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]
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]
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.