Monte Carlo and Multiple Linear Regression (MLR) and Imperialist Competitive Algorithm (ICA) were used to select the most appropriate descriptors. Examining the quality of the model by comparing the mean squared error (MSE) and correlation coefficient (R2), indicated that 140 is the most appropriate number of empires for the gas phase . In the Monte Carlo method, CORAL software was used and the data were randomly divided into training, calibration, and test subsets in three splits. The correlation coefficient (R2), cross-validated correlation coefficient (Q2) and standard error of the model were calculated to be respectively 0.9301, 0.7377, and 0.595 for the test set with an optimum threshold of 4. It was concluded that simultaneous utilization of MLR-ICA and Monte Carlo method can lead to a more comprehensive understanding of the relation between physico-chemical, structural or theoretical molecular descriptors of drugs to their biological activities and facilitate designing of new drugs. پرونده مقاله

In this manuscript; Molecular dynamics simulation was tested on COVID -19 main protease (PDB: 6LU7) with the docking studies have been employed using autodock-vina-1.1.2-4 and autodock- mgltools-1.5.6 (flex) programs to evaluate the interactions. HIV-1 Protease is a prerequisite for viral replication. In this manuscript; Molecular dynamics simulation was tested on COVID -19 main protease (PDB: 6LU7) with the docking studies have been employed using autodock-vina-1.1.2-4 and autodock- mgltools-1.5.6 (flex) programs to evaluate the interactions. Regular and Flexible docking approaches were run. Molecular dynamics simulation was tested on COVID -19 main protease (PDB: 6LU7) with molecule 7. Drug-likeness descriptors of compounds such as logP (partition coefficient), H-Bond Acceptor (HBA), H-Bond Donor (HBD), number of Rotable Bond (nRB), and nHB calculated by DruLiTo. In the molecular docking study, the maximum binding affinity of -5.9 kcal/mol was obtained between each of COVID -19 main protease (PDB: 6LU7) enzyme systems and the geometric-optimized molecules, representing a strong interaction. The reference molecule PRD_002214 of Mpro forms four hydrogen bonds with Glu 166, Phe 140, Gln 189, His 163, and some hydrophobic bonds. In this study, molecules 7 (Amprenavir) and 15 were presented as the most stable ones that may be introduced for further investigations, including clinical experiments. پرونده مقاله

هدف: عامل سل، مایکوباکتریوم توبرکلوزیس است. یک‌سری از ترکیبات جدید هتروسیکل شامل نیتروژن اکسید، به عنوان بازدارنده‌های مایکوباکتریوم توبرکلوزیس گزارش شده‌اند. در این راستا، هدف پژوهش حاضر مطالعه QSAR، داکینگ و شبیه‌سازی دینامیک مولکولی تعدادی از ترکیبات هتروسیکل شامل نیتروژن اکسید به عنوان عامل‌های ضد سل جدید است.مواد و روش‌ها: الگوریتم رقابت استعماری، PLS، PCR، LASSO و شبیه‌سازی مونته کارلو در محاسبات QSAR انجام گردید. همچنین محاسبات داکینگ و شبیه‌سازی دینامیک مولکولی میتوباکتریوم توبرکلوزیس با کد 4XGQ انجام شده است.یافته‌ها: جرم‌های‌ اتمی، الکترونگانیویتی اتمی ساندرسون، شاخص Ghose–Viswanadhan-Wendoloski hyptonic-like و شاخص Ghose–Viswanadhan-Wendoloski antiinfective-like در این بررسی مهم بودند. در برنامه کورال سی، از فایل اسمایل استفاده شد. RMSE برای آموزش و تست در الگوریتم رقابت استعماری، به ترتیب 1395/0 و 2970/0 بودند. در روش مونته کارلو نتایج برای سری آموزش به‌صورت 7n=، 9931/0R²=، 9857/0 Q²=و 039/0 MAE=و برای سری تست به‌صورت 6n=، 9413/0R²=، 9107/0Q²=و 367/0 MAE=بدست آمد.نتیجه‌گیری: مولکول‌های 10 و 11 ترکیبات پایداری هستند که برای بررسی‌های بیشتر از جمله مطالعات آزمایشگاهی کلینیکی پیشنهاد می‌شوند. پرونده 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. پرونده مقاله