مقالة منهجية

تصور وتحليل الفضاء الكيميائي لقواعد بيانات المنتجات الطبيعية لاكتشاف الأدوية

DOI:

10.3791/66349

⸱

سبتمبر 6, 2024

 ,  ,  , 
1Computational Biology and Chemistry Research Group, Vicerrectorado de Investigación, Universidad Católica de Santa María, 2DIFACQUIM Research Group, Department of Pharmacy, School of Chemistry, Universidad Nacional Autónoma de México

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

هنا ، نقدم منهجية تستخدم تمثيلات جزيئية مختلفة لعرض وتحليل المساحة الكيميائية لمجموعات بيانات المركبات الطبيعية ، مع التركيز على التطبيقات المتعلقة باكتشاف الأدوية.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

الفضاء الكيميائي هو فضاء واصف متعدد الأبعاد يحيط بجميع الجزيئات الممكنة ، ويعتقد أن ما لا يقل عن 1 × 1060 مادة عضوية ذات وزن جزيئي أقل من 500 دالتون يمكن أن تكون ذات صلة باكتشاف الأدوية. كانت المنتجات الطبيعية المصدر الرئيسي للكيانات الدوائية الجديدة التي تم تسويقها خلال الأربعين عاما الماضية ولا تزال واحدة من أكثر المصادر إنتاجية لإنشاء الأدوية المبتكرة. تعمل الأدوات الحسابية القائمة على المعلوماتية الكيميائية على تسريع عملية تطوير الأدوية للمنتجات الطبيعية. تم استخدام طرق بما في ذلك تقدير الأنشطة الحيوية ، وملامح السلامة ، و ADME ، وقياس تشابه المنتج الطبيعي. هنا ، نراجع التطورات الأخيرة في أدوات المعلوماتية الكيميائية المصممة لتصور وتوصيف وتوسيع الفضاء الكيميائي لمجموعات بيانات المركبات الطبيعية باستخدام تمثيلات جزيئية مختلفة ، وإنشاء تمثيلات مرئية لمثل هذه المساحات ، والتحقيق في علاقات البنية والخاصية داخل المساحات الكيميائية. مع التركيز على تطبيقات اكتشاف الأدوية ، نقوم بتقييم قواعد البيانات مفتوحة المصدر BIOFACQUIM و PeruNPDB كدليل على المفهوم.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم استخدام المنتجات الطبيعية (NPs) ، وهي مركبات كيميائية تم إنشاؤها بواسطة الكائنات الحية ، كعلاجات تقليدية لعدة قرون. تم إنشاء NPs الفردية كأدوية في العصر الحديث وتم استغلالها بنجاح كمركبات رصاص في اكتشاف الأدوية1. يتم تضمين المواد البحرية والفطرية والبكتيرية والنباتية والذاتية التي أنشأها البشر في فئة المركبات النشطة بيولوجيا ، وكذلك السموم والسموم التي تنتجها المختلفة2. نتيجة لذلك ، على مدى أربعين عاما ، مثل عدد الأدوية التي تصنعها NPs مصدرا مهما للمواد الدوائية الجديدة3 ، مع التأكيد على أن NPs كانت حاسمة في تطوير أدوية جديدة ، خاصة لعلاج السرطان والأمراض المعدية ، وكذلك للحالات العلاجية الأخرى مثل التصلب المتعدد وأمراض القلبوالأوعية الدموية 4. علاوة على ذلك ، فإن 64.9٪ من 185 مركبا صغيرا تم ترخيصها لعلاج السرطان بين عامي 1981 و 2019 كانت NPs غير معدلة أو أدوية اصطناعية تحتوي على NP pharmacophore3.

تم استخدام المعلوماتية الكيميائية ، وهي تخصص متعدد التخصصات راسخ يعتمد على مفهوم الفضاء الكيميائي ، لتحليل وتصور الفضاء الكيميائي للصفات الفيزيائية والكيميائية ل NPs المرتبطة بسمات شبيهةبالأدوية 5. أظهرت المعلوماتية الكيميائية تأثيرا كبيرا على تصميم الأدوية واكتشافها بناء على NPs6. المساحة الكيميائية لمجموعة من المركبات ليست فريدة دائما. سيعتمد على مجموعة الواصفات المستخدمة لتعريفه ، مما يعني أن دراسة الفضاء الكيميائي ل NPs مثل أي مجموعة أخرى من المركبات ، تمثل تحديات خاصة تعتمد على التمثيل الجزيئي7. يمكن التعامل مع هذا المسعى باستخدام مجموعة متنوعة من الواصفات الجزيئية وتقنيات تصور البيانات. في المقابل ، فإن التقنيات الأكثر استخداما هي تحليل المكونات الرئيسية (PCA) ، وأشجار السقالات ، والخرائط ذاتية التنظيم ، ورسم الخرائط الطبوغرافية التوليدية (GTM) ، وتقنية تصور جديدة تسمى خرائط الشجرة (TMAPs)8. أيضا ، يعد جمع وتقييم ونشر المعلومات الكيميائية ل NP في قواعد البيانات المركبة أحد استخدامات المعلوماتية الكيميائية في أبحاث NP. في المقابل ، مع إدخال البيانات الضخمة ، هذا وثيق الصلةبشكل خاص 9.

هنا ، يتم استخدام قواعد بيانات NP مفتوحة المصدر BIOFACQUIM10 و PeruNPDB11 لوصف البروتوكول الذي يبحث عن تصور وتوصيف الفضاء الكيميائي لمجموعات بيانات المركبات الطبيعية باستخدام تمثيلات جزيئية مختلفة ، وينشئ تمثيلات مرئية لمثل هذه المساحات ويحقق في علاقات البنية والخاصية داخل المساحات الكيميائية ، مع التركيز على تطبيقات اكتشاف الأدوية.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. تنزيل البرامج وتثبيتها

  1. اجعل دليل هذا المشروع جديدا. للوصول المريح ، ضع الملفات التنفيذية والملفات في هذا الدليل.
  2. قم بتثبيت حزم البرامج المطلوبة بعد تنزيلها.
  3. قم بتنزيل أحدث إصدار من برنامج Osiris DataWarrior (OSIRIS) ، والذي يمكن العثور عليه على https://openmolecules.org/datawarrior/
  4. قم بتنزيل أحدث إصدار من منصة تحليلات Konstanz Information Miner (KNIME) ، والتي يمكن العثور عليها على https://www.knime.com/
  5. قم بتنزيل أحدث إصدار من برنامج GraphPad Prism ، والذي يمكن العثور عليه على https://www.graphpad.com/
    ملاحظة: يمكن استخدام برنامج Osiris DataWarrior ومنصة تحليلات Konstanz Information Miner (KNIME) على جهاز كمبيوتر شخصي وهي مجانية للاستخدام الفردي ، بينما يمكن شراء برنامج GraphPad Prism من (https://www.graphpad.com/).

2. بناء وتنظيم قاعدة بيانات مركبة

ملاحظة: ابحث عن المواد والمصادر التي تحتوي على البيانات اللازمة. ينصح المستخدم بالحصول على التفاصيل التالية لكل مركب في جدول بيانات.

