Nedf.com.ar

Tamizado virtual Aplicado a la búsqueda racional de nuevos fármacos y segundos usos médicos
Trabajo práctico:
1.- Dibuje las estructuras de los siguientes compuestos químicos en ChemDraw: aceclofenac, paracetamol, acetaminosalol, alminoprofeno, aspirina, bermoprofeno, codeína, etodolac, indometacina, ácido flufenámico, ácido abiético, abikoviromicina, acadesina, acecarbromal, acenocumarol, acequinocilo, acetamidoeugenol, acetofenacina, acetoxipregnenolona, celecoxib, etoricoxib, felibinac, fenbufeno, ibuprofeno, bufexamac, diclofenac, ácido enfenámico, indoprofeno, salacetamida, ketoprofeno. Guárdelos en el formato .mol. 2.- Abra los archivos generados en el punto 1 con HyperChem. En el menú desplegable Build, construya un modelo provisorio de cada molécula, con hidrógenos explícitos, utilizando la opción Add Hydrogens and Model Build. Grabe los archivos en formato .hin. 3.- Elija una estructura cualquiera de entre las generadas en el punto 2. Seleccione un ángulo de
torsión de la estructura que incluya enlaces con libre rotación. A tal fin elija la herramienta Select
en la barra de herramientas, y mantenga presionada la tecla Ctrl mientras con el mouse selecciona
los cuatro átomos consecutivos que definen el ángulo de torsión. Alternativamente, puede
presionar el botón izquierdo del mouse sobre el primero de los átomos y arrastrarlo, sin dejar de
apretar el botón derecho, hasta el último. Una vez seleccionado el ángulo, en el menú Select
seleccione Name selection y asígnele un nombre al ángulo de torsión. Repita el proceso para todos
los ángulos de torsión. Observe que las opciones Atoms y Multiple Selections deberían aparecer
tildadas en el menú Select.
4.- En el menú Setup elija, dentro de los métodos semiempíricos, el método PM3. Luego
seleccione, en el menú Compute, el módulo Conformational Search. Este programa realiza un
análisis conformacional estocástico. En el menú Options elija todos los ángulos de torsión que
haya seleccionado en el punto 3 (use la opción Set Bond Torsion). Con la opción Define
Rings seleccione los anillos que encuentre en la estructura con la que está trabajando. En la
opción Setup Ranges elija variar hasta 8 ángulos de torsión simultáneamente. En la
opción Optimization Options elija un RMS Gradient de 0.01 kcal/Å mol y seleccione actualizar la
pantalla cada 1 ciclo (esto último le permitirá visualizar mejor qué hace la búsqueda
conformacional estocástica que está a punto de realizar). En Search Method, seleccione elegir la
conformación inicial por Random Walk. Por último, en Limits, limite la búsqueda conformacional a
sólo 100 optimizaciones. Adelante! Comience su búsqueda en el menú Run. Observe cómo va
evolucionando la conformación de su molécula.
Pregunta: ¿Considera usted que los resultados de esta búsqueda conformacional son
reproducibles? Acabada la búsqueda… ¿le parece que podríamos decir que la búsqueda ha
alcanzado la convergencia? Si no es así… ¿qué propondría para alcanzarla?
