Modelado de las Relaciones Cuantitativas Estructura-Actividad (QSAR) de los Derivados 5-(Nitroheteroaril) -1,3,4-tiadiazol con Actividad Leishmanicida

Abstract

ResumenEn este trabajo se analizaron las relaciones de estructura-actividad para un grupo de derivados del compuesto 5-(nitroheteroaril)-1,3,4-tiadiazol con actividad leishmanicida frente a Leishmania major. Los descriptores utilizados para construir los modelos de regresión fueron de naturaleza topológica y electrónica, derivados de la teoría del funcional de la densidad. Los modelos QSAR obtenidos presentaron buena calidad estadística (R 2 >0,6 y Q 2 >0,5), y se validaron mediante la técnica de validación cruzada dejando uno fuera. Los modelos se mejoraron utilizando la técnica jackknife. La validación externa de los modelos indicó buena capacidad predictiva. Por otra parte, los descriptores usados en los modelos indican que el aumento creciente del momento dipolar y el índice de hidrofobicidad disminuyen la actividad biológica. Además, el poder electrofílico aumenta la actividad de los derivados. El análisis de reactividad mostró que el grupo nitro presente en estos compuestos es la parte más reactiva de los derivados. Palabras clave: QSAR; leishmaniasis; poder electrófilo; hidrofobicidad; grupo nitro Modeling Quantitative Structure-Activity Relationship (QSAR) of Derivatives 5-(5-Nitroheteroaryl)-1,3,4-thiadiazols with Leishmanicidal Activity AbstractIn the present work a structure-activity relationship (QSAR) analysis for some derivatives of 5-(5-nitroheteroaryl)-1,3,4-thiadiazols with activity against protozoan Leishmania major; the main cause of leishmaniasis disease was performed. The set of descriptors used to build regression models were from electronic and topological nature, and derived from the density functional theory. QSAR models built enjoy a good statistical quality (R 2 > 0,6 and Q 2 > 0,5) and were validated by cross-validation technique. Moreover, parameters were improved by using the jackknife regression technique. External validation of models showed a good predictive quality. We found that descriptors from the models indicate the increasing of dipole moment and hydrophobicity index tends to worsen the biological activity. Also, electrophilic power improves the effectiveness of 5-(5-nitroheteroaryl)-1,3,4-thiadiazols.The analysis showed that the reactivity nitro group present in these compounds is the most reactive derivative of such part.

Bioactivity of gallic acid–conjugated silica nanoparticles against Paenibacillus larvae and their host, Apis mellifera honeybee

“…This kind of analysis is performed by computational calculation of chemical descriptors of physicochemical, constitutional, geometric, topological, or electronic type. The data obtained from these descriptors are then used to explain the biological activity of the molecules studied (Ensuncho et al 2017).…”

Estudio in Silico de la reactividad y propiedades fisicoquímicas de aductos de Epóxido de Eugenol y 2-Metoxi-4-alilideno-2,5-ciclohexadieno-1-ona con glutation en Candida albicans

“…Se considera al LogP como una medida de la hidrofobicidad de una molécula (Ensuncho et al, 2017); los resultados indican que los aductos estudiados presentan baja hidrofobicidad. Por lo tanto, se esperaría que dichos aductos no formen interacciones hidrofóbicas con lípidos.…”

Modelado de las Relaciones Cuantitativas Estructura-Actividad (QSAR) de Análogos del Tipifarnib con Actividad Antichagásica

“…En general M1 y M2 presentan buen poder de predicción interna debido a que los coeficientes de correlación de la validación cruzada dejando uno afuera (LOO-CV) son superiores a 0.5 (Guerra et al, 2016). Si bien los modelos M1 y M2 son estadísticamente aceptables, las ecuaciones QSAR pueden mejorarse y obtener una mayor calidad estadística, de tal forma que se implementó la técnica Jackknife, en la cual un compuesto es considerado como valor atípico (outlier), si el valor de R que se obtiene a partir del análisis de regresión después de eliminar dicho compuesto, es comparativamente más alto que otros valores de R 2 (Ensuncho et al, 2017).…”

“…El modelo QSAR obtenido, permite estimar la actividad de compuestos no ensayados experimentalmente, al igual que nuevos fármacos propuestos teóricamente. Estos modelos generados deben ser validados por diferentes métricas, siendo el objetivo principal de la validación emitir un juicio con un alto grado de confianza sobre los errores encontrados durante la predicción del conjunto de prueba dentro del dominio del modelo (López et al, 2014;Ensuncho et al, 2017).…”