Introduccion y Avances en las Teorias QSAR/QSPR

MERCADER, A. G.; DUCHOWICZ, P. R.; FERNÁNDEZ, F. M.; CASTRO, E. A.

La Plata

Jornada; Semana de Divulgación del Conocimiento de la Facultad de Ciencias Exactas 2007; 2007

Universidad Nacional de La Plata, Facultad de Ciencias Exactas

Introducción y Avances en las teorías QSAR/QSPR Andrew G. Mercader*, Pablo R. Duchowicz, Francisco M. Fernández y Eduardo A. Castro INIFTA, División Química Teórica, Facultad de Ciencias Exactas, Universidad Nacional de La Plata, Diag. 113 y 64, Suc. 4, C.C. 16, (1900) La Plata, Argentina.. *e-mail: amercader@inifta.unlp.edu.ar   El objetivo de las teorías QSAR (Relaciones Cuantitativas Estructura Actividad) y QSPR (Relaciones Cuantitativas Estructura Propiedad) es predecir propiedades o actividades biológicas usando información que proviene de la estructura molecular. Esto permite predecir propiedades y actividades que aún no han sido medidas experimentalmente, incluso para sustancias que no existen debido a que todavía no han sido sintetizadas. [1] El fundamento de las teorías se basa en el hecho que la propiedad o actividad de una sustancia depende únicamente de su estructura molecular. Sin embargo cómo puede verse en la Fig. 1. la flecha que representa el vínculo directo está rota porque la relación permanece desconocida.     Fig. 1. Fundamentos de las teorías QSAR/QSPR   Para poder restablecer esta conexión debemos dar la vuelta alrededor de la misma. El paso que presenta mayor dificultad en este proceso es el llamado Diseño del Modelo. En este paso hay que seleccionar un grupo de d (aproximadamente 7) descriptores moleculares dentro de un grupo mucho mayor D que contiene más de mil descriptores. Los descriptores son valores calculados mediante formulas matemáticas obtenidas de varias teorías cómo: La Teoría de Grafos Química, Mecánica Cuántica, etc. [2,3] que contienen los  aspectos relevantes de la estructura molecular. El número de combinaciones posibles a probar es impracticable por lo que nuestro grupo propuso el Replacement Method (RM)[4,5]     En el poster se podrá ver además un ejemplo de aplicación y los siguientes puntos:   q El uso de RM en la obtención del mejor modelo lleva a resultados mejores que los obtenidos usando Genetics Algorithms (GA) [6].  Mediante ajustes adicionales se puede llegar a resultados aun mejores que los obtenidos usando Artificial Neural Networks (ANN) no lineales.[7] q Los resultados obtenidos usando RM pueden ser usados para predecir la propiedad o actividad y además para ayudar a comprender el fenómeno en estudio analizando los descriptores del modelo. q Las aplicaciones posibles son innumerables, sin embargo una considerable cantidad de datos experimentales medidos en condiciones similares son necesarios. q Recientemente hemos desarrollado el ERM (Enhanced Replacement Method) el cual presenta aún mejores resultados que RM..   [1] C. Hansch, A. Leo, Exploring QSAR Fundamentals and Applications in Chemistry and Biology, American Chemical Society,  Washington, D. C., 1995. [2] Katritzky, A. R., Lobanov, V. S., Karelson, M. Chem. Soc. Rev. 1995, 24, 279. [3] Trinajstic, N. Chemical Graph Theory; CRC Press: Boca Raton, FL, 1992 [4] Duchowicz, P. R., Castro, E. A., Fernández, F. M., González, M. P. Chem. Phys. Lett. 2005, 412, 376. [5] Duchowicz, P. R., Castro, E. A., and Fernández, F. M. Commun. Math. Comput. Chem. (MATCH) 2006, 55, 179. [6] So, S. S., Karplus, M. J. Med. Chem. 1996, 39, 1521 [7] P. R. Duchowicz, A. G. Mercader, F. M. Fernández, E. A. Castro. Submited to press.