ارتباط کمی ساختار-فعالیت بر روی یک سری از مشتقات ایمیدازو [1 و 2-a ] پیریدین کربوکسامید به عنوان عوامل ضد سل
محورهای موضوعی : سایر
محسن نکوئی نیا
1
,
سعید یوسفی نژاد
2
1 - گروه شیمی، دانشگاه پیام نور، تهران، ایران
2 - مرکز تحقیقات علوم بهداشتی، پژوهشکده سلامت، دانشگاه علوم پزشکی شیراز، شیراز، ایران
کلید واژه: مشتقات ایمیدازول [1 و2 -a] پیریدین, شبکه عصبی مصنوعی, ارتباط کمی ساختار-فعالیت, ضد سل,
چکیده مقاله :
مقاومت بیماری سل به دارو همچنان یکی از مهمترین چالش های پیش رو در درمان این بیماری عفونی است و بنابراین کشف و توسعه داروهای جدید موثر ضد سل همواره مورد توجه محققان است. در این مطالعه، تحلیل ارتباط کمی ساختار-فعالیت (QSAR) بر روی یک سری از مشتقات ایمیدازول[1 و2- a] پیریدین کربوکسامید به عنوان عوامل ضد سل اعمال شد. فعالیت بیولوژیکی 18 ترکیب با روش های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی برآورد شد. چهار توصیف کننده مولکولی (nCl، MATS8m، BELe4 وGATS8e) با استفاده از رگرسیون خطی چندگانه گام به گام انتخاب شدند. بهترین نتایج شبکه عصبی مصنوعی با الگوی 5-5-1 آموزش داده شده با الگوریتم پس انتشار رو به جلو به دست آمد. یک مجموعه آزمون حاوی 5 ترکیب برای ارزیابی توانایی پیش‌بینی مدل استفاده شد. نتایج نشان داد که رویکرد شبکه عصبی مصنوعی در مقایسه با رگرسیون خطی چندگانه قدرت پیش بینی بهتری را ارائه می دهد. بر اساس نتایج این مطالعه، الکترونگاتیوی، جرم اتمی و هندسه مولکولی عوامل مهم کنترل کننده فعالیت ضد سل هستند.
Tuberculosis drug resistance is still one of the most important challenges in the treatment of this infectious disease, and therefore the discovery and development of new effective anti-tuberculosis drugs are always of interest to researchers. In this study, Quantitative structure – activity relationship (QSAR) analysis was applied on a series of imidazole[1,2-a] pyridinecarboxamide derivatives as anti-tuberculosis agents. The biological activity of the 18 derivatives were estimated by multiple linear regression and artificial neural network approaches. The four molecular descriptors (nCl, MATS8m, BELe4 and GATS8e) were selected by using stepwise multiple linear regression. The best results of artificial neural network were obtained with a 5-5-1 architecture trained with the feed forward backpropagation algorithm. An external test set containing 5 compounds for evaluating the model's predictive ability was used. The results showed that the artificial neural network approach provides better predictive power compared with multiple linear regression. According to the results of this study, electronegativity, atomic masses and molecular geometry have been found to be important factors controlling the anti-tuberculosis activity.
1. P.T V. Nguyen. T. Van Dat. S. Mizukami. D.L. H. Nguyen. F. Mosaddeque. S.N. Kim. D.H.B. Nguyen. O.T. Đinh. T.L.Vo. G.L.T. Nguyen. C. Quoc Duong. S. Mizuta. D.N.H. Tam. M.P. Truong. N. T. Huy, K. Hirayama, Malar. J. 20, 264 (2021).
2. E. Yuanita. Sudirman. N.K.T. Dharmayani. M. Ulfa, J. Syahri, J. Clin. Tuberc. Other Mycobact. Dis. 21, 100203 (2020).
3.R.C. Khunt. V.M. Khedkar. R.S. Chawda. N.A. Chauhan. A.R. Parikh, E.C. Coutinho, Bioorganic Med. Chem. Lett. 22, 666 (2012).
4. A. Nayyar. A. Malde. R. Jain, E. Coutinho, Bioorg. Med. Chem., 14, 847 (2006).
5. L. Friggeri. F. Ballante. R. Ragno. I. Musmuca. D. De Vita. F. Manetti. M. Biava. L. Scipione. R. Di Santo. R. Costi. M. Feroci, S. Tortorella, J. Chem. Inf. Model. 53, 1463 (2013).
6.M. N. Gomes. R.C. Braga. E.M. Grzelak. B. J. Neves. E. Muratov. R. Ma. L. L. Klein. S. Cho. G. R. Oliveira. S. G. Franzblau, C.H. Andrade, Eur. J. Med. Chem., 137, 126 (2017).
7. O.K. Onajole. S. Lun. Y.J. Yun. D.Y. Langue. M. Jaskula-Dybka. A. Flores. E. Frazier. A.C. Scurry. A. Zavala. K. R. Arreola. B. Pierzchalski. A. J.-L. Ayitou, W. R. Bishai, Chem. Biol. Drug Des, 96, 1362 (2020).
8. R.N. Forthofer. E.S. Lee, M. Hernandez, Biostatistics: A Guide to Design, Analysis and Discovery, Elsevier Science 2006.
9. X. Wang. X. Meng. F. Li. J. Ding. C. Ji, H. Wu, Chemosphere, 226, 159 (2019).
10. R.V.C. Guido. G.H.G. Trossini. M.S. Castilho. G. Oliva. E. I. Ferreira, A.D. Andricopulo, J. Enzyme. Inhib. Med. Chem. 23, 964 (2008).
11. M.H. Fatemi, Z.G. Chahi, SAR and QSAR in Environmental Research 23, 155 (2012).