5.- Terminada la búsqueda, seleccione el confórmero de menor energía de la tabla y luego, en el menú Edit, ingrese Put molecule. Grabe el confórmero con un nombre distinto al que tenía el archivo original, en formato .hin. 6.- Ejecute el programa Dragon. En la opción calcúlate descriptors, elija Load Molecule y cargue los
dos confórmeros que ha generado para la molécula optimizada en el punto 5 (el del Model Build y
el confórmero de menor energía de la búsqueda conformacional). Calcule los más de 1600
descriptores que permite esta versión del Dragon. Ya está! En unos pocos picosegundos usted ha
calculado los valores de 1600 descriptores para dos estructuras. ¿Se entiende por qué el tamizado
virtual puede ser una herramienta de búsqueda muy eficiente? Sigamos. Vaya a View descriptors
para visualizar los valores de los descriptores para los dos confórmeros… Elija un subgrupo de
descriptores conformación-dependientes y compare los valores calculados para los dos
confórmeros (por ejemplo: los descriptores geométricos). ¿Qué observa? Haga lo mismo para un
subconjunto de descriptores conformación-independientes (por ejemplo, los descriptores
constitucionales). ¿Y ahora? ¿Entiende por qué los descriptores independientes de la
conformación insumen menor tiempo computacional, y por otro lado dan resultados
absolutamente reproducibles?
7.- Con el objeto de generar un conjunto de entrenamiento para calibrar una función
discriminante destinada a identificar inhibidores de la síntesis de prostaglandinas en una campaña
de tamizado virtual, seleccione, a partir del conjunto de estructuras guardadas en el punto 2, 10
moléculas ACTIVAS y 10 INACTIVAS. Supongo que en algunos casos al menos deberá hacer una
breve búsqueda en la web. Si Usted quisiera estar más seguro de que los compuestos elegidos
para la categoría activa comparten mecanismo de acción y modo de unión, ¿qué haría? Si el
docente eligió bien este pequeño dataset, deberían quedarle 10 estructuras ACTIVAS remanentes.
Renombre todas las estructuras iniciando el nombre con algún número o letra que le sirva para
identificar la categoría rápidamente. Mueva las estructuras sobrantes a la carpeta Base. Tendrá
una biblioteca de 1000 estructuras digitales, y en otra carpeta su conjunto de entrenamiento.
Calcule los descriptores independientes de la conformación (0D-2D) en el Dragon, para el training
set y su biblioteca de estructuras. Observe que dispone de una opción para excluir los descriptores
3D automáticamente.
8.- Grabe los descriptores calculados para cada grupo (Training set y Base) como archivo de texto,
excluyendo las variables constantes y casi constantes (¿Por qué?). Guarde los descriptores en
archivos separados por subgrupo de descriptores.
9.- Tome –al azar– dos o tres subgrupos de los descriptores calculados para el conjunto de entrenamiento, y fusiónelos en un único archivo de Excel. Busque que no le queden más de 200 descriptores por combinación de subgrupos. Agregue a la planilla resultante una columna (Categoría) en la que se asigne a todos los activos un 1 y a todos los inactivos un -1. 10.- Abra el archivo generado en el punto anterior con el programa Statistica. En el menú desplegable Statistics ejecute la regresión múltiple. Elija como variable dependiente Categoría y como variables independientes todas las demás. En la solapa Advanced tilde Advanced options. Dé Ok. En la solapa Advanced de las opciones que aparecen, elija como método el Forward Stepwise
y como tolerancia 0.5. ¿Para qué hace esto último? En la solapa Stepwise elija un número de
pasos adecuado para prevenir la sobreparametrización. Dé ok. Aparecerá un modelo de regresión
que indica los descriptores incluidos en el modelo, sus coeficientes de regresión asociados y si los
mismos son o no significativos para el nivel de significancia que se indica en la parte inferior (y que
usted podría modificar si así lo deseara). Dé ok. En la opción Regression Summary de la solapa
Advanced encontrará un resumen del modelo. Copie el modelo.
11.- Utilice el modelo anterior para hacer un cribado virtual en la base de 1000 moléculas. Ordene
las moléculas según el score obtenido y fíjese cuántos de los activos aparecen entre los 100
compuestos mejor rankeados de la base. ¿Cuántos esperaría si el ranking hubiese sido generado
al azar? ¿Cómo calificaría en función de sus resultados a su modelo? ¿Mejoró sus chances de
encontrar compuestos activos respecto al azar?

Source: http://nedf.com.ar/archivos/TP_tamizado.pdf