مطالعه ارتباط کمی ساختار- فعالیت برخی از داروهای مهارکننده آنزیم مبدل آنژیوتانسین I در کنترل فشارخون بر اساس روش بهینه سازی مونت کارلو

سال انتشار: 1404
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 7

فایل این مقاله در 19 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_SHIMU-33-2_003

تاریخ نمایه سازی: 31 خرداد 1404

چکیده مقاله:

مقدمه: فشارخون به عنوان یکی از جدی ترین بیماری های قلبی عروقی مطرح است که تاثیر نامطلوبی بر سلامت انسان دارد. کنترل و پیشگیری از این عارضه برای سلامت جهان حیاتی تلقی شده است. مهارکننده های آنزیم مبدل آنژیوتانسین گروهی از داروها هستند که عمدتا در کنترل بیماری های قلبی عروقی استفاده می شوند. هدف از این کار توسعه مدل های ارتباط کمی ساختار-فعالیت برای پیش بینی فعالیت برخی ترکیبات شیمیایی، به عنوان مهارکننده آنزیم مبدل آنژیوتانسین I در کنترل فشارخون، بر اساس روش بهینه سازی مونت کارلو بود. مواد و روش­ها: در این مطالعه، ارتباط کمی ساختار-فعالیت برای پیش بینی فعالیت مهارکنندگی مجموعه داده، شامل ۲۵۵ ترکیب شیمیایی مهارکننده آنزیم مبدل آنژیوتانسین I، بر اساس الگوریتم مونت کارلو مطالعه شد. فایل ورودی نرم افزار CORAL شامل ساختار های ترکیبات به نماد SMILES به همراه فعالیت مهارکنندگی آن ها است که به طور تصادفی به چهار گروه شامل آموزش فعال، آموزش غیرفعال، کالیبراسیون و اعتبارسنجی تقسیم گردیدند. این تقسیم بندی سه بار به صورت تصادفی تکرار شد و برای هر تقسیم بندی یک مدل جداگانه ایجاد گردید. یافته ­های پژوهش: توصیفگرهای بهینه از مدل هیبریدی حاصل از ترکیب میان توصیفگرهای SMILES و گراف مولکولی بدون هیدروژن برای ساخت مدل های QSAR به کار برده شد. چهار تابع هدف یعنی TF۰ (WIIC=WCII=۰)، (WIIC=۰.۳) TF۱، TF۲ (WIIC=۰, WCII=۰.۳)  و TF۳ (WIIC=WCII=۰.۳) برای ساخت ۱۲ مدل QSAR استفاده گردید. نتایج آماری هر تابع هدف با یکدیگر مقایسه شد. بحث و نتیجه گیری: در این مطالعه، مدل سازی داده های تجربی برخی از ترکیبات شیمیایی به عنوان مهارکننده آنزیم مبدل آنژیوتانسین I انجام گردید. کیفیت آماری مدل ارتباط کمی ساختار-فعالیت ایجادشده با استفاده از تابع هدف TF۳ برای شکاف ۲ بهتر از مدل های دیگر بود؛ بنابراین، به عنوان بهترین مدل در نظر گرفته شد. با استفاده از مدل به دست آمده، ویژگی های ساختاری مسئول افزایش و کاهش فعالیت مهارکنندگی شناسایی گردید.

کلیدواژه ها:

نویسندگان

شهرام لطفی

Dept of Chemistry, Payame Noor University (PNU), Tehran, Iran

شهین احمدی

Dept of Pharmaceutical Chemistry, Faculty of Pharmaceutical Chemistry, Tehran Medical Sciences, Islamic Azad University, Tehran, Iran

علی عظیمی

Dept of Chemistry, Science and Research Branch, Islamic Azad University, Tehran, Iran

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Jao CL, Huang SL, Hsu KU. Angiotensin I-converting enzyme inhibitory ...
  • Amaya, J.A.G., et al., In-silico design of new enalapril analogs ...
  • Cushman, D.W., et al., Design of potent competitive inhibitors of ...
  • Lin K, Zhang L, Han X, Meng Z, Zhang J, ...
  • Yılmaz, İ., Angiotensin-converting enzyme inhibitors induce cough. Turk Thorac J. ...
  • Vena GA, Cassano N, Coco V, De Simone C. Eczematous ...
  • Murray BA, FitzGerald RJ. Angiotensin converting enzyme inhibitory peptides derived ...
  • Wu Q, Cai QF, Tao ZP, et al. Purification and ...
  • Lorenz S, et al. Toward application and implementation of in ...
  • Zhao P, Peng Y, Xu X, Wang Z, Wu Z, ...
  • Azimi A, Ahmadi Sh, Kumar A, Qomi M, Almasirad A, ...
  • Ahmadi S, Ghanbari H, Lotfi S, Azimi N. Predictive QSAR ...
  • Ahmadi S, Khani R, Moghaddas M. Prediction of anti-cancer activity ...
  • Lotfi S, Ahmadi S, Zohrabi P. QSAR modeling of toxicities ...
  • rabhakar YS, Gupta SP. Structure-Activity relationship study on angiotensin-converting enzyme ...
  • Javidfar M, Ahmadi S. QSAR modelling of larvicidal phytocompounds against ...
  • Deokar H, Deokar M, Wang W, Zhang R, Buolamwini JK. ...
  • Lotfi S, Ahmadi S, Kumar P. Correction: Ecotoxicological prediction of ...
  • Toropov AA, Toropova AP, Roncaglioni A, Benfenati E. The system ...
  • Toropova AP, Toropov AA, Roncaglioni A, Benfenati E. The index ...
  • Lotfi S, Ahmadi Sh, Kumar P. A hybrid descriptor based ...
  • Kumar P, Kumar A. In silico enhancement of azo dye ...
  • Toropov AA, Toropova AP, Achary PGR, Raškova M, Raška I. ...
  • Shah S, Chaple D, Masand VH, Zaki MEA, Al-Hussain SA, ...
  • Duhan M, Sindhu J, Kumar P, Devi M, Singh R, ...
  • Achary PGR, Toropova AP, Toropov AA. Combinations of graph invariants ...
  • Roy PP, Roy K. QSAR studies of CYP۲D۶ inhibitor aryloxypropanolamines ...
  • Lotfi S, Ahmadi S, Kumar P. The Monte Carlo approach ...
  • Ahmadi S, Ketabi S, Qomi M. CO ۲ uptake prediction ...
  • Kumar P, Kumar A. CORAL: QSAR models of CB۱ cannabinoid ...
  • Toropova AP, Toropov AA, Veselinović AM, Veselinović JB, Benfenati E, ...
  • Tabti K, et al. HQSAR, CoMFA, CoMSIA docