ارتباط کمی ساختار- فعالیت و داکینگ مولکولی بازدارنده های مشتقات پیرازولین بر سیکلواکسیژناز 2 با استفاده از روش های کموانفورماتیک

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده علوم، دانشگاه صنعتی نوشیروانی بابل، بابل، مازندران

2 دانشیار دانشکده علوم، دانشگاه صنعتی نوشیروانی بابل، بابل، مازندران

چکیده

در پژوهش حاضر مطالعه کمی ساختار-فعالیت خواص بازدارندگی مشتقات پیرازولین به عنوان بازدارنده های ضد التهابی سیکلواکسیژناز-2 با استفاده از روش های مختلف کموانفورماتیک انجام پذیرفته است. یکی از مهم ترین استراتژی ها در طراحی ترکیبات ضد التهابی قوی با کاهش قابل توجه اثرات جانبی، بازداری انتخابی آنزیم سیکلواکسیژناز-2 است. از روش های انتخاب متغییر طبقه بندی و رگرسیون درختی و روش رگرسیون خطی چندگانه قدم به قدم جهت انتخاب مهم ترین توصیف کننده های مولکولی استفاده گردید. مدل نهایی توسط سیستم استنتاج فازی عصبی انطباق پذیر و شبکه عصبی مصنوعی با استفاده از توصیف کننده های مولکولی انتخابی گسترش یافت. نتایج روش های ارزیابی مختلفی همچون ارزیابی متقاطع یکتایی، ارزیابی متقاطع چندتایی و سری پیش بینی نشان دهنده معتبر بودن مدل بدست آمده می باشد. در مرحله بعدی، مطالعات داکینگ مولکولی برای بدست آوردن الگوی اتصال گیرنده – لیگاند انجام شد. نتایج داکینگ مولکولی نشان داد آمینواسید های 44Arg، 46Glu، 465Glu و41Cys مهم ترین نقش را در برهمکنش گیرنده – لیگاند دارند. در مطالعه حاضر، تکنیک‌های مطالعه ارتباط کمی ساختار- فعالیت و داکینگ مولکولی قابل تفسیری برای پیش بینی غلظت بازدارندگی مشتقات پیرازولین استفاده گردید. با استفاده از نتایج حاضر می توان برای پیش بینی غلظت بازداری بازدارنده های آنزیم سیکلواکسیژناز-2 در طراحی دارو با صرف هزینه و زمان کمتر استفاده نمود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Quantitative structure-activity relationship study and molecular docking of pyrazoline derivatives inhibitors on cyclooxygenase-2 using Chemoinformatic methods

نویسندگان [English]

  • Mahnoosh Mohammadnazari 1
  • Mohammad Asadollahi-Baboli 2

1 Department of Science, Babol Noshirvani University of Technology, Babol, Mazandaran, Iran

2 Department of Science, Babol Noshirvani University of Technology, Babol, Mazandaran

چکیده [English]

In the present study, quantitative structure-activity relationship study of inhibition characteristic of pyrazoline derivatives as inflammatory cyclooxygenase-2 inhibitors were performed using different chemoinformatics methods. Selective inhibition of cyclooxygenase-2 is an important strategy in designing of potent anti-inflammatory compounds with significantly reduced side effects. Classification and regression tree and stepwise multiple linear regression were used to select the most important molecular descriptors. The final model was developed using adaptive neuro-fuzzy inference system and artificial neural network with selected molecular descriptors. Results of different validation techniques of leave one out, leave multiple out and prediction set show the validation of acquired model. In the next step, molecular docking studies was performed to obtain receptor-ligand binding pattern. Results of molecular docking revealed that the amino acids of Arg44, Glu46, Glu465 and Cys41 have important role in receptor-ligand interaction. In the present study, interpretable quantitative structure-activity relationship and molecular docking techniques were used to predict inhibitory concentration of pyrazoline derivatives. The present results can be used to predict inhibitory concentration of cyclooxygenase-2 inhibitors in drug design with consuming lower cost and time.

کلیدواژه‌ها [English]

  • Quantitative structure activity relationship
  • Molecular docking
  • Cyclooxygenase-2 inhibitors
  • Pyrazoline
  • Classification and regression tree

ارتباط­کمی­ساختار-­فعالیت و داکینگ مولکولی بازدارنده­های مشتقات پیرازولین بر سیکلواکسیژناز 2 با استفاده از روش های کموانفورماتیک