  1. قم بتسمية كل مركب. أضف أسماء جميع المركبات الموضحة في المصدر في العمود الأول من جدول البيانات.
  2. قم بتعيين رمز داخلي وموحد في حالة إنشاء مجموعة داخلية ، أو قم بتعيين رقم يحدد هذا المركب بشكل فريد في قاعدة البيانات التي تمت استشارتها.
  3. قم بتوفير مدخلات الهيكل باستخدام تدوين SMILES الأساسي، والذي يمكن استيراده إلى أدوات التحرير الجزيئي الأخرى.
    1. احفظ قاعدة البيانات بشكل مثالي بتنسيق .csv بمجرد جمع هذه البيانات في جدول البيانات.
    2. استخدم برنامج OSIRIS لإنشاء ملفات بيانات هيكل مجموعة البيانات (SDF) وملف البيانات الجزيئية (mol) و mol2 ، والتي تحتوي أيضا على معلومات كيميائية وقابلة للتشغيل البيني مع معظم حزم البرامج. لهذا ، قم بتحميل أرشيف .csv بالنقر فوق ملف زر ثم افتح زر.
    3. قم بتحميل مجموعة البيانات إلى منصة تحليلات KNIME لتحسين جودة البيانات ومنع النتائج غير الدقيقة. لهذا ، قم بتحميل ملف .sdf أو .mol2 بالنقر فوق ملف زر ثم فتح زر.
  4. ضمان التوحيد في الهياكل الكيميائية.
    1. افحص كل تركيب كيميائي بحثا عن أنواع الذرات الصالحة وفحوصات التكافؤ. قم بتوحيد الهياكل عن طريق تحويلها إلى شكل توتوميري قانوني ، وكيكول الهياكل العطرية ، وتوحيد موضع روابط الاستريو ، وتحويل جميع الهيدروجينات الضمنية إلى هيدروجينات صريحة باستخدام سير عمل الهياكل الجزيئية الموحدة ل KNIME.
    2. ابحث عن التكرارات وتخلص منها بعد توحيد الجزيئات بشكل صحيح من خلال استخدام سير عمل الهياكل الجزيئية الموحدة ل KNIME. استخدم مفاتيح InChI كتدوين خطي لتحديد حالات البروتونات المختلفة والتوتيمترات.
    3. القضاء على التكرارات.
    4. تعداد التوتومرات والأيزومرات الفراغية. هذه الخطوة ضرورية في دراسات الفحص الافتراضي ، خاصة عند استخدام طرق البحث مثل الإرساء أو التصفية القائمة على الأدوية.

3. الواصفات الجزيئية وتحليل التنوع

ملاحظة: الواصفات الجزيئية ، مثل الصفات الفيزيائية والكيميائية ، والبصمات الجزيئية والسقالات الكيميائية ، هي الأساليب الأكثر شيوعا لتمثيل الجزيئات في تطبيقات المعلوماتية الكيميائية. يمكن إجراء التحليل هنا: http://132.248.103.152:3838/PUMA/. جميع الخطوات الموضحة أدناه مفصلة على موقع PUMA الإلكتروني.

  1. احسب الصفات الفيزيائية والكيميائية الست الأكثر انتشارا ذات الأهمية الدوائية: الوزن الجزيئي (MW) ، ومعامل تقسيم الأوكتانول / الماء (clogP) ، ومساحة السطح الطوبولوجية (TPSA) ، والذوبان المائي (clogS) ، وعدد الذرات المانحة للرابطة H (HBD) ، وعدد ذرات متقبل الرابطة H (HBA). يرجى الرجوع إلى موقع PUMA الإلكتروني للحصول على مزيد من المعلومات.
  2. احسب مفاتيح MACCS 166 بت ، وتشابه Tanimoto الزوجي ، وبصمات الاتصال الموسعة للقطر 4 (ECFP4) ، جنبا إلى جنب مع بصمات الأصابع الدائرية الأخرى المناسبة للفحص الافتراضي ، ونمذجة مشهد النشاط ، وأبحاث العلاقات بين الهيكل والنشاط (SAR).
  3. احسب إحصائية الاتجاه المركزي لكل مقارنة زوجية. ضمان التنوع في مجموعة البيانات بمتوسط أو متوسط أصغر يتعارض مع المسافة الإقليدية أو أي مقياس مسافة عام.
  4. تحقق مما إذا كانت القيم المحسوبة قد تم تسجيلها في الأدبيات أو تم حسابها لقواعد بيانات مرجعية أخرى لأغراض المقارنة. لهذا ، استشر مواقع الويب مثل PubChem أو CHEMBL.
  5. قم بإنشاء مخططات كمان للتصور داخل برنامج GraphPad Prism ، مع عرض القيم القصوى والصغرى.

4. تصور الفضاء الكيميائي

ملاحظة: من الممكن تكثيف غالبية البيانات ذات الصلة في عدد صغير من المتغيرات باستخدام PCA وتقنيات تقليل الأبعاد الأخرى. لذلك أصبحت تصورات الفضاء الكيميائي ممكنة.

  1. حدد جميع الواصفات الستة لتحديد التشابه أو المسافة. قم بإنشاء مصفوفة التشابه (أو المسافة) وفقا لذلك.
  2. قم بإجراء تحليل PCA على المصفوفة. حدد مكونين أو ثلاثة مكونات رئيسية للتخطيط. ضع في اعتبارك نسبة التباين التي تم التقاطها بواسطة كل مكون أساسي.
  3. قم بإنشاء تمثيلات مخططات مبعثرة ثنائية أو ثلاثية الأبعاد ل PCA باستخدام عقدة Plotly KNIME.

5. مؤامرات تنوع الإجماع

ملاحظة: تم تطوير التمثيلات المرئية لتلخيص بعض الخصائص التي يمكن استخدامها لتحديد التنوع. يمكن إجراء تحليل مخططات التنوع الإجماعي (CDPs)12 هنا http://132.248.103.152:3838/CDPlots/.

  1. قم بإنشاء مخطط بعدد المركبات في قاعدة البيانات لتحديد حجم نقطة البيانات. استخدم تنوع البصمات الجزيئية للمحور x ، وتنوع السقالات للمحور y ، والتنوع بناء على الخصائص الفيزيائية والكيميائية لمقياس اللون المستمر ، والعدد النسبي للمركبات في مجموعة البيانات لحجم نقطة البيانات.
  2. قم بإنشاء المخطط متعدد المتغيرات باستخدام برنامج GraphPad Prism.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

الخصائص الجزيئية وتصور الفضاء الكيميائي
تحتوي جميع المركبات في مجموعات بيانات BIOFACQUIM10 و PeruNPDB11 و FDA13 على ست خصائص فيزيائية وكيميائية محسوبة لها. ثم تم رسم هذه الصفات على مخططات الكمان ، والتي تسمح للمرء برؤية كيفية توزيع خصائص مجموعات البيانات الثلاث المدروسة (الشكل 1). تختلف ملفات تعريف التوزيع للمعلمات الفيزيائية والكيميائية الستة ذات الأهمية الصيدلانية ، وهي الوزن الجزيئي (MW) ، ومعامل تقسيم الأوكتانول / الماء (clogP) ، ومساحة السطح الطوبولوجية (TPSA) ، والذوبان المائي (clogS) ، وعدد الذرات المانحة للرابطة H (HBD) ، وعدد ذرات متقبل الرابطة H (HBA) ، بين مجموعات البيانات. ومع ذلك ، أظهرت نتائج TPSA اختلافات كبيرة عند مقارنة مجموعات بيانات BIOFACQUIM و FDA ب PeruNPDB. باستخدام PCA ، تم تنفيذ تصور الفضاء الكيميائي لمجموعة البيانات. ومع ذلك ، يكشف تحليل PCA ثلاثي الأبعاد المرئي أن الجزيئات الموجودة في كلتا مجموعتي البيانات من NPs تتداخل تقريبا مع المساحة الكيميائية مع مجموعة إدارة الغذاء والدواء الأمريكية من الأدوية المعتمدة. بينما في بعض المناطق ، تسود المواد الكيميائية من PeruNPDB أو BIOFACQUIM (الشكل 2).

تحليل التنوع
بالإضافة إلى ذلك ، تم استخدام CDP بناء على البصمات الجزيئية والسقالات والسمات الفيزيائية والكيميائية لتقييم تنوع مجموعات البيانات. تم حساب التنوع القائم على الخاصية لقواعد البيانات من PeruNPDB و BIOFAQUIM و FDA باستخدام المسافة الإقليدية للخصائص المقاسة. إلى جانب ذلك ، تم استخدام CDP المستند إلى البصمات الجزيئية والسقالات والسمات الفيزيائية والكيميائية لتقييم تنوع مجموعات البيانات. تم حساب التنوع القائم على الخاصية لقواعد البيانات من PeruNPDB و BIOFAQUIM و FDA باستخدام المسافة الإقليدية للخصائص المقاسة. يتم تمثيل القيم الموجودة على مخطط القرص المضغوط الملون بنقاط بيانات على مقياس ألوان مستمر. تشير الأشكال الأكثر إشراقا إلى تنوع أكبر ، بينما تشير الألوان الداكنة إلى تنوع أقل. أخيرا وليس آخرا ، يتم استخدام أحجام نقاط مختلفة لإظهار العدد النسبي للمركبات في كل قاعدة بيانات ، مع نقاط بيانات أصغر تمثل قواعد البيانات التي تحتوي على عدد أقل من الجزيئات. نظرا لأنه تم اكتشافه في المنطقة التي يجب أن يكون فيها أكبر تنوع في السقالات وبصمات الأصابع ، أظهرت النتائج أن المركبات الموجودة في PeruNPDB لديها أكبر تنوع عالمي (الشكل 3).

figure-results-1
الشكل 1: مؤامرات الكمان للخصائص الفيزيائية والكيميائية. مخططات الكمان للخصائص الفيزيائية والكيميائية لمجموعات بيانات BIOFACQUIM و PeruNPDB و FDA. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-2
الشكل 2: التمثيل المرئي للفضاء الكيميائي. التمثيل المرئي لمجموعات بيانات BIOFACQUIM و PeruNPDB و FDA بناء على المكونات الرئيسية لستة خصائص ذات صلة صيدلانية. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-3
الشكل 3: مؤامرة تنوع الإجماع. مخطط تنوع الإجماع يقارن التنوع العالمي لمجموعات بيانات BIOFACQUIM و PeruNPDB و FDA. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نظرا لاستخداماته المحتملة العديدة ، مثل تصنيف المركبات ، واختيار المركب ، واستكشاف روابط الهيكل والنشاط ، والتنقل عبر تفاعلات الهيكل والخاصية ، فإن مفهوم الفضاء الكيميائي يستخدم في الوقت الحاضر على نطاق واسع في عملية اكتشاف الأدويةوتطويرها 14. أيضا ، يعد إنشاء قواعد بيانات NP إجراء أساسيا لإجراء دراسات حسابية مختلفة ، بما في ذلك تصميم المكتبات الكيميائية ، وتوصيف الفضاء الكيميائي ومقارنته ، ودراسة SAR ، والفحص الافتراضي ، من بين دراسات أخرى ، نتيجة لزيادة كمية المعلومات الكيميائية. في المقابل ، يعد التدريب على خوارزميات الذكاء الاصطناعي (الذكاء الاصطناعي) تطبيقا مهما آخر. يشير الذكاء الاصطناعي إلى مجموعة من التقنيات الحسابية التي تمكن الآلات من تقليد العمليات المعرفية البشرية ، بما في ذلك حل المشكلات والتعلم من التجربة15،16.

على الرغم من أن قواعد بيانات المركبات الكيميائية ، بما في ذلك قواعد بيانات NP ، هي أدوات مهمة في اكتشاف الأدوية ، إلا أنه من الممكن أيضا اكتشاف جزيئات الضرب المحتملة باستخدام مجموعة متنوعة من تقنيات الفحص الافتراضية17. بالإضافة إلى ذلك ، تم العثور على العديد من الأدوية المرشحة في قواعد بيانات NP التي لديها القدرة على علاج الأمراض ، بما في ذلك مرض فيروس كورونا18 ، ومرض الزهايمر19 ، وداءالليشمانيات 20 ، من بين أمور أخرى. ومع ذلك ، نظرا للقيود الحالية في معالجة "البيانات الضخمة" ، قد تكون المساحة الكيميائية لجميع الجزيئات المحتملة في عينة بيولوجية أو بيئية معينة كبيرة للغاية وغير مستكشفة في الغالب21. على الرغم من عدم وجود تقنيات فريدة أو عالمية لتمثيلات الفضاء الكيميائي ، إلا أن إحدى الطرق المستخدمة على نطاق واسع تتضمن إنشاء مصفوفات تشابه تشمل جميع المقارنات الزوجية22. يمكن اختزال غالبية المعلومات ذات الصلة إلى عدد صغير من المتغيرات (وإن كانت تفقد المعلومات) باستخدام PCA وتقنيات تقليل الأبعاد الأخرى ، مما يتيح تصور الفضاء الكيميائي23.

يمكن تقييم تنوع المكتبة الكيميائية بعدة طرق ، اعتمادا إلى حد كبير على البيانات التي يتم فحصها ، والأهم من ذلك ، هدف الدراسة. يعد التمثيل الجزيئي مكونا حاسما في تحليل التنوع بالإضافة إلى مقياسالتنوع 24. على الرغم من أن السقالات الكيميائية والواصفات الجزيئية هما النهجان المستخدمان لتمثيل الجزيئات بشكل متكرر في تحليل المعلوماتية الكيميائية ، إلا أن بعضها له عيب يتمثل في كونها أكثر صعوبة في فهم25 ولا تحدد بالضرورة المجموعات. على سبيل المثال ، من المعتاد أن يكون للمركبات المختلفة ملفات تعريف خاصية قابلة للمقارنة للغاية. لذلك ، فإن النظر في تمثيلات الهيكل المختلفة يقدم صورة أكثر شمولا لتنوع المكتبات المركبة. هذا هو أساس مفهوم الأكوان المتعددة الكيميائية ، والتي يتم تعريفها على أنها مجموعة أو مجموعة من المساحات الكيميائية لنفس مجموعة البيانات ، كل واحدة محددة بمجموعة من الواصفات26.

نظرا لأن CDPs تستخدم تمثيلات متعددة يمكن تقسيمها إلى ثلاثة أو بعدين لتحليل التنوع العالمي لمجموعات البيانات المركبة باستخدام مجموعة متنوعة من المقاييس ، فإنها تساعد في مقارنة وتصنيف المكتبات الكيميائية12.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ويعلن أصحاب البلاغ أنه ليس لديهم أي تضارب في المصالح.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تشكر HLBC و MACH تمويل Universidad Catolica de Santa Maria (المنح 27499-R-2020 و 27574-R-2020 و 7309-CU-2020 و 28048-R-2021). تشكر JLMF تمويل DGAPA و UNAM و Programa de Apoyo a Proyectos de Investigación e Innovación Tecnológica (PAPIIT) ، المنحة No. IN201321.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
برنامج GraphPad PrismGraphPadPrism https://www.graphpad.com/
KNIMEhttps://www.knime.com
برنامج Osiris DataWarrior (OSIRIS)openmolecules.org https://openmolecules.org/datawarrior/
PUMAPUMA: منصة للتحليل الجزيئي الموحدhttp://132.248.103.152:3838/PUMA/
منصة

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Boufridi, A., Quinn, R. J. Harnessing the properties of natural products. Annu Rev Pharmacol Toxicol. 58, 451-470 (2018).
  2. Gómez-García, A., et al. Navigating the chemical space and chemical multiverse of a unified Latin American natural product database: LANaPDB. ChemRxiv. , (2023).
  3. Newman, D. J., Cragg, G. M. Natural products as sources of new drugs over the nearly four decades from 01/1981 to 09/2019. J Nat Prod. 83 (3), 770-803 (2020).
  4. Atanasov, A. G., Zotchev, S. B., Dirsch, V. M., Supuran, C. T. Natural products in drug discovery: advances and opportunities. Nat Rev Drug Discov. 20 (3), 200-216 (2021).
  5. Medina-Franco, J. L., Saldívar-González, F. I. Cheminformatics to characterize pharmacologically active natural products. Biomolecules. 10 (11), 1566(2020).
  6. Chen, Y., Garcia De Lomana, M., Friedrich, N. O., Kirchmair, J. Characterization of the Chemical Space of Known and Readily Obtainable Natural Products. J Chem Inf Model. 58 (8), 1518-1532 (2018).
  7. Gaytán-Hernández, D., Chávez-Hernández, A. L., López-López, E., Miranda-Salas, J., Saldívar-González, F. I., Medina-Franco, J. L. Art driven by visual representations of chemical space. ChemRxiv. , (2023).
  8. Zabolotna, Y., Ertl, P., Horvath, D., Bonachera, F., Marcou, G., Varnek, A. NP Navigator: A new look at the natural product chemical space. Mol Inform. 40 (9), e2100068(2021).
  9. Martinez-Mayorga, K., Madariaga-Mazon, A., Medina-Franco, J. L., Maggiora, G. The impact of chemoinformatics on drug discovery in the pharmaceutical industry. Expert Opin Drug Discov. 15 (3), 293-306 (2020).
  10. Pilón-Jiménez, B., Saldívar-González, F., Díaz-Eufracio, B., Medina-Franco, J. BIOFACQUIM: A Mexican compound database of natural products. Biomolecules. 9 (1), 31(2019).
  11. Barazorda-Ccahuana, H. L., et al. PeruNPDB: the Peruvian natural products database for in silico drug screening. Sci Rep. 13 (1), 7577(2023).
  12. González-Medina, M., Prieto-Martínez, F. D., Owen, J. R., Medina-Franco, J. L. Consensus diversity plots: a global diversity analysis of chemical libraries. J Cheminform. 8, 63(2016).
  13. Irwin, J. J., et al. ZINC20-A free ultralarge-scale chemical database for ligand discovery. J Chem Inf Model. 60 (12), 6065-6073 (2020).
  14. Naveja, J. J., Medina-Franco, J. L. Finding constellations in chemical space through core analysis. Front Chem. 7, 510(2019).
  15. Cavasotto, C. N., Di Filippo, J. I. Artificial intelligence in the early stages of drug discovery. Arch Biochem Biophys. 698, 108730(2021).
  16. Rosén, J., Gottfries, J., Muresan, S., Backlund, A., Oprea, T. I. Novel chemical space exploration via natural products. J Med Chem. 52 (7), 1953-1962 (2009).
  17. Sliwoski, G., Kothiwale, S., Meiler, J., Lowe Jr, E. W. Computational methods in drug discovery. Pharmacol Rev. 66 (1), 334-395 (2014).
  18. Goyzueta-Mamani, L. D., Barazorda-Ccahuana, H. L., Mena-Ulecia, K., Chávez-Fumagalli, M. A. Antiviral activity of metabolites from Peruvian plants against SARS-CoV-2: An in silico approach. Molecules. 26 (13), 3882(2021).
  19. Goyzueta-Mamani, L. D., et al. In silico analysis of metabolites from Peruvian native plants as potential therapeutics against Alzheimer's disease. Molecules. 27 (3), 918(2022).
  20. Barazorda-Ccahuana, H. L., et al. Computer-aided drug design approaches applied to screen natural product's structural analogs targeting arginase in Leishmania spp. F1000Research. 12, 93(2023).
  21. McGrady, M. Y., Colby, S. M., Nuñez, J. R., Renslow, R. S., Metz, T. O. AI for chemical space gap filling and novel compound generation. arXiv. , (2022).
  22. Medina-Franco, J., Martinez-Mayorga, K., Giulianotti, M., Houghten, R., Pinilla, C. Visualization of the chemical space in drug discovery. Curr Comput Aided-Drug Des. 4 (4), 322-333 (2008).
  23. Osolodkin, D. I., Radchenko, E. V., Orlov, A. A., Voronkov, A. E., Palyulin, V. A., Zefirov, N. S. Progress in visual representations of chemical space. Expert Opin Drug Discov. 10 (9), 959-973 (2015).
  24. Sheridan, R. P., Kearsley, S. K. Why do we need so many chemical similarity search methods. Drug Discov Today. 7 (17), 903-911 (2002).
  25. Singh, N., Guha, R., Giulianotti, M. A., Pinilla, C., Houghten, R. A., Medina-Franco, J. L. Chemoinformatic analysis of combinatorial libraries, drugs, natural products, and molecular libraries Small Molecule Repository. J Chem Inf Model. 49 (4), 1010-1024 (2009).
  26. Medina-Franco, J. L., Chávez-Hernández, A. L., López-López, E., Saldívar-González, F. I. Chemical multiverse: An expanded view of chemical space. Mol Inform. 41 (11), e2200116(2022).

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

Chemoinformatics ToolsMolecular RepresentationsStructure Property RelationshipsBioactivity PredictionADME EstimationNatural Product LikenessOpen Source Databases
الفيديو قريباً

مقالات ذات صلة