Ukr.Biochem.J. 2021; Том 93, № 6, листопад-грудень, c. 101-118

doi: https://doi.org/10.15407/ubj93.06.101

Прогнозування pEC50(M) та молекулярний докінг у пошуку селективного інгібування арахідонат-5-ліпоксигенази

05.01.2022   Uncategorized   No comments

N. R. Das1, P. G. R. Achary2*

1Department of CSIT, Siksha ‘O’ Anusandhan deemed to be University, Bhubaneswar, Odisha, India;
2Department of Chemistry, Faculty of Engineering and Technology (ITER), Siksha ‘O’ Anusandhan deemed to be University, Bhubaneswar, Odisha, India;
*e-mail: pgrachary@soa.ac.in

Отримано: 28 квітня 2021; Затверджено: 12 листопада 2021

Арахідонат-5-ліпоксигеназа (ALOX5) вважається головною мішенню дії лікарських препаратів проти фіброзу печінки, ревматоїдного артриту, атеросклерозу, раку та астми. Наразі розробка препаратів для лікування цих захворювань, що інгібують активність ALOX5, не є достатньою. Тому актуальною задачею є винахід потужних та ефективних ALOX5-таргетних препаратів. Методи пошуку кількісних співвідношень структура-властивість (QSAR) та молекулярний докінг можуть відіграти важливу роль у скринінгу та створенні ліків. У цій роботі запропоновано 3D-QSAR моделі, побудовані з використанням множинної лінійної регресії (MLR) і методу часткових найменших квадратів (PLS) для вимірювання pEC50(M), на основі пакету даних 112 молекул. Також проаналізовано критерій Index of Ideality of Correlation (IIC) для створення оптимального дескриптора, представленого з використанням специфікації SMILES. Показано вплив кількості та природи дескрипторів на модель. Ці моделі можуть бути використані для розробки нових ALOX5-таргетних препаратів. Значне підвищення стабільності моделі спостерігалося за введення оптимального дескриптора. Розрахунки молекулярного докінгу показали, що рецептор ALOX5 добре інгібується 112 лігандами. Найменша енергія зв’язування становила -10,8 ккал/моль. Сполуки з найкращими показниками були повторно доковані за допомогою докінг-серверу DockThor. Показано, що ліганди з ідентифікаторами 18, 20, 24, 30 і 44 мають високий потенціал як інгібітори ALOX5.

Ключові слова: , , ,

Посилання:

  1. Rossi A, Pergola C, Koeberle A, Hoffmann M, Dehm F, Bramanti P, Cuzzocrea S, Werz O, Sautebin L. The 5-lipoxygenase inhibitor, zileuton, suppresses prostaglandin biosynthesis by inhibition of arachidonic acid release in macrophages. Br J Pharmacol. 2010;161(3):555-570. PubMed, PubMedCentral, CrossRef
  2. Ragno R. www.3d-qsar.com: a web portal that brings 3-D QSAR to all electronic devices-the Py-CoMFA web application as tool to build models from pre-aligned datasets. J Comput Aided Mol Des. 2019;33(9):855-864. PubMed, CrossRef
  3. Ha H, Park K, Kang G, Lee S. QSAR study using acute toxicity of Daphnia magna and Hyalella azteca through exposure to polycyclic aromatic hydrocarbons (PAHs). Ecotoxicology. 2019;28(3):333-342. PubMed, CrossRef
  4. Klüver N, Bittermann K, Escher BI. QSAR for baseline toxicity and classification of specific modes of action of ionizable organic chemicals in the zebrafish embryo toxicity test. Aquat Toxicol. 2019;207:110-119. PubMed, CrossRef
  5. Ma W, Wang Y, Chu D, Yan H. 4D-QSAR and MIA-QSAR study on the Bruton’s tyrosine kinase (Btk) inhibitors. J Mol Graph Model. 2019;92:357-362. PubMed, CrossRef
  6. Jacob B, Bisht LK, Chandy V. 3D QSAR Studies of 2,3-Disubstituted Quinazolin Phenyl Acetic Acid Derivatives as Antimicrobial Agents. Res Rev A J Pharm Sci. 2019;8(2):4-7.
  7. Patil R, Tambe S. Multi-dimensional QSAR Studies on Aurora-A kinase Inhibitors. Proc Int Conf Drug Discov (ICDD). 2020. Available at SSRN: https://ssrn.com/abstract=3533692.
  8. Gramatica P. Principles of QSAR Modeling: Comments and Suggestions From Personal Experience. Int J Quant Struct Relationships. 2020;5(3):61-97. CrossRef
  9. 9. Shanthakumar B, Kathiravan MK.  Insights into structures of imidazo oxazines as potent polyketide synthase XIII inhibitors using molecular modeling techniques. J Recept Signal Transduct Res. 2020;40(4):313-323. PubMed, CrossRef
  10. Galimberti F, Moretto A, Papa E. Application of chemometric methods and QSAR models to support pesticide risk assessment starting from ecotoxicological datasets. Water Res. 2020;174:115583. PubMed, CrossRef
  11. Liu S, Jin L, Yu H, Lv L, Chen CE, Ying GG. Understanding and predicting the diffusivity of organic chemicals for diffusive gradients in thin-films using a QSPR model. Sci Total Environ. 2020;706:135691. PubMed,  CrossRef
  12. Cañizares-Carmenate Y, Mena-Ulecia K, Perera-Sardiña Y, Torrens F, Castillo-Garit JA. An approach to identify new antihypertensive agents using Thermolysin as model: In silico study based on QSARINS and docking. Arab J Chem. 2019;12(8):4861-4877. CrossRef
  13. Ahamed TKS, Rajan VK ,Muraleedharan K. QSAR modeling of benzoquinone derivatives as 5-lipoxygenase inhibitors. Food Sci Human Wellness. 2019;8(1): 53-62. CrossRef
  14. Lončarić M, Strelec I, Pavić V, Šubarić D, Rastija V, Molnar M. Lipoxygenase Inhibition Activity of Coumarin Derivatives-QSAR and Molecular Docking Study. Pharmaceuticals (Basel). 2020;13(7):154. PubMed, PubMedCentral, CrossRef
  15. Amin SNM, Idris MHM, Selvaraj M, Jamari H, Kek TL. Virtual screening, ADME study, and molecular dynamic simulation of chalcone and flavone derivatives as 5-Lipoxygenase (5-LO) inhibitor. Mol Simul. 2020;46(6):487-496.  CrossRef
  16. Sogawa S, Nihro Y, Ueda H, Izumi A, Miki T, Matsumoto H, Satoh T. 3,4-Dihydroxychalcones as potent 5-lipoxygenase and cyclooxygenase inhibitors. J Med Chem. 1993;36(24):3904-3909. PubMed, CrossRef
  17. Das NR, Mishra SP, Achary PG. Evaluation of Molecular Structure based Descriptors for the Prediction of pEC50 (M) for the Selective Adenosine A2A Receptor. J Mol Struct. 2021;123:130080. CrossRef
  18. Gilson MK, Liu T, Baitaluk M, Nicola G, Hwang L, Chong J. BindingDB in 2015: A public database for medicinal chemistry, computational chemistry and systems pharmacology. Nucleic Acids Res. 2016;44(D1):D1045-D1053. PubMed, PubMedCentral, CrossRef
  19. Toropov AA, Toropova AP, Cappelli CI, Benfenati E. CORAL: Model for octanol/water partition coefficient. Fluid Phase Equilib. 2015;397:44-49.  CrossRef
  20. Toropova AP, Toropov AA. CORAL: QSAR models for carcinogenicity of organic compounds for male and female rats. Comput Biol Chem. 2018;72:26-32. PubMed, CrossRef
  21. Toropova AP, Toropov AA. CORAL software: prediction of carcinogenicity of drugs by means of the Monte Carlo method. Eur J Pharm Sci. 2014;52:21-25. PubMed, CrossRef
  22. Gramatica P, Chirico N, Papa E, Cassani S, Kovarich S. QSARINS: A new software for the development, analysis, and validation of QSAR MLR models. J Comput Chem. 2013;34(24):2121-2132. CrossRef
  23. Achary PGR. Simplified molecular input line entry system-based optimal descriptors: QSAR modelling for voltage-gated potassium channel subunit Kv7.2. SAR QSAR Environ Res. 2014;25(1):73-90. PubMed, CrossRef
  24. Toropova AP, Toropov AA, Veselinović JB, Miljković FN, Veselinović AM. QSAR models for HEPT derivates as NNRTI inhibitors based on Monte Carlo method. Eur J Med Chem. 2014;77:298-305. PubMed, CrossRef
  25. Toropov AA, Achary PGR, Toropova AP. Quasi-SMILES and nano-QFPR: The predictive model for zeta potentials of metal oxide nanoparticles. Chem Phys Lett. 2016;660:107-110.  CrossRef
  26. Ojha PK, Mitra I, Das RN, Roy K. Further exploring rm2 metrics for validation of QSPR models. Chemom Intell Lab Syst. 2011;107(1):194-205. CrossRef
  27. Toropov AA, Toropova AP. Application of the Monte Carlo method for building up models for octanol-water partition coefficient of platinum complexes. Chem Phys Lett. 2018;701:137-146. CrossRef
  28. Toropova AP, Toropov AA. Use of the index of ideality of correlation to improve models of eco-toxicity. Environ Sci Pollut Res Int. 2018;25(31):31771-31775. PubMed, CrossRef
  29. Toropova AP, Toropov AA. The index of ideality of correlation: A criterion of predictability of QSAR models for skin permeability? Sci Total Environ. 2017;586:466-472. PubMed, CrossRef
  30.  Toropov AA, Carbó-Dorca R, Toropova AP. Index of Ideality of Correlation: new possibilities to validate QSAR: a case study. Struct Chem. 2018;29(1):33-38. CrossRef
  31. Toropov AA, Toropova AP. The index of ideality of correlation: A criterion of predictive potential of QSPR/QSAR models? Mutat Res Genet Toxicol Environ Mutagen. 2017;819:31-37. PubMed, CrossRef
  32. Toropova AP, Toropov AA. Hybrid optimal descriptors as a tool to predict skin sensitization in accordance to OECD principles. Toxicol Lett. 2017;275:57-66. PubMed, CrossRef
  33. Lin LI. A concordance correlation coefficient to evaluate reproducibility. Biometrics. 1989;45(1):255-268. PubMed, CrossRef
  34. Achary PGR, Toropova AP, Toropov AA. Combinations of graph invariants and attributes of simplified molecular input-line entry system (SMILES) to build up models for sweetness. Food Res Int. 2019;122:40-46. PubMed, CrossRef
  35. Begum S, Achary PGR. Simplified molecular input line entry system-based: QSAR modelling for MAP kinase-interacting protein kinase (MNK1). SAR QSAR Environ Res. 2015;26(5):343-361. PubMed,  CrossRef
  36. Achary PGR. QSPR modelling of dielectric constants of π-conjugated organic compounds by means of the CORAL software. SAR QSAR Environ Res. 2014;25(6):507-526. PubMed, CrossRef
  37. Golbraikh A, Tropsha A. Beware of q2! J Mol Graph Model. 2002;20(4):269-276. PubMed, CrossRef
  38.  Trott O, Olson AJ. AutoDock Vina: improving the speed and accuracy of docking with a new scoring function, efficient optimization, and multithreading. J Comput Chem. 2010;31(2):455-461. PubMed, PubMedCentral, CrossRef
Creative CommonsThis work is licensed under a Creative Commons Attribution 4.0 International License.