Огляд найбільш поширених обчислювальних методів вивчення зв’язків між структурою молекул та їх біологічною дією
DOI :
https://doi.org/10.15587/2313-8416.2015.51463Mots-clés :
QSAR, розробка ліків, молекулярне моделювання, методи QSAR, математичні моделі, методи вибору змінних, машинне навчанняRésumé
Ціль. Систематизувати найбільш поширені методи дослідження зв’язків «молекулярна структура-біологічна активність» (QSAR) та розкрити їх принципи реалізації, сильні та слабкі сторони.
Методи. Проводився огляд сучасної наукової літератури, присвяченої QSAR-моделюванню. Найбільш часто використовувані методи розробки моделей «структура-активність» вибирались для подальшого опису.
Результати. Визначено місце аналізу зв’язків «молекулярна структура-активність» серед комп’ютерних методів розробки нових лікарських засобів та описано найбільш поширені алгоритми побудови QSAR моделей із акцентуванням на механізмі їх роботи. У останній час все більшої і більшої популярності набувають підходи, що базуються на використанні ансамблів моделей, прикладом яких є Random Forest.
Висновки. Прогрес у розвитку методів машинного навчання для побудови моделей «структура-активність» є запорукою подальшого розвитку напрямку QSAR та знаходження нових біологічно активних речовин із його допомогою
Références
Dudek, A., Arodz, T., Galvez, J. (2006). Computational Methods in Developing Quantitative Structure-Activity Relationships (QSAR): A Review. Combinatorial Chemistry & High Throughput Screening, 9 (3), 213–228. doi: 10.2174/138620706776055539
Arakawa, M., Hasegawa, K., Funatsu, K. (2007). The Recent Trend in QSAR Modeling – Variable Selection and 3D-QSAR Methods. Current Computer Aided-Drug Design, 3 (4), 254–262. doi: 10.2174/1573409077827994177
Tropsha, A., Golbraikh, A. (2007). Predictive QSAR Modeling Workflow, Model Applicability Domains, and Virtual Screening. Current Pharmaceutical Design, 13 (34), 3494–3504. doi: 10.2174/138161207782794257
Cherkasov, A., Muratov, E. N., Fourches, D., Varnek, A., Baskin, I. I., Cronin, M. et. al (2014). QSAR Modeling: Where Have You Been? Where Are You Going To? Journal of Medicinal Chemistry, 57 (12), 4977–5010. doi: 10.1021/jm4004285
Devinyak, O. T., Slivka, M. V., Slivka, M. V., Vais, V. M., Lendel, V. G. (2011). Quantitative structure-activity relationship study and directed synthesis of Thieno[2,3-d]pyrimidine-2,4-diones as monocarboxylate transporter 1 inhibitors. Medicinal Chemistry Research, 21 (9), 2263–2272. doi: 10.1007/s00044-011-9748-4
Devinyak, O. T., Havrylyuk, D.Y., Zimenkovsky, B. S., Lesyk, R. B. (2011). QSAR analiz 2(4)-tiazolidynoniv iz pirazolinovym frahmentom v molekulakh, shcho proiavliaiut protypukhlynnu aktyvnist shchodo klityn nedribnoklitynnoho raku lehen in vitro [QSAR Study of 2(4)-Thiazolidinones with Pyrazoline Scaffold Possesing Antitumor Activity in vitro on Nonsmall Cell Lung Cancer Cells]. Clinical Pharmacy, Pharmacotherapy and Medical Standardization, 3-4, 163–168.
Li, Y.-W., Li, B., He, J., Qian, P. (2011). Structure-activity relationship study of antioxidative peptides by QSAR modeling: the amino acid next to C-terminus affects the activity. Journal of Peptide Science, 17 (6), 454–462. doi: 10.1002/psc.1345
Mazanetz, M. P., Ichihara, O., Law, R. J., Whittaker, M. (2011). Prediction of cyclin-dependent kinase 2 inhibitor potency using the fragment molecular orbital method. Journal of Cheminformatics, 3 (1), 2. doi: 10.1186/1758-2946-3-2
Suenderhauf, C., Hammann, F., Maunz, A., Helma, C., Huwyler, J. (2011). Combinatorial QSAR Modeling of Human Intestinal Absorption. Molecular Pharmaceutics, 8 (1), 213–224. doi: 10.1021/mp100279d
Sun, H. (2005). A Naive Bayes Classifier for Prediction of Multidrug Resistance Reversal Activity on the Basis of Atom Typing. Journal of Medicinal Chemistry, 48 (12), 4031–4039. doi: 10.1021/jm050180t
Prathipati, P., Ma, N. L., Keller, T. H. (2008). Global Bayesian Models for the Prioritization of Antitubercular Agents. Journal of Chemical Information and Modeling, 48 (12), 2362–2370. doi: 10.1021/ci800143n
Lv, W., Xue, Y. (2010). Prediction of acetylcholinesterase inhibitors and characterization of correlative molecular descriptors by machine learning methods. European Journal of Medicinal Chemistry, 45 (3), 1167–1172. doi: 10.1016/j.ejmech.2009.12.038
Yang, X.-G., Chen, D., Wang, M., Xue, Y., Chen, Y.-Z. (2009). Prediction of antibacterial compounds by machine learning approaches. Journal of Computational Chemistry, 30 (8), 1202–1211. doi: 10.1002/jcc.21148
Boiani, M., Cerecetto, H., González, M., Gasteiger, J. (2008). Modeling anti- Trypanosoma cruzi Activity of N -Oxide Containing Heterocycles. Journal of Chemical Information and Modeling, 48 (1), 213–219. doi: 10.1021/ci7002768
Saghaie, L., Shahlaei, M., Madadkar-Sobhani, A., Fassihi, A. (2010). Application of partial least squares and radial basis function neural networks in multivariate imaging analysis-quantitative structure activity relationship: Study of cyclin dependent kinase 4 inhibitors. Journal of Molecular Graphics and Modelling, 29 (4), 518–528. doi: 10.1016/j.jmgm.2010.10.001
Chen, H.-F. (2009). In Silico Log P Prediction for a Large Data Set with Support Vector Machines, Radial Basis Neural Networks and Multiple Linear Regression. Chemical Biology & Drug Design, 74 (2), 142–147. doi: 10.1111/j.1747-0285.2009.00840.x
Lü, W. J., Chen, Y. L., Ma, W. P., Zhang, X. Y., Luan, F., Liu, M. C., Chen, X. G., Hu, Z. D. (2008). QSAR study of neuraminidase inhibitors based on heuristic method and radial basis function network. European Journal of Medicinal Chemistry, 43 (3), 569–576. doi: 10.1016/j.ejmech.2007.04.011
Stempler, S., Levy-Sakin, M., Frydman-Marom, A., Amir, Y., Scherzer-Attali, R., Buzhansky, L., Gazit, E., Senderowitz, H. (2010). Quantitative structure–activity relationship analysis of β-amyloid aggregation inhibitors. Journal of Computer-Aided Molecular Design, 25 (2), 135–144. doi: 10.1007/s10822-010-9405-x
Schattel, V., Hinselmann, G., Jahn, A., Zell, A., Laufer, S. (2011). Modeling and Benchmark Data Set for the Inhibition of c-Jun N-terminal Kinase-3. J. Journal of Chemical Information and Modeling, 51 (3), 670–679. doi: 10.1021/ci100410h
Zimenkovsky, B. S., Devinyak, О. Т., Lesyk, R. B. (2012). Vyvchennia vzaiemozviazku «struktura–protypukhlynna aktyvnist» pokhidnykh 4-tiazolidynoniv metodamy rehresiinoho analizu ta klasyfikatsiinoho modeliuvannia [QSAR study of 4-thiazolidinones as anticancer agents using regression analysis and classification modeling]. Journal of organic and pharmaceutical chemistry, 10/2 (38), 43–49.
Bruce, C. L., Melville, J. L., Pickett, S. D., Hirst, J. D. (2007). Contemporary QSAR Classifiers Compared. Journal of Chemical Information and Modeling, 47 (1), 219–227. doi: 10.1021/ci600332j
Téléchargements
Publié-e
Numéro
Rubrique
Licence
(c) Tous droits réservés Олег Теодозійович Девіняк 2015
Cette œuvre est sous licence Creative Commons Attribution 4.0 International.
Our journal abides by the Creative Commons CC BY copyright rights and permissions for open access journals.
Authors, who are published in this journal, agree to the following conditions:
1. The authors reserve the right to authorship of the work and pass the first publication right of this work to the journal under the terms of a Creative Commons CC BY, which allows others to freely distribute the published research with the obligatory reference to the authors of the original work and the first publication of the work in this journal.
2. The authors have the right to conclude separate supplement agreements that relate to non-exclusive work distribution in the form in which it has been published by the journal (for example, to upload the work to the online storage of the journal or publish it as part of a monograph), provided that the reference to the first publication of the work in this journal is included.