مهنوش محمدنظری و محمد اسدالهی بابلی*

ایران، بابل، دانشگاه صنعتی نوشیروانی بابل، دانشکده علوم پایه

تاریخ دریافت: 1/11/1398            تاریخ پذیرش: 7/7/1399

چکیده

در پژوهش حاضر مطالعه کمی ساختار-فعالیت خواص بازدارندگی مشتقات پیرازولین به عنوان بازدارنده­­های ضد التهابی سیکلواکسیژناز-2 با استفاده از روش­های مختلف کموانفورماتیک انجام پذیرفته است. یکی از مهم­ترین استراتژی­ها در طراحی ترکیبات ضد التهابی قوی با کاهش قابل توجه اثرات جانبی، بازداری انتخابی آنزیم سیکلواکسیژناز-2 است. از روش­های انتخاب متغییر طبقه­بندی و رگرسیون درختی و روش رگرسیون خطی چندگانه قدم به قدم جهت انتخاب مهم­ترین توصیف کننده­های مولکولی استفاده گردید. مدل نهایی توسط سیستم استنتاج فازی عصبی انطباق­پذیر و شبکه عصبی مصنوعی با استفاده از توصیف کننده­های مولکولی انتخابی گسترش یافت. نتایج روش­های ارزیابی مختلفی همچون ارزیابی متقاطع یکتایی، ارزیابی متقاطع چندتایی و سری پیش­بینی نشان­دهنده معتبر بودن مدل بدست آمده می­باشد. در مرحله بعدی، مطالعات داکینگ مولکولی برای بدست آوردن الگوی اتصال گیرنده - لیگاند انجام شد. نتایج داکینگ مولکولی نشان داد آمینواسید­های 44Arg، 46Glu، 465Glu و41Cys مهم­ترین نقش را در برهمکنش گیرنده-لیگاند دارند. در مطالعه حاضر، تکنیک­های مطالعه ارتباط کمی ساختار- فعالیت و داکینگ مولکولی قابل تفسیری برای پیش­بینی غلظت بازدارندگی مشتقات پیرازولین استفاده گردید. با استفاده از نتایج حاضر می توان برای پیش­بینی غلظت بازداری بازدارنده­های آنزیم سیکلواکسیژناز-2 در طراحی دارو با صرف هزینه و زمان کمتر استفاده نمود.

واژه های کلیدی: مطالعه کمی ساختار-فعالیت، داکینگ مولکولی، بازدارنده­های سیکلواکسیژناز-2، پیرازولین، طبقه­بندی و رگرسیون درختی

* نویسنده مسوول، تلفن: 01135501732 ، پست الکترونیکی: asadollahi@nit.ac.ir

مقدمه

 

آنزیم سیکلواکسیژناز (Cyclooxygenase) (COX) از مهم­ترین آنزیم­ها در تولید میانجی­های التهابی بدن است که مسئول التهاب و درد می­باشد. عملکرد دارو­های ضد التهاب غیر استروئیدی بازداری دو ایزوفرم این آنزیـم شامل آنزیم سیکلواکسیژناز1 (COX-1) و سیکلواکسیژناز 2 (COX-2) است (3 و 16). سیکلواکسیژناز1 عمدتاً در سلول­های غیرالتهابی مانند سلول­های معده یافت می­شود و تولید آن یک فرآیند مداوم است، در حالی که سیکلواکسیژناز2 در سلول­های التهابی و گلبول­های سفید یافت می­شود و تولید آن ناشی از تحریک است. مهار سیکلواکسیژناز1 باعث اختلال در انعقاد خون می­شود. دارو­های قدیمی این گروه مانند: آسپرین، بروفن، دیکلوفناک،پیروکسیکام و ایندومتاسین هردو ایزوفرم آنزیم سیکلواکسیژناز را مهار می­کنند. لذا هرچند کمی اختلال در انعقاد خون ایجاد می­کنند ولی بیشتر اثرات ضد التهابی و تب بر دارند. داروهای جدید این خانواده مانند سلکوکسیب و رافلوکسیب مهارکننده اختصاصی سیکلواکسیژناز2 هستند و بنابراین عوارض گوارشی کمتری دارند، هرچند عوارض کلیوی آن­ها مشابه مهارکننده­های غیراختصاصی بوده و عوارض قلبی عروقی آن­ها حتی ممکن است بیشتر باشد. بنابراین دلایل کافی برای کشف ­ترکیبات جدید به عنوان بازدارنده­های سیکلواکسیژناز2 با اثرات جانبی کمتر وجود دارد (10 و 13).

