Аграрный вестник Урала № 07 (174) 2018
Биология и биотехнологииУДК:619:615 + 544.165
МОДЕЛИРОВАНИЕ АНТИТОКСОПЛАЗМОИДНОЙ АКТИВНОСТИ ОРГАНИЧЕСКИХ СОЕДИНЕНИЙ МЕТОДОМ QSAR
В статье представлены результаты исследования возможности прогнозированияантитоксоплазмоидной активности органических соединений различных классов сиспользованием дескрипторов, генерируемых программой Dragon и разработаннойнами компьютерной программы PROGROC.Токсоплазмоз – протозойная болезнь человека и теплокровных животных, вызываетсявнутриклеточным паразитом Toxoplasma gondii из типа простейших. Болезньрегистрируется во всех странах мира. Широкое распространение токсоплазмоза учеловека и сельскохозяйственных животных обусловливает актуальность поискаэффективных методов и средств его лечения. Отмечается, что современнаяхимиотерапия токсоплазмоза не является вполне удовлетворительной. Для расширения круга действенных лекарственных препаратов влечении токсоплазмоза необходимо иметь надежные критерии отбора веществ,обладающих антитоксоплазмоидным действием. Перспективным направлением в фармакологическомпоиске является методологияQSAR, использование которой позволяет установить корреляцию междуструктурой вещества и его биологической активностью. К настоящему времени имеетсяряд исследований, посвященных моделированию и прогнозированию антипаразитарной,в том числе антитоксоплазмоидной, активности химических соединений. Эффективностьподавления токсоплазмоза исследуемыми веществами определяется концентрацией полумаксимальногоингибирования IC50. Качество прогнозирования оцениваетсястатистическими параметрами: коэффициентом корреляции R (R2) истандартным отклонением s. Значимые результаты описанных в литературе исследованийдостигались при использовании небольшого числа однородных соединений. В настоящемисследовании представлена возможность прогнозирования антитоксоплазмоидных свойствобъемных выборок соединений разных классов. Всего было задействовано 667дескрипторов, имеющих ненулевые значения для всех соединений. Построенынесколько моделей lgIC50 приразличных делениях набора из 340 разнородных органическихсоединений на контрольную и тренировочную выборки со следующими статистическимипоказателями: R = 0,9625–0,9755и s = 0,25–0,34. Припрогнозировании свойствав режиме leave-one-out (скользящий контроль) достигнутыпоказатели: R= 0,9309 и s = 0,41.
Ключевые слова:
токсоплазмоз, лекарственные препараты, концентрация полумаксимального ингибирования IC50, QSAR, органические вещества, антитоксоплазмоидная активность, дескрипторы, Dragon, корреляция, PROGROC.
Список литературы:
1. Новак А. И. Саркоцистоз и токсоплазмоз сельскохозяйственных животных в центральном районе Нечерноземной зоны Российской Федерации: Распространение, диагностика : автореф. дис. … канд. биол. наук. Кострома, 2000. 16 с.
2. Доронин-Доргелинский Е. А., Сивкова Т. Н. Распространение токсоплазмоза и саркоцистоза у человека и животных, правовое регулирование организации борьбы с ними // Российский паразитологический журн. 2017. Т. 39. Вып. 1. С. 35–41.
3. Макарова М. В., Лукьянова Г. А. Токсоплазмоз сельскохозяйственных животных в Крымском регионе // Таврический вестник аграрной науки. 2015. № 2. С. 77–81.
4. Хрянин А. А., Решетникова О. В., Кувшинова И. Н. Токсоплазмоз: Эпидемиология, диагностика и лечение // Антибиотики и химиотерапия. 2015. Т. 60. № 5–6. С. 16–21.
5. Robert-Gangneux F., Dardé M. L. Epidemiology of and diagnostic strategies for toxoplasmosis // Clin. Microbiol. Rev. 2012. Vol. 25. No. 2. P. 264–296.
6. Montazeri M., Sharif M., Sarvi S., Mehrzadi S., Ahmadpour E., Daryani A. A Systematic Review of In vitro and In vivo Activities of Anti-Toxoplasma Drugs and Compounds (2006–2016) // Front. Microbiol. 20 January 2017. doi:org/10.3389/fmicb.2017.00025.
7. Ma X., Xiang G., Yap C-W., Chui W.-K. 3D-QSAR Study on dihydro-1,3,5-triazines and their spiro derivatives as DHFR inhibitors by comparative molecular field analysis (CoMFA) // Bioorganic & medicinal chemistry letters. 2012. Vol. 22. No. 9. P. 3194–3197.
8. Chouksey R., Malik S., Thakur A., Upadhyay N. Modeling of Baker triazine derivatives as DHFR inhibitors using quantum chemical descriptors // Int. J. Pharm. Sci. Res. 2015. Vol. 6. No. 5. Р. 2090–2096.
9. Ma S., Zhou S., Lin W., Zhang R., Wu W., Zheng K. Study of novel pyrazolo[3,4-d]pyrimidine derivatives as selective TgCDPK1 inhibitors: molecular docking, structure-based 3D-QSAR and molecular dynamics simulation // RSC Advances. 2016. Vol. 6. No. 103. P. 100772–100782.
10. Zahidi N. M., Vijjulatha M. 3D QSAR, molecular docking studies and virtual screening of Tg DHFR inhibitors // Int. J. Multidiscip. Res. Dev. 2017. Vol. 4. No. 7. P. 56–61.
11. Aouidatea A., Ghaleb A., Ghamali M., Chtita S., Choukrad M., Sbai A., Bouachrine M., Lakhlifi T. Combined 3D-QSAR and molecular docking study on 7,8-dialkyl-1,3-diaminopyrrolo-[3,2-f]Quinazoline series compounds to understand the binding mechanism of DHFR inhibitors // J. Mol. Struct. 2017. Vol. 1139. P. 319–327.
12. Martinez J. C. G., Andrada M. F., Vega-Hissi E. G., Garibotto F. M., Nogueras M. Dihydrofolate reductase inhibitors: a quantitative structure–activity relationship study using 2D-QSAR and 3D-QSAR methods // Med. Chem. Res. 2017. Vol. 26. No. 1. P. 247–261.
13. ChEMBL [Электронный ресурс] // URL : https://www.ebi.ac.uk/chembl.
14. Vazhev V. V. Prediction of olefin IR spectra reasoning from their mass spectra// Journal of Structural Chemistry. 2005. Vol. 46. № 2. P. 243–247.
15. Важев В. В., Губенко М. А., Важева Н. В. Моделирование и прогнозирование противотуберкулезной активности органических соединений // Первая Российская конференция по медицинской химии с международным участием (MedChem Russia-2013) : сб. тезисов. М., 2013. C. 32.
16. Важев В. В., Губенко М. А., Важева Н. В., Ергалиева Э. М., Самсонюк Е. А. Оценка токсичности органических соединений для Tetrahymena pyriformis методом QSAR // Вестник Карагандинского ун-та. Сер. «Химия». 2016. № 3. С. 39–44.
Скачать статью в PDF:
