Orientador: Márcia Miguel Castro Ferreira

Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Química

Resumo: LQTA-QSAR é uma metodologia computacional para QSAR-4D desenvolvida pelo Laboratório de Quimiometria Teórica e Aplicada implementada em um software de acesso livre. O método permite considerar simultaneamente as vantagens da representação molecular multiconformacional e os descritores de...

Resumo: LQTA-QSAR é uma metodologia computacional para QSAR-4D desenvolvida pelo Laboratório de Quimiometria Teórica e Aplicada implementada em um software de acesso livre. O método permite considerar simultaneamente as vantagens da representação molecular multiconformacional e os descritores de campos de interação. Esta tese apresenta a evolução da proposta inicial da metodologia LQTA-QSAR independente de receptores para uma abordagem dependente de receptores. Sua aplicação é demonstrada na construção de modelos de QSAR-4D para a previsão da atividade inibitória de compostos fenotiazínicos da enzima tripanotiona redutase. Foi obtido um modelo com bom poder de previsão (Qprev = 0,78) e com descritores de fácil interpretação. Tal modelo pode ser usado para a proposição de compostos que poderão vir a ser usados para o tratamento da doença de chagas. Para a filtragem e seleção de descritores foi necessário o desenvolvimento de um protocolo completamente distinto daquele disponível na literatura. Foi proposto um procedimento automatizado para identificar e eliminar descritores irrelevantes quando a correlação e um algoritmo que elimina descritores com distribuição díspar em relação à atividade biológica. Foram introduzidos também testes de validação de modelos QSAR nunca antes usados para modelos que utilizam descritores de campo de interação. O protocolo completo foi testado em três conjuntos de dados e os modelos obtidos tiveram capacidade de previsão superior aos da literatura. Os modelos mostraram ser bastante simples e robustos quando submetidos aos testes leave-N-out e y-randomization

Abstract: The New Receptor-Dependent LQTA-QSAR approach is proposed as a new 4D-QSAR method. The RD-LQTA-QSAR is an evolution to the receptor independent LQTA-QSAR. This approach make use of the simulation package GROMACS to carry out molecular dynamics simulations and generate a conformational...

Abstract: The New Receptor-Dependent LQTA-QSAR approach is proposed as a new 4D-QSAR method. The RD-LQTA-QSAR is an evolution to the receptor independent LQTA-QSAR. This approach make use of the simulation package GROMACS to carry out molecular dynamics simulations and generate a conformational ensemble profile for each compound. Such ensemble is used to build molecular interaction field based QSAR models, as in CoMFA. To verify the usefulness of the methodology it was chosen some phenothiazine derivatives that are specific competitive T. cruzi trypanothione reductase inhibitors. Using a combination of molecular docking and molecular dynamics simulations the binding mode of 38 phenotiazine derivatives was evaluated in a simulated induced fit approach. The ligands¿ alignment, necessary to the methodology, was performed using both ligand and binding site atoms hereafter enabling unbiased alignment. The obtained models were extensively validated by Leave-N-out cross-validation and y-randomization techniques to test robustness and absence of chance correlation. The final model presented Q LOO of 0.87 and R of 0.92 and suitable external prediction = 0.78. It is possible to use the obtained adapted binding site of to perform virtual screening and ligand structures based design, as well as using models descriptors to design new inhibitors. In the process of QSAR modeling, the relevance of correlation and distribution profiles were tested in order to improve prediction power. A set of tools to filter descriptors prior to variable selection and a protocol for molecular interaction field descriptors selection and models validation are proposed. The algorithms and protocols presents are quite simple to apply and enable a different and powerful way to build LQTA-QSAR models