مطالعه ارتباط کمی ساختار- فعالیت بعنوان یکی از روش­های کموانفورماتیک، خواص مولکول­ها را به ویژگی ساختاری آن­ها نسبت می­دهد. امروزه مطالعه ارتباط کمی ساختار- فعالیت در بسیاری از زمینه­ها به ویژه در زمینه طراحی دارو، یافتن نوع ارتباط بین ساختار مولکولی و فعالیت بیولوژیکی و همچنین بررسی برهمکنش­های پروتئین – لیگاند به کار گرفته می­شود (4 و 14). یکی از مراحل کلیدی در هر مطالعه ارتباط کمی ساختار- فعالیتی انتخاب توصیف کننده­های مولکولی مناسب از بین مجموعه توصیف کننده­های مولکولی محاسبه شده می­باشد. روش­های انتخاب متغییر طبقه­بندی و رگرسیون درختی(CART) و روش رگرسیون خطی چندگانه قدم به قدم (Stepwise MLR) بعنوان روش­های نسبتا ساده و قابل تفسیر در فرایند انتخاب توصیف کننده­های مولکولی مهم امروزه استفاده گسترده ای دارند. روش طبقه­بندی و رگرسیون درختی دارای مزایایی همچون ایمن بودن نسبت به داده­های پرت، همبستگی توصیف کننده­ها و ناهمسانی توصیف کننده­ها برخوردار است (12). قابل ذکر است روش گفته شده در بسیاری از تحقیقات طبقه بندی دارویی، تجزیه و تحلیل زمان­های بازداری، مطالعات ارتباط کمی ساختار- فعالیت و تشخیص پزشکی توسط گروه­های تحقیقاتی مختلفی استفاده گردیده است (7 و 5). امروزه استفاده از روش های مختلف یادگیری ماشین مانند سیستم استنتاج فازی عصبی انطباق­پذیر (ANFIS) و شبکه عصبی مصنوعی (ANN) (8 و 11) جهت مدل سازی غیرخطی با کارآرایی مناسب استفاده می شود.

در این مقاله، یک مطالعه نظری برروی خواص مشتقات پیرازولین و پیش­بینی خواص بازدارندگی آن­ها بعنوان بازدارنده­های موثر آنزیم سیکلواکسیژناز با استفاده از روش­های طبقه­بندی و رگرسیون درختی، رگرسیون خطی چندگانه قدم به قدم، سیستم استنتاج فازی عصبی انطباق­پذیر، شبکه عصبی مصنوعی و داکینگ مولکولی انجام شده است. جزئیات محاسبات بطور خلاصه در بخش دوم و نتایج حاصل از آنها در بخش سوم ارائه گردید و در آخرین بخش نتیجه­گیری شد.

مواد و روشها

ساختارهای مولکولی 24 ترکیب از مشتقات پیرازولین و میزان بازدارندگی (pIC50) این مشتقات بر روی آنزیم سیکلواکسیژناز در چهار گروه A، B، C و D در شکل شماره 1 آورده شده است (15).

 

شکل 1- ساختار مشتقات پیرازولین مهارکننده آنزیم سیکلواکسیژناز

قبل از محاسبه توصیف­کننده­ها، ساختار فضایی مولکول­ها شامل 24 بازدارنده به وسیله نرم­افزار HyperChem ترسیم شد و توسط روش محاسباتی نیمه تجربی AM1 ساختار سه بعدی آن­­ها بهینه شد. با استفاده از ساختارهای سه بعدی بهینه شده و نرم­افزار Dragon توصیف­کننده­­های مولکولی مختلف شامل توصیف­کننده­های ساختاری، هندسی، توپولوژیکی، الکترونی، هیبریدی و... توسط این نرم­افزارمحاسبه گردید. قبل از انتخاب مهم­ترین توصیف­کننده­های مولکولی، توصیف­کننده­هایی که برای همه ترکیبات مقادیر صفر، ثابت و یا تقریباً ثابت داشتند حذف شدند، زیرا نمی­توانستند تفاوت در ساختار مولکول را به تفاوت در فعالیت مرتبط سازند. همچنین همبستگی تمامی توصیف­کننده­های مولکولی با یکدیگر و به صورت دوبه­دو بررسی گردید و از بین دو توصیف کننده با همبستگی بیشتر از 9/0 یکی نگه داشته شد.

پس از ارزیابی اولیه توصیف­کننده­ها، از روش­های طبقه­بندی و رگرسیون درختی و رگرسیون خطی چندگانه قدم به قدم جهت انتخاب توصیف­کننده­های مناسب توسط برنامه MATLAB استفاده گردید. همچنین قابل ذکر است انتخاب متغیرها توسط سری کالیبراسیون (%75 داده­ها) و ارزیابی اعتبار مدل با استفاده از سری پیش­بینی (%25 داده­ها) انجام پذیرفت. سری کالیبراسیون و پیش­بینی به نحوی انتخاب می­شوند که نماینده کل سری داده باشند و در ضمن تصادفی نیز باشند. توسعه مدل توسط سیستم استنتاج فازی عصبی انطباق­پذیر و شبکه عصبی مصنوعی با استفاده از برنامه MATLAB و الگوریتم پس انتشار انجام شد. در توسعه مدل­های گفته شده از توصیف کننده­های انتخاب شده در مرحله قبلی استفاده گردید. در توسعه مدل های گفته شده سری کالیبراسیون به دو سری آموزش (%50 داده­ها)  و تست (%25 داده­ها)  تقسیم شد. بدین ترتیب تعداد مولکول ها در سری های آموزش، تست و پیش بینی بترتیب 12، 6 و 6 می باشد. قابل ذکر است انتخاب مولکول ها در هر سری به نحوی انجام شد که شامل مقادیر مختلف میزان بازدارندگی باتوجه به تنوع ساختارهای شیمیایی مختلف باشد. پارامتر­های سیستم استنتاج فازی عصبی انطباق­پذیر و شبکه عصبی مصنوعی شامل تعداد گره­های پنهان، توابع انتقال، توابع تجدید­کننده وزن­ها، مقادیر مومنتوم، سرعت آموزش و توابع عضویت برای حصول نتیجه بهتر بهینه شدند. در این مرحله سری داده­ها به سه سری آموزش، تست و پیش­بینی تقسیم شدند. قابل ذکر است از سری پیش­بینی در هیچ یک از مراحل مدل­سازی استفاده نشد و صرفا جهت بررسی مدل نهایی استفاده گردید. جهت ارزیابی مدل­های بدست آمده از روش­های اعتبارسنجی به عنوان یک مرحله بسیار مهم در مطالعه ارتباط کمی ساختار- فعالیت استفاده شده است. مدل­های بدست آمده با استفاده از مجذور ضریب رگرسیون ارزیابی تقاطعی یکتایی (LOO2Q) و چندتایی (LMO2R)، مجذور ضریب همبستگی (2R)، ریشه میانگین مربع خطا (RMSE) و اعتبارسنجی (m2r) مورد ارزیابی قرارگرفتند (4 و 7). از ارزیابی تقاطعی یکتایی (6/0< LOO2Q) و چندتایی برای بررسی قدرت پیش­بینی داخلی مدل­ها و از مجذور ضریب رگرسیون سری پیش بینی ( 6/0< 2R) برای بررسی قدرت پیش­بینی خارجی مدل­ها و از اعتبارسنجی ( 5/0< m2r) برای پیش­یینی توانایی مدل ارتباط کمی ساختار- فعالیت استفاده شد. همچنین از ریشه میانگین مربع خطا برای اندازه­گیری میزان خطای مدل استفاده شد، هرچه میزان این خطا کوچکتر باشد مدل از اعتبار بیشتری برخوردار است.

در انتها برهمکنش فعال­ترین مولکول­های این سری با آنزیم سیکلواکسیژناز2 (با کد 4PH9 در پایگاه داده www.pdb.org) مورد بررسی قرار گرفت. برای این کار از نرم­افزار Molegro Virtual Docker و Molecular Operating Environment استفاده شد. از روش داکینگ مولکولی جهت انتخاب مهم­ترین حفره پروتئین جهت قرارگرفتن بازدارنده­ها (مشتقات پیرازولین) و بررسی برهمکنش­های مهم بین آمینواسیدها (باقی­مانده­ها) و مشتقات پیرازولین استفاده شد. با استفاده از این روش می­توان آمینواسید­های برهمکنش­کننده با مولکول مورد نظر را شناسایی کرد و از این طریق میزان تاثیرگذاری دارو را پیش­ بینی نمود.

نتایج و بحث

از میان 1497 توصیف­کننده محاسبه شده توسط نرم افزار Dragon، 405 توصیف­کننده بعد از حذف توصیف کننده­های غیرضروری بدست آمد. از بین این توصیف کننده­ها، سه توصیف­کننده­ موثر توسط روش رگرسیون خطی چندگانه قدم به قدم و سه توصیف کننده توسط روش طبقه­بندی و رگرسیون درختی انتخاب شدند. ساختار درختی بهینه حاصل از اجرای روش انتخاب متغییر طبقه­بندی و رگرسیون درختی در شکل شماره 2 آورده شده است.

همچنیـن نام توصیـف کننده­های انتخاب شده در دو روش

گفته شده به­همراه میزان همبستگی توصیف­کننده­ها در جدول شماره 1 آورده شده است.

 

شکل 2- ساختار درختی بهینه در روش طبقه­بندی و رگرسیون درختی

 

 

جدول 1- توصیف کننده­های انتخاب شده توسط روش­های طبقه­بندی و رگرسیون درختی و رگرسیون خطی چندگانه قدم به قدم

X2sol

P2s

RDF080m

T(N..O)

 

 

 

 

1

T(N..O) a,b

 

 

1

52/0

RDF080m a,b

 

1

07/0

03/0

P2s b

1

16/0

47/0

35/0

X2sol a

a توصیف کننده­های انتخاب شده توسط روش طبقه­بندی و رگرسیون درختی

b توصیف کننده­های انتخاب شده توسط روش رگرسیون خطی چندگانه قدم به قدم

 

 

همانطور که نتایج این جدول نشان می­دهد، دو مورد از توصیف کننده­های انتخاب شده توسط این روش­ها یکسان هستند. همچنین میزان همبستگی این توصیف کننده­ها با یکدیگر قابل توجه نیست، یعنی هریک از این توصیف کننده­ها جنبه­های متفاوتی از خواص شیمیایی و بیوشیمایی بازدارنده­های مورد نظر را کد می­کنند. اولین توصیف کننده انتخاب شده، توصیف­کننده­ RDF080m است. این توصیف­کننده تابع توزیع شعاعی است که براساس توزیع فاصله در نمایش فضای مولکول تعریف می­شوند. انتخاب این توصیف کننده نشان­دهنده تاثیر حجم واندروالسی بر میزان بازدارندگی است. توصیف­کننده انتخاب شده دیگر، T(N..O) در سری توصیف­کننده­های توپولوژیکی است. این توصیف کننده نشان دهنده فاصله توپولوژیکی هترواتم­های اکسیژن و نیتروژن می­باشد. در واقع انتخاب این توصیف کننده نشان دهنده اهمیت وجود هترواتم­ها و موقعیت نسبی آنها نسبت به یکدیگر است. اطلاعاتی همچون میزان شاخه­ای­بودن یا زنجیری بودن مولکول و محل قرار گرفتن اتم­های اکسیژن و نیتروژن در شاخه­ها یا حلقه بر مقدار این توصیف کننده اثرگذار است. جهت بررسی بیشتر نتایج، آماره­های دو روش استفاده شده در جدول شماره 2 آورده شده است.

 

 

جدول 2- آماره­های روش­های طبقه­بندی و رگرسیون درختی و رگرسیون خطی چندگانه قدم به قدم

روش انتخاب متغییر

توصیف کننده­ها

2pR

RMSE

F

LOO2Q

طبقه­بندی و رگرسیون درختی

T(N..O), RDF080m, P2s

784/0

545/0

6/44

862/0

رگرسیون خطی چندگانه قدم به قدم

T(N..O), RDF080m, X2sol

820/0

502/0

8/51

886/0

 

 

نتایج حاصل از جدول 2 برای پارامترهای آماری مختلف قابل قبول می­باشد. برای مثال، میزان p2R در دو روش انتخاب متغییر رگرسیون خطی چندگانه قدم به قدم و طبقه­بندی و رگرسیون درختی برای سری پیش­بینی بترتیب 784/0 و 820/0 بدست آمد. آماره­های بالای F و پایین RMSE نشان دهنده مناسب بودن نتایج روش انتخاب متغییر است. همچنین نتایج مجذور ضریب رگرسیون ارزیابی تقاطعی یکتایی (LOO2Q) در هر دو روش رگرسیون خطی چندگانه قدم به قدم و طبقه­بندی و رگرسیون درختی قابل قبول است. هرچند با استفاده از روش­های مدل­سازی سیستم استنتاج فازی عصبی انطباق­پذیر و شبکه عصبی مصنوعی مدلی با پارامترهای آماری بهتری حاصل شده­است. مشخصات سیستم استنتاج فازی عصبی انطباق­پذیر و شبکه عصبی مصنوعی حاصل با توجه به پارامتر­های بهینه شده در جدول شماره 3 بیان شده است. قابل ذکر است هریک از پارامترهای بیان شده در جدول 3 برای مقادیر مختلف بررسی شد و بهترین نتیجه حاصل با خطای کمتر بعنوان شرایط بهینه در نظر گرفته شد. همچنین استفاده از تابع تجدیدکننده وزن لونبرگ-مارکوات علاوه بر عملکرد بهتر از سرعت آموزش بالاتری نیز نسبت به دیگر توابع تجدید کننده وزن برخوردار است.

 

 

جدول 3- مشخصات بهینه سیستم استنتاج فازی عصبی انطباق­پذیر و شبکه عصبی مصنوعی

سیستم استنتاج فازی عصبی انطباق­پذیر

تعداد تابع عضویت در هر گره

2

متد بهینه سازی

Grid partitioning

تعداد گره­ها در لایه پنهان

2

شبکه عصبی مصنوعی

تابع انتقال

سیگموئیدی

تعداد گره­ها در لایه پنهان

3

تابع انتقال

سیگموئیدی

تابع تجدیدکننده وزن­ها

لونبرگ- مارکوات

مومنتوم

9/0

سرعت آموزش

2/0

 

 

نتایج حاصل از روش­های سیستم استنتاج فازی عصبی انطباق­پذیر و شبکه عصبی مصنوعی شامل پارامترهای آماری مجذور ضریب رگرسیون ارزیابی تقاطعی یکتایی (LOO2Q) و چندتایی (LMO2R)، مجذور ضریب همبستگی (2R)، ریشه میانگین مربع خطا (RMSE) و اعتبارسنجی (m2r) در جدول شماره 4 آورده شده است.

 

 

جدول 4- آماره­های حاصل از توسعه مدل توسط روش­های سیستم استنتاج فازی عصبی انطباق­پذیر و شبکه عصبی مصنوعی

شبکه عصبی مصنوعی

سیستم استنتاج فازی عصبی انطباق­پذیر

پارامتر آماری

892/0

905/0

R2train

912/0

927/0

R2test

904/0

915/0

R2prediction

345/0

338/0

RMSEtrain

348/0

346/0

RMSEtest

382/0

360/0

RMSEprediction

913/0

922/0

Q2LOO

803/0

856/0

R2LMO

818/0

832/0

m2r

 

 

با توجه به جدول 4 مقدار 2R برای سری­های آموزش، تست و پیش­بینی در روش سیستم استنتاج فازی عصبی انطباق­پذیر بترتیب برابر 905/0، 927/0 و 915/0 شده است. همچنین مقدار 2R برای سری­های آموزش، تست و پیش­بینی در روش شبکه عصبی مصنوعی بترتیب برابر 892/0، 912/0 و 904/0 شده است. همچنین میزان خطای مدل­های سیستم استنتاج فازی عصبی انطباق­پذیر و شبکه عصبی مصنوعی نسبت به مدلهای رگرسیون خطی چندگانه قدم به قدم و طبقه­بندی و رگرسیون درختی حدود 40% کاهش نشان می­دهد. بعلاوه طبق این جدول، میزان خطا برای هر سه سری آموزش، آزمون و پیش­بینی در محدوده مناسب (کمتر از 4/0) قرار دارد که نشان دهنده قدرت پیش­بینی مناسب مدل است. ارزیابی متقاطع یکتایی در دو روش سیستم استنتاج فازی عصبی انطباق­پذیر و شبکه عصبی مصنوعی بترتیب برابر با 922/0 و 913/0 شده است که نشان از معتبر بودن و قابل اعتماد بودن مدل است. همچنین آماره­های دیگر مانند ارزیابی تقاطعی چندتایی و اعتبارسنجی در محدوده رضایت بخشی قرار دارند. مقادیر بازدارندگی (pIC50) محاسبه شده برحسب مقادیر تجربی در شبکه عصبی مصنوعی برای سری­های آموزش، تست و پیش­بینی در شکل شماره 3 (الف) نشان داده شده­است که نشان دهنده همبستگی خوبی بین نتایج محاسبه شده و مقادیر تجربی می­باشد. نتایج فوق نشان دهنده مناسب بودن روش­های مورد استفاده در مدل سازی نهایی می­باشد. جهت بررسی بیشتر و وجود داده یا داده­های پرت در فرآیند توسعه مدل، منحنی باقیمانده برحسب مقدار تجربی در شکل 3 (ب) نشان داده شده است.

 

 

شکل 3- (الف) منحنی مقادیر محاسبه شده (pIC50) برحسب مقادیر تجربی و (ب) منحنی باقیمانده برحسب مقادیر تجربی

 

از مقایسه نتایج شکل 3 و جدول 4 با جدول 2 مشاهده می­شود که با استفاده از روش­های مورد استفاده ثانویه اعتبار مدل پیش­بینی کننده به نحوه چشمگیری افزایش پیدا کرده است. به دلیل وجود مکانیسم­های پیچیده در فعالیت دارو­ها و همچنین برهمکنش دارو با گیرنده در سیستم بیولوژیکی و رفتار غیرخطی بازدارندهای پیرازولین استفاده از روش­های مدل­سازی گفته شده الزامی می­باشد. توزیع متوازن داده­ها در بالا و پایین نمودار در شکل 4 نشان ­دهنده عدم وجود خطای سیستماتیک در توسعه مدل­های سیستم استنتاج فازی عصبی انطباق­پذیر و شبکه عصبی مصنوعی می­باشد.

کاربرد روش­های داکینگ مولکولی بعلت نتایج تفسیری و قابل استفاده آن­ها روزبروز در حال افزایش است (1 و 2). به همین منظور، برای بررسی برهمکنش گیرنده - لیگاند ابتدا حفره­های آنزیم سیکلواکسیژناز2 (با کد 4PH9) مورد بررسی قرار گرفتند. ساختار سه بعدی آنزیم سیکلو­اکسیژناز2 بهمراه مولکول داک شده (ترکیب 3A به عنوان فعال­ترین ترکیب) در شکل شماره 4 نشان داده شده است. در این حالت انرژی اتصال بین بازدارنده و آنزیم دارای مقدار مینیمم (پایدارترین حالت) است.

 

شکل 4- داکینگ آنزیم سیکلواکسیژناز2 (4PH9) و لیگاند 3A

انرژی برهمکنش آمینواسید­های مختلف (باقی­مانده­ها) با فعال­ ترین مشتق پیرازولین (ترکیب 3A باتوجه به شکل 1) در جدول شماره 5 آورده شده است. با توجه به این جدول آمینواسید­های 371Gln، 123Tyr، 543Pro و372Phe مهم­ترین آمینواسید­های موثر در برهمکنش گیرنده- لیگاند می­باشند. تاثیر و نوع برهمکنش­های این آمینو اسیدها در جدول 5 و شکل 5 به خوبی نشان داده شده است.

جدول شماره 5- انرژی برهمکنش آمینواسید­ها با فعال­ترین مشتق پیرازولین (kcal.mol-1)

ترکیب 3A

آمینواسید

11/22-

Gln371

44/21-

Tyr123

74/21-

Pro543

17/12-

Phe372

57/11-

Gln373

02/9-

Ser127

93/8-

Arg61

68/8-

Ser122

04/8-

Ile125

14/7-

Lys533

57/6-

Phe368

26/6-

Gln544

94/4-

Phe372

81/4-

Tyr374

 

قابل ذکر است، بررسی فعالیت بازدارنده­های آنزیم سیکلواکسیژناز 2 و پیش بینی مقادیر بازدارندگی آن­ها با استفاده از توصیف کننده­های مولکولی انتخاب شده و مدل­های توسعه داده شده امکان­پذیر است. همچنین میزان برهمکنش بازدارنده­ها با آنزیم سیکلواکسیژناز 2 جهت مقایسه با مقادیر بازدارندگی از نتایج داکینگ مولکولی قابل محاسبه است. از نتایج حاصل در پژوهش حاضر در پیش­بینی خواص دارویی ترکیبات تازه سنتز شده و کاهش هزینه و زمان مورد نیاز برای رسیدن به ترکیباتی با بازدارندگی مناسب می­توان استفاده نمود.

 

شکل 5- برهمکنش آنزیم سیکلواکسیژناز2 (4PH9) و فعال ترین لیگاند (3A) بصورت دو بعدی

نتیجه­گیری

تهیه داروهای ضدالتهابی غیر استروئیدی با عوارض جانبی کمتر از اهمیت شایانی برخوردار می­باشد. استفاده از روش­های مبتنی بر ارتباط کمی ساختار- فعالیت بعلت شناسایی خواص مولکولی با بیشترین تاثیر مطلوب، کاهش نیاز به تست­های آزمایشگاهی، تشخیص برهمکنش­های کلیدی پروتئین-لیگاند و صرفه­جویی در زمان و هزینه در تهیه داروها روزبروز اهمیت بیشتری پیدا می­کند. از این رو هدف اصلی این پژوهش مطالعه ارتباط کمی ساختار- فعالیت و بررسی داکینگ مولکولی برای پیش­بینی بازدارندگی بازدارنده­های آنزیم سیکلواکسیژناز 2 بود. در مرحله اول با استفاده از روش­های طبقه­بندی و رگرسیون درختی و رگرسیون خطی چندگانه قدم به قدم توصیف­کننده­های مهم انتخاب گردیدند. توصیف کننده­های مولکولی انتخاب شده RDF080m و T(N..O) خواص متفاوتی از بازدارنده­های آنزیم سیکلواکسیژناز 2 را نشان می­دهند. جهت توسعه مدل نهایی از روش­های سیستم استنتاج فازی عصبی انطباق­پذیر و شبکه عصبی مصنوعی استفاده گردید. پارامترهای 2R و RMSE در سری­ پیش بینی در مدل­های نهایی سیستم استنتاج فازی عصبی انطباق­پذیر بترتیب برابر 915/0 و 36/0 هستند. بعلاوه نتایج روش­های اعتبارسنجی ارزیابی متقاطع یکتایی و چندتایی بترتیب برابر 922/0 و 856/0 در سیستم استنتاج فازی عصبی انطباق­پذیر هستند. نتایج پارامترهای آماری و روش­های اعتبارسنجی بدست آمده نشان دهنده معتبر بودن مدل­های توسعه داده شده هستند. همچنین از داکینگ مولکولی بمنظور بررسی برهمکنش گیرنده - لیگاند و میزان بازداری ترکیبات پیرازولین استفاده شد. نتایج حاصل نشان­دهنده اهمیت آمینواسیدهای 371Gln، 123Tyr، 543Pro و372Phe در فرآیند اتصال دارو به آنزیم است. قابل ذکر است می­توان از روش­های گفته شده و نتایج بدست آمده در طراحی دارو و محاسبه میزان بازداری بازدارنده­های آنزیم سیکلواکسیژناز 2 با صرف هزینه و زمان کمتر استفاده نمود.

  • 1- جواهری مقدم، م.، آریاپور، ح.، دهنوخلجی، ع. 1394. مجله پژوهشهای سلولی و مولکولی. طراحی ترکیبات کرومنی جدید با فعالیت ضد سرطانی و بررسی چگونگی میانکنش آنها با توبولین به روش داکینگ مولکولی. 28(2). 178-190.

    2- داوری، ک.، نوروزی، ج.، حسینی، ف.، اخوان سپهی، ع.، میرزایی، س. 1398. مجله پژوهشهای سلولی و مولکولی. کشف مهارکننده علیه بتا لاکتاماز CTX-M-9 باکتری E.coli با استفاده از مطالعات داکینگ ملکولی، MM/PBSA و دینامیک ملکولی. 32(1). 33-46.

     

    • Akanishi, T., Mukai, K., Hosokawa, Y., Takegawa, D. and Matsuo, T. (2015). Catechins inhibit vascular endothelial growth factor production and cyclooxygenase‐2 expression in human dental pulp cells. Int Endontic J 48: 277-282.
    • Asadollahi-Baboli, M., and Dehnavi, S. (2018). Docking and QSAR analysis of tetracyclic oxindole derivatives as α-glucosidase inhibitors. Comput Biol Chem 76: 283-292.
    • Asadollahi-Baboli, M. and Seraj, K. (2019). In silico evaluation of 5-hydroxypyrazoles as LSD1 inhibitors based on molecular docking derived descriptors. J Mol Struct 1179: 514-524.
    • Asadollahi-Baboli, M. (2011). Effect of Weight Updates Functions in QSAR/QSPR Modeling using Artificial Neural Network. J Artif Intell 201: 1-10.
    • Gasteiger, J. and Engel, T. (2006) “Chemoinformatics: a textbook”, Wiley & Sons, London.
    • Khoshneviszadeh, M. and Sakhteman, A. (2016). Exploring quantitative structure-activity relationship (QSAR) models for some biologically active catechol structures using PC-LS-SVM and PC-ANFIS. Appl Biol Chem, 59: 433-441.
    • Kubinyi, H. (2008) “QSAR in drug design, Handbook of Chemoinformatics: From Data to Knowledge”, Wiley & Sons, London.
    • Roos, J., Groesch, S., Werz, O., Schroeder, P., Ziegler, S, and Fettel, J. (2016). Regulation of tumorigenic Wnt signaling by cyclooxygenase-2, 5-lipoxygenase and their pharmacological inhibitors: A basis for novel drugs targeting cancer cells?. Pharmacol Ther 157: 43-64.
    • Roy, K. 2017. “Advances in QSAR modeling: Applications in Pharmaceutical, Chemical, Food, Agricultural and Environmental Sciences”, Springer, New York.
    • Sahebjamee, H., Yaghmaei, P., Abdolmaleki, P. and Foroumadi, A. R. (2013). Quantitative structure-activity relationships study of carbonic anhydrase inhibitors using logistic regression model. Iran J Chem Chem Eng 32: 19-29.
    • Vosooghi, M., Amini, M. (2014). The discovery and development of cyclooxygenase-2 inhibitors as potential anticancer therapies. Expert Opin Drug Discov 9: 255-267.
    • Wang, T., Yuan, X. S., Wu, M. B., Lin, J. P., & Yang, L. R. (2017). The advancement of multidimensional QSAR for novel drug discovery-where are we headed?. Expert Opin Drug Discov 12:769-784.
    • Yu, M., Yang, H., Wu, K., Ji, Y., Ju, L. and Lu, X. (2014). Novel pyrazoline derivatives as bi-inhibitor of COX-2 and B-Raf in treating cervical carcinoma. Bioorg Med chem 22: 4109-4118.
    • Zhou, T. J., Zhang, S. L., He, C. Y., Zhuang, Q. Y., Han, P. Y. (2017). Downregulation of mitochondrial cyclooxygenase-2 inhibits the stemness of nasopharyngeal carcinoma by decreasing the activity of dynamin-related protein 1. Theranostics 7: 1389-1397.
دوره 35، شماره 1
اردیبهشت 1401
صفحه 168-182
  • تاریخ دریافت: 21 مهر 1398
  • تاریخ بازنگری: 01 بهمن 1398
  • تاریخ پذیرش: 07 مهر 1399