Methodenartikel

Visualiseren en analyseren van de chemische ruimte van databases met natuurlijke producten voor het ontdekken van geneesmiddelen

DOI:

10.3791/66349

⸱

6 september 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

In dit artikel

Samenvatting

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

Hier bieden we een methodologie die verschillende moleculaire representaties gebruikt om de chemische ruimte van datasets van natuurlijke verbindingen weer te geven en te analyseren, met een focus op toepassingen die verband houden met het ontdekken van geneesmiddelen.

Samenvatting

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

Chemische ruimte is een multidimensionale descriptorruimte die alle mogelijke moleculen omsluit, en ten minste 1 x 1060 organische stoffen met een molecuulgewicht van minder dan 500 Da worden verondersteld potentieel relevant te zijn voor de ontdekking van geneesmiddelen. Natuurlijke producten zijn de primaire bron geweest van de nieuwe farmacologische entiteiten die de afgelopen veertig jaar op de markt zijn gebracht en blijven een van de meest productieve bronnen voor de creatie van innovatieve medicijnen. Op chemo-informatica gebaseerde computationele tools versnellen het ontwikkelingsproces van geneesmiddelen voor natuurlijke producten. Er zijn methoden gebruikt, waaronder het schatten van bioactiviteiten, veiligheidsprofielen, ADME en het meten van de gelijkenis van natuurlijke producten. Hier bespreken we recente ontwikkelingen in chemo-informaticatools die zijn ontworpen om de chemische ruimte van datasets van natuurlijke verbindingen te visualiseren, te karakteriseren en uit te breiden met behulp van verschillende moleculaire representaties, visuele representaties van dergelijke ruimtes te creëren en structuur-eigenschapsrelaties binnen chemische ruimtes te onderzoeken. Met de nadruk op toepassingen voor het ontdekken van geneesmiddelen, evalueren we de open-source databases BIOFACQUIM en PeruNPDB als proof of concept.

Inleiding

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

Natuurlijke producten (NP's), dit zijn chemische verbindingen die door levende wezens worden gemaakt, worden al eeuwenlang gebruikt als traditionele behandelingen. Individuele NP's zijn in de moderne tijd gemaakt als medicijnen en met succes geëxploiteerd als leidende verbindingen bij het ontdekken van geneesmiddelen1. Mariene, schimmel-, bacteriële, plantaardige en endogene stoffen die door mens en dier worden gemaakt, zijn opgenomen in de categorie bioactieve stoffen, evenals gif en gif dat door verschillende dieren wordt geproduceerd2. Als gevolg hiervan vormde het aantal medicijnen dat door NP's werd gemaakt veertig jaar lang een belangrijke bron van nieuwe farmacologische stoffen3, waarbij wordt benadrukt dat NP's cruciaal zijn geweest bij de ontwikkeling van nieuwe medicijnen, met name voor de behandeling van kanker en infectieziekten, evenals voor andere therapeutische aandoeningen zoals multiple sclerose en hart- en vaatziekten4. Bovendien waren 64,9% van de 185 kleine verbindingen die tussen 1981 en 2019 werden toegelaten voor de behandeling van kanker, ongemodificeerde NP's of synthetische geneesmiddelen met een NP-farmacofoor3.

Chemo-informatica, een gevestigde interdiscipline die berust op het concept van chemische ruimte, is gebruikt om de chemische ruimte van de fysisch-chemische kwaliteiten van NP's te analyseren en te visualiseren die verband houden met geneesmiddelachtige eigenschappen5. Chemo-informatica heeft een substantiële impact aangetoond op het ontwerp en de ontdekking van geneesmiddelen op basis van NP's6. De chemische ruimte van een groep verbindingen is niet altijd uniek. Het zal afhangen van de verzameling descriptoren die worden gebruikt om het te definiëren, wat betekent dat het bestuderen van de chemische ruimte van NP's, net als elke andere set verbindingen, bijzondere uitdagingen met zich meebrengt die berusten op moleculaire representatie7. Dit streven kan worden benaderd met behulp van een verscheidenheid aan moleculaire descriptoren en datavisualisatietechnieken. De meest gebruikte technieken daarentegen zijn hoofdcomponentenanalyse (PCA), steigerbomen, zelforganiserende kaarten, generatieve topografische kartering (GTM) en een nieuwe visualisatietechniek die boomkaarten (TMAP's) wordt genoemd8. Ook het verzamelen, evalueren en verspreiden van de chemische informatie van NP in databases met verbindingen is een van de toepassingen van chemo-informatica in NP-onderzoek. In tegenstelling tot de introductie van big data is dit vooral relevant9.

Hier worden de open-source NP-databases BIOFACQUIM10 en PeruNPDB11 gebruikt om het protocol te beschrijven dat zoekt naar visualisatie en karakterisering van de chemische ruimte van datasets van natuurlijke verbindingen met behulp van verschillende moleculaire representaties, visuele representaties van dergelijke ruimtes creëert en structuur-eigenschapsrelaties binnen chemische ruimtes onderzoekt, met de nadruk op toepassingen voor het ontdekken van geneesmiddelen.

Protocol

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

1. Software downloaden en installeren

  1. Maak de directory van dit project fris. Voor gemakkelijke toegang plaatst u de uitvoerbare bestanden en bestanden in deze map.
  2. Installeer de benodigde softwarepakketten nadat u ze hebt gedownload.
  3. Download de nieuwste versie van The Osiris DataWarrior (OSIRIS) software, die te vinden is op https://openmolecules.org/datawarrior/
  4. Download de nieuwste versie van het Konstanz Information Miner (KNIME) Analytics Platform, dat te vinden is op https://www.knime.com/
  5. Download de nieuwste versie van de GraphPad Prism-software, die u kunt vinden op https://www.graphpad.com/
    OPMERKING: De Osiris DataWarrior-software en het Konstanz Information Miner (KNIME) Analytics Platform kunnen op een pc worden gebruikt en zijn gratis voor individueel gebruik, terwijl de GraphPad Prism-software kan worden aangeschaft bij (https://www.graphpad.com/).

2. Opbouw en curatie van een samengestelde database

OPMERKING: Zoek stoffen en bronnen die over de benodigde gegevens beschikken. De gebruiker wordt geadviseerd om de volgende gegevens voor elke verbinding in een spreadsheet te hebben.

  1. Geef elke verbinding een naam. Voeg de namen toe van alle verbindingen die bij de bron worden beschreven in de eerste kolom van een spreadsheet.
  2. Wijs een interne, gestandaardiseerde code toe bij het maken van een interne collectie, of wijs een nummer toe dat deze verbinding in de geraadpleegde database uniek identificeert.
  3. Lever de structuurinvoer met behulp van canonieke SMILES-notatie, die kan worden geïmporteerd in andere moleculaire bewerkingstools.
    1. Sla de database idealiter op in .csv formaat zodra deze gegevens in de spreadsheet zijn verzameld.
    2. Gebruik OSIRIS-software om de structuurgegevensbestanden (SDF), het moleculaire gegevensbestand (mol) en mol2 van de dataset te genereren, die ook chemische informatie bevatten en interoperabel zijn met de meeste softwarepakketten. Upload hiervoor het .csv archief door op de knop Bestand en vervolgens op de knop Openen te klikken.
    3. Upload de dataset naar het KNIME analytics platform om de kwaliteit van de data te verbeteren en onnauwkeurige resultaten te voorkomen. Upload hiervoor het .sdf - of .mol2-bestand door op de knop Bestand en vervolgens op de knop Openen te klikken.
  4. Zorg voor uniformiteit in chemische structuren.
    1. Onderzoek elke chemische structuur op geldige atoomtypen en valentiecontroles. Standaardiseer de structuren door ze om te zetten in een canonieke tautomere vorm, aromatische structuren te kekuliseren, de positionering van stereobindingen te standaardiseren en alle impliciete waterstofatomen om te zetten in expliciete waterstofatomen met behulp van de Standardizing Molecular Structures-workflow van KNIME.
    2. Vind en elimineer duplicaten nadat de moleculen correct zijn gestandaardiseerd door gebruik te maken van de Standardizing Molecular Structures-workflow van KNIME. Gebruik InChI-sleutels als een lineaire notatie om verschillende protoneringstoestanden en tautomeren te lokaliseren.
    3. Elimineer duplicaten.
    4. Som tautomeren en stereoisomeren op. Deze stap is cruciaal in virtuele screeningsonderzoeken, vooral bij het gebruik van zoekmethoden zoals docking of filtering op basis van farmacofoor.

3. Moleculaire descriptoren en diversiteitsanalyse

OPMERKING: Moleculaire descriptoren, zoals fysisch-chemische eigenschappen, en moleculaire vingerafdrukken en chemische steigers, zijn de meest gebruikelijke benaderingen om moleculen weer te geven in chemo-informaticatoepassingen. Analyse kan hier worden uitgevoerd: http://132.248.103.152:3838/PUMA/. Alle hieronder beschreven stappen worden gedetailleerd beschreven op de PUMA-website.

  1. Bereken de zes meest voorkomende fysisch-chemische kwaliteiten van farmacologische relevantie: molecuulgewicht (MW), octanol/waterverdelingscoëfficiënt (klompP), topologisch oppervlak (TPSA), waterige oplosbaarheid (klompen), aantal H-bindingsdonoratomen (HBD) en aantal H-bindingsacceptoratomen (HBA). Raadpleeg de PUMA-website voor meer informatie.
  2. Bereken de 166-bits MACCS-sleutels, de paarsgewijze Tanimoto-gelijkenis en uitgebreide connectiviteitsvingerafdrukken met diameter 4 (ECFP4), samen met andere cirkelvormige vingerafdrukken die geschikt zijn voor virtuele screening, modellering van het activiteitenlandschap en onderzoek naar structuur-activiteitsrelaties (SAR).
  3. Bereken een centrale tendensstatistiek voor elke paarsgewijze vergelijking. Zorg voor diversiteit in de dataset met een kleiner gemiddelde of mediaan die in strijd is met de Euclidische afstand of een algemene afstandsmetriek.
  4. Controleer of de berekende waarden zijn vastgelegd in de literatuur of zijn berekend voor andere referentiedatabases voor vergelijkingsdoeleinden. Raadpleeg hiervoor websites zoals PubChem of CHEMBL.
  5. Genereer vioolplots voor visualisatie binnen de GraphPad Prism-software, waarbij de maximale en minimale waarden worden weergegeven.

4. Visualisatie van de chemische ruimte

OPMERKING: Het is mogelijk om het merendeel van de relevante gegevens samen te vatten in een klein aantal variabelen met behulp van PCA en andere technieken voor het verminderen van dimensionaliteit. Visualisaties van de chemische ruimte worden zo mogelijk gemaakt.

  1. Selecteer alle zes descriptoren om de overeenkomst of afstand te bepalen. Maak dienovereenkomstig de gelijkenismatrix (of afstand).
  2. Voer een PCA-analyse uit op de matrix. Selecteer twee of drie hoofdcomponenten om te plotten. Houd rekening met het aandeel van de variantie dat door elk primair onderdeel wordt vastgelegd.
  3. Genereer twee- of driedimensionale spreidingsdiagramweergaven voor PCA met behulp van het Plotly KNIME-knooppunt.

5. Consensus diversiteit plots

OPMERKING: Er zijn visuele representaties ontwikkeld om een paar kenmerken samen te vatten die kunnen worden gebruikt om variëteit te kwantificeren. De analyse van de consensus diversity plots (CDPs)12 kan hier http://132.248.103.152:3838/CDPlots/ worden uitgevoerd.

  1. Maak een plot met het aantal verbindingen in de database om de grootte van het gegevenspunt te bepalen. Gebruik de diversiteit van moleculaire vingerafdrukken voor de x-as, diversiteit van steigers voor de y-as, diversiteit op basis van fysisch-chemische eigenschappen voor de kleurcontinue schaal en het relatieve aantal verbindingen in de dataset voor de grootte van het gegevenspunt.
  2. Genereer de plot met meerdere variabelen met behulp van de GraphPad Prism-software.

Resultaten

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

Moleculaire eigenschappen en visualisatie van de chemische ruimte
Alle verbindingen in de datasets BIOFACQUIM10, PeruNPDB11 en FDA13 hadden zes fysisch-chemische eigenschappen die voor hen waren berekend. Deze kwaliteiten werden vervolgens uitgezet op vioolgrafieken, waarmee men kan zien hoe de eigenschappen van de drie bestudeerde datasets zijn verdeeld (Figuur 1). De verdelingsprofielen van de zes fysisch-chemische parameters van farmaceutisch belang, namelijk molecuulgewicht (MW), octanol/water-verdelingscoëfficiënt (klompP), topologisch oppervlak (TPSA), waterige oplosbaarheid (klompen), aantal H-bindingsdonoratomen (HBD) en aantal H-bindingsacceptoratomen (HBA), verschillen tussen de datasets. De TPSA-resultaten toonden echter significante verschillen aan bij het vergelijken van de BIOFACQUIM- en FDA-datasets met PeruNPDB. Met behulp van PCA werd de visualisatie van de chemische ruimte van de dataset uitgevoerd. Uit 3D-visuele PCA-analyse blijkt echter dat moleculen in beide datasets van NP's de chemische ruimte ruwweg overlappen met de verzameling goedgekeurde geneesmiddelen van de FDA. Terwijl in sommige gebieden chemicaliën uit PeruNPDB of BIOFACQUIM overheersen (Figuur 2).

Diversiteit analyse
Daarnaast werd een CDP op basis van moleculaire vingerafdrukken, steigers en fysisch-chemische eigenschappen gebruikt om de diversiteit van de datasets te beoordelen. De op eigenschappen gebaseerde diversiteit van de databases van PeruNPDB, BIOFAQUIM en FDA werd berekend aan de hand van de Euclidische afstand van de geschaalde eigenschappen. Daarnaast werd een CDP op basis van moleculaire vingerafdrukken, steigers en fysisch-chemische eigenschappen gebruikt om de diversiteit van de datasets te beoordelen. De op eigenschappen gebaseerde diversiteit van de databases van PeruNPDB, BIOFAQUIM en FDA werd berekend aan de hand van de Euclidische afstand van de geschaalde eigenschappen. De waarden op de kleuren-cd-plot worden weergegeven door gegevenspunten op een continue kleurenschaal. Helderdere tinten duiden op een grotere diversiteit, terwijl donkere kleuren op minder diversiteit duiden. Last but not least worden verschillende puntgroottes gebruikt om het relatieve aantal verbindingen in elke database weer te geven, waarbij kleinere datapunten databases met minder moleculen vertegenwoordigen. Aangezien het werd ontdekt in de regio waar de grootste diversiteit aan steigers en vingerafdrukken zou moeten worden gevonden, toonden de bevindingen aan dat de verbindingen in de PeruNPDB de grootste wereldwijde diversiteit hadden (Figuur 3).

figure-results-1
Figuur 1: Vioolgrafieken voor de fysisch-chemische eigenschappen. Vioolgrafieken voor de fysisch-chemische eigenschappen van BIOFACQUIM-, PeruNPDB- en FDA-datasets. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-2
Figuur 2: Visuele weergave van de chemische ruimte. Visuele weergave van BIOFACQUIM-, PeruNPDB- en FDA-datasets op basis van de belangrijkste componenten van zes eigenschappen van farmaceutische relevantie. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-3
Figuur 3: Consensus diversiteitsgrafiek. Consensusdiversiteitsgrafiek waarin de wereldwijde diversiteit van BIOFACQUIM-, PeruNPDB- en FDA-datasets wordt vergeleken. Klik hier om een grotere versie van deze figuur te bekijken.

Discussie

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

Vanwege de vele mogelijke toepassingen, zoals classificatie van verbindingen, selectie van verbindingen, het onderzoeken van verbanden tussen structuur en activiteit en het navigeren door structuur-eigenschapsinteracties, wordt het concept van chemische ruimte tegenwoordig veel gebruikt in het ontdekkings- en ontwikkelingsproces van geneesmiddelen14. Ook is het creëren van NP-databases een fundamentele procedure om verschillende computationele studies uit te voeren, waaronder het ontwerp van chemische bibliotheken, karakterisering en vergelijking van de chemische ruimte, de studie van SAR en virtuele screening, naast andere studies, als gevolg van de toename van de hoeveelheid chemische informatie. Training in algoritmen voor kunstmatige intelligentie (AI) is daarentegen nog een andere cruciale toepassing. AI verwijst naar een groep computationele technieken die machines in staat stellen menselijke cognitieve processen na te bootsen, inclusief het oplossen van problemen en leren van ervaringen15,16.

Hoewel databases met chemische verbindingen, waaronder NP-databases, belangrijke hulpmiddelen zijn bij het ontdekken van geneesmiddelen, is het ook mogelijk om potentiële hitmoleculen te detecteren met behulp van een verscheidenheid aan virtuele screeningtechnieken17. Bovendien zijn er verschillende kandidaat-geneesmiddelen gevonden in NP-databases die het potentieel hebben om ziekten te behandelen, waaronder coronavirusziekte18, de ziekte van Alzheimer19 en leishmaniasis20. Als gevolg van de huidige beperkingen bij het verwerken van "big data", kan de chemische ruimte van alle potentiële moleculen in een bepaald biologisch of milieumonster echter extreem groot en grotendeels onontgonnen zijn21. Hoewel er geen unieke of universele technieken zijn voor representaties van de chemische ruimte, is een veelgebruikte manier het creëren van gelijkenismatrices die alle paarsgewijze vergelijkingen bevatten22. Het grootste deel van de relevante informatie kan worden teruggebracht tot een klein aantal variabelen (zij het dat er informatie verloren gaat) met behulp van PCA en andere dimensionaliteitsreductietechnieken, waardoor de visualisatie van de chemische ruimte mogelijk wordt23.

De diversiteit van een chemische bibliotheek kan op verschillende manieren worden geëvalueerd, grotendeels afhankelijk van de gegevens die worden onderzocht en, belangrijker nog, het doel van het onderzoek. Moleculaire representatie is een cruciaal onderdeel van diversiteitsanalyse naast de diversiteitsmaat24. Hoewel chemische steigers en moleculaire descriptoren de twee benaderingen zijn die het vaakst worden gebruikt om moleculen weer te geven in chemo-informaticaanalyse, hebben sommige ervan het nadeel dat ze moeilijker te begrijpen zijn25 en identificeren ze niet noodzakelijkerwijs de collecties; Het is bijvoorbeeld typisch dat verschillende verbindingen zeer vergelijkbare eigenschapsprofielen hebben. Daarom biedt het beschouwen van verschillende structuurrepresentaties een uitgebreider beeld van de diversiteit van samengestelde bibliotheken. Dit is de basis van het concept van chemisch multiversum, dat kan worden gedefinieerd als een groep of verzameling chemische ruimten voor dezelfde dataset, elk gedefinieerd door een set descriptoren26.

Omdat CDP's meerdere representaties gebruiken die kunnen worden onderverdeeld in drie of twee dimensies om de wereldwijde diversiteit van samengestelde datasets te analyseren met behulp van een verscheidenheid aan metrieken, helpen ze bij het vergelijken en categoriseren van chemische bibliotheken12.

Openbaarmakingen

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

De auteurs verklaren dat ze geen belangenconflict hebben.

Dankbetuigingen

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

HLBC en MACH danken de financiering van Universidad Católica de Santa Maria (subsidies 27499-R-2020, 27574-R-2020, 7309-CU-2020 en 28048-R-2021). JLMF dankt de financiering van DGAPA, UNAM, Programa de Apoyo a Proyectos de Investigación e Innovación Tecnológica (PAPIIT), subsidienr. IN201321.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
GraphPad PrismGraphPad Prismhttps://www.graphpad.com/
KNIME platformKNIMEhttps://www.knime.com
Osiris DataWarrior (OSIRIS) softwareopenmolecules.orghttps://openmolecules.org/datawarrior/
PUMAPUMA: Platform voor geünificeerde moleculaire analysehttp://132.248.103.152:3838/PUMA/

Referenties

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

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Chemoinformatica toolsmoleculaire representatiesstructuur eigenschaprelatiesbioactiviteitsvoorspellingADME schattingnatuurlijk product gelijkenisopensource databases
Video binnenkort beschikbaar

Gerelateerde artikelen