مطالعات QSAR، داکینگ مولکولی و شبیه سازی دینامیک مولکولی روی بازدارنده های اپیژنی
محورهای موضوعی : کاربرد شیمی در محیط زیست
قاسم قاسمی
1
(دپارتمان شیمی و مهندسی شیمی، شاخه رشت، دانشگاه آزاد اسلامی، رشت، ایران)
بابک مطهری
2
(دپارتمان مهندسی کامپیوتر شاخه رشت دانشگاه ازاد اسلامی رشت ایران)
ربابه صیادی کردآبادی
3
(دپارتمان شیمی و مهندسی شیمی شاخه رشت دانشگاه ازاد اسلامی رشت ایران)
امید علیزاده
4
(دپارتمان شیمی و مهندسی شیمی شاخه رشت دانشگاه ازاد اسلامی رشت ایران)
کلید واژه: شبیه سازی دینامیک مولکولی, الگوریتم رقابت استعماری, داکینگ مولکولی, QSAR پروتین های کروماتین اصلاح شده,
چکیده مقاله :
توسعه QSAR و داکینگ مولکولی کلید ارزیابی پاتومکانیسم بیماری های اپی ژنی هستند. QSAR، داکینگ مولکولی و شبیه سازی دینامیک مولکولی روی تعدادی از مدولاتور اصلاح شده کروماتین پروتیینی به عنوان عوامل ضد سرطان انجام شده است. الگوریتم رقابت استعماری، PLS، PCR، MLR و شبیه سازی مونته کارلو در مدل های QSAR استفاده شده است. توصیف کننده های انتخاب شده شامل جرم اتمی ،حجم واندروالس ، شکل و ساختار ژیومتری ترکیبات بودند.سپس بررسی های داکینک مولکولی با برنامه اتوداک وینا با دقت بالا انجام شد. بر اساس تعداد پیوند هیدروژنی، طول پیوند، افینیتی و RMSD بهترین کمپلکس ها انتخاب شدند. بر اساس مطالعات QSAR ,داکینگ مولکولی و شبیه سازی دینامیک مولکولی ترکیبات 9 و 14 برای داروهای ضد سرطان پیشنهد می شوند. توصیف کننده های Drug-likeness از ترکیبات با برنامه DruLiTo محاسبه شدند. در مطالعات داکینگ بالاترین افینیتی 9 کیلوکالری بر مول بود که بین سیستم آنزیمی PDB: 3MXF و مولکول های بهینه شده بوده که نشان از برهمکنش قوی دارد.
Development of QSAR and molecular docking is a key to the elucidation of pathomechanisms of epigenetic diseases. Quantitative structure- activity relationship (QSAR), Molecular docking and molecular dynamics simulation were carried out for some modulators of modified chromatin proteins as anticancer agents. The Imperialist Competitive Algorithm (ICA), partial least squares (PLS), Principle component regression(PCR), Coralsea,and Multiple Linear Regression (MLR) were used to achieve the QSAR models. Suitable descriptors were selected which includes features such as atomic mass, Van der waals volume, shape and geometrical structure of compounds. Then, molecular docking studies were performed using Autodock Vina software which had a high throughput accuracy. Based on features such as number of hydrogen bonds, bonding length, binding affinity, and also root-mean-square deviation (RMSD), the best complex were selected. In general, QSAR, molecular docking and molecular dynamics simulation illustrated that compounds 9 and 14 were selected as suitable agents for the design of anticancer drugs. Drug-likeness descriptors of compounds calculated by DruLiTo. In the molecular docking study, the maximum binding affinity of -9 kcal/mol was obtained between each of enzyme systems (PDB: 3MXF) and the geometric-optimized molecules, representing a strong interaction.
_||_