Predicción de Toxicidad de Compuestos Fenólicos Mediante QSAR

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

San Luis

Congreso; XXVI Congreso Argentino de Química Dr. Ángel del Carmen Devia; 2006

Introducción Una de las principales consecuencias del empleo universal de derivados fenólicos es que estos contaminantes se encuentren presentes tanto en ecosistemas acuáticos como terrestres, por lo que resulta imprescindible y de sumo interés poder evaluar de antemano los efectos toxicológicos adversos que ejercen al ser liberados al medio ambiente, junto con alguna manera conveniente de controlar su producción1.   Hoy día se ha llevado a cabo un sinnúmero de estudios experimentales para evaluar la toxicidad y ecotoxicidad de estos agentes químicos. Sin embargo, no se trata de una tarea fácil de emprender ya que un ensayo toxicológico intensivo suele ser costoso, aparte de demandar demasiado tiempo de análisis. Además, un estudio de estas dimensiones debe ser capaz de considerar ambientes múltiples y el efecto de todas las combinaciones posibles de interacciones biológicas sobre los diversos organismos vivientes, que sean representativos de los diferentes ecosistemas, datos que a menudo no se hallan disponibles2.   Las diversas formulaciones de las Relaciones Cuantitativas Estructura-Actividad (QSAR) proponen modelos matemáticos capaces de cuantificar y describir una hipotética relación entre la estructura molecular y la toxicidad de sustancias:   p = función (d)   donde la respuesta p representa la toxicidad observada para las sustancias en condiciones in vitro o in vivo, mientras que d denota un conjunto de descriptores moleculares que caracterizan la estructura/subestructura molecular. Los descriptores habitualmente representan variables numéricas que pueden ser propiedades físico-químicas determinadas experimentalmente o cantidades teóricas derivadas, por ejemplo, de la Teoría de Grafos Química o la Mecánica Cuántica3,4.   El presente estudio de toxicidad acuosa recurre al método estadístico de Análisis de Regresión Lineal Multivariable (MLR) para establecer relaciones QSAR, empleando un conjunto molecular de 250 derivados fenólicos que incluyen diferente tipo de grupos funcionales en su estructura5. En el área de Toxicología Acuosa se considera que la misma se encuentra bien representada por los efectos de químicos sobre bacterias marinas tales como Vibrio Fischeri (Tetrahymena Pyriformis) o Fathead Minnow (Pimephales Promelas)6,7. El estudio actual considera la inhibición de emisión de luz de Vibrio Fischeri, quedando expresada en la práctica como la concentración necesaria para la inhibición al 50% de la bioluminiscencia después de 15 minutos de exposición, IGC50(mmol/l), y es convertida a –log(IGC50) para propósitos de modelado.   Metodología Se calculan 1300 descriptores teóricos de diferente tipo mediante el programa Dragon8, pudiéndose clasificar como pertenecientes a las siguientes familias de variables: constitucionales, topológicos, cuenta de caminos moleculares, autocorrelaciones bidimensionales, geométricos, de carga, funcionales, de tipo Randic, funciones de distribución radial, etc. A su vez, se incorporan a estas variables la cuenta de átomos y enlaces de grupos funcionales ubicados en posiciones específicas de la estructura molecular, no provistos por Dragon, y que resultan de suma utilidad a la hora de establecer la relación QSAR. Los descriptores dependientes de la geometría tridimensional se los obtiene luego de optimizar las estructuras con el método semiempírico PM3, disponible del programa Hyperchem9. El gradiente de convergencia empleado es 0.01 kcal.Å-1.   Es bien sabido el hecho de que cada uno de estos descriptores moleculares son capaces de contribuir en cierto grado para explicar la propiedad estudiada. Sin embargo, la selección de un conjunto reducido con los descriptores que sean más representativos de la propiedad estudiada para establecer el modelo, y que minimice su desviación estándar (S), no es una tarea trivial. Un cálculo exacto implica realizar el siguiente número de regresiones lineales: D! / [(D-d)!d!], donde D es el número total de descriptores disponibles y d es el número de variables presentes en la ecuación, es decir, tratar con todas las combinaciones posibles entre los descriptores en el modelo lineal. Existe una jungla de métodos aproximados reportados en la literatura que permiten buscar el modelo óptimo de regresión. En el presente análisis se ha recurrido al Método del Reemplazo (RM)10-12, una técnica eficiente propuesta en nuestro grupo y que requiere un número mucho menor de cálculos a realizarse, demostrando compararse con los ampliamente reconocidos Algoritmos Genéticos13. En breve, la esencia del método del Reemplazo consiste en minimizar el parámetro S del modelo tomando en consideración la desviación estándar relativa en cada coeficiente de regresión del modelo de d variables. Este es el trayecto de optimización que considera el algoritmo. Las variables que presenten mayores desviaciones relativas en sus contribuciones son reemplazadas continuamente por etapas por otras del conjunto total D, de manera que mejoren sucesivamente la calidad de la ecuación lineal.   Con la idea de establecer el poder predictivo de las relaciones encontradas, se practica una validación externa del modelo óptimo. Para ello, se particiona el conjunto molecular de 250 derivados fenólicos en dos subconjuntos, 200 moléculas para calibrar el modelo y buscar los mejores descriptores con RM, y las restantes 50 moléculas de estructuras análogas para aplicar el modelo y analizar su performance predictiva.   Resultados El método RM encuentra diferentes modelos óptimos que relacionan las toxicidades con las estructuras de los 200 derivados fenólicos. Para el caso de 7 descriptores moleculares elegidos entre las 1300 variables, se tiene:   -log(IGC50) = 0.359 + 0.320 nPhX - 0.476 MATS8p +  0.0640 IAC          - 0.126 H-047 -2.470 Mor23p -8.998 R3e+ - 5.693 RBF                             (1) N=200 R=0.8363 S=0.462 F=63.807                                                                                                             N=50 Rval=0.7997, Sval=0.512   donde se aprecia que son necesarias diferentes definiciones de familias de descriptores teóricos para predecir los valores de –log(IGC50) (descriptores constitucionales, geométricos, y electrónicos). El coeficiente de correlación de mediana calidad está en concordancia con el hecho experimental observado de que este tipo de derivados fenólicos son capaces de manifestar diferentes mecanismos de acción biológica. Caso contrario, el ajuste de los datos sería superior si se analizaran datos homogéneos. Los parámetros de validación externa (val) indican que el modelo QSAR se desempeña predictivamente sobre los 50 compuestos fenólicos no tenidos en cuenta durante el ajuste.   Conclusiones Los modelos encontrados muestran compararse con otros reportados en la literatura vía técnicas de cálculo mucho más elaboradas a la empleada aquí, tales como Cuadrados Mínimos Parciales o Redes Neuronales Artificiales5. Suele representar un hecho general el que se deriven modelos QSAR sobre moléculas que exhiban mecanismos de acción biológica específicos, tales como de tipo narcótico polar. A pesar de ello, en el análisis propuesto se modelan compuestos capaces de actuar bajo diferente tipo de mecanismos, obteniéndose además resultados satisfactorios.   Referencias (1)  Smith, S., Furay, V. J., Layiwola, P. J., Menezes-Filho, J. A. Chemosphere 1994, 28, 825. (2)  Bradbury, S. P. Toxicol. Lett. 1995, 79, 229. (3)  Katritzky, A. R., Lobanov, V. S., Karelson, M. Chem. Soc. Rev. 1995, 24, 279. (4)  Trinajstic, N. Chemical Graph Theory; CRC Press: Boca Raton, FL, 1992. (5)  Devillers, J. SAR and QSAR in Environ. Res. 2004, 15, 237. (6)  Karabunarliev, S., Mekenyan, O. G., Karcher, W., Russom, C. L., Bradbury, S. P. Quant. Struct.-Act. Relat. 1996, 15, 302. (7)  Russom, C. L., Bradbury, S. P., Broderium, S. J., Hammermeister, D. E., Drummond, R. A. Environ. Toxicol. Chem. 1997, 16, 948. (8)  DRAGON 5.0 Evaluation Version, disponible de <http://www.disat.unimib.it/chm>. (9)  HYPERCHEM (Hypercube), disponible de <http://www.hyper.com>. (10)Duchowicz, P. R., Castro, E. A., Fernández, F. M., González, M. P. Chem. Phys. Lett. 2005, 412, 376. (11)Duchowicz, P. R., Castro, E. A., Fernández, F. M. MATCH Commun. Math. Comput. Chem. 2006, 55, 179. (12)Helguera, A. M., Duchowicz, P. R., Pérez, M. A. C., Castro, E. A., Cordeiro, M. N. D. S., González, M. P. Chemometr. Intell. Lab. 2006, 81, 180. (13)So, S. S., Karplus, M. J. Med. Chem. 1996, 39, 1521.