012). Essential Considerations for Using Protein-Ligand Structures in Drug Discovery. Drug Discovery Today, 17, 1270–1281. DOI: 10.1016/j.drudis.2012.06.011




2020     |     www.medigraphic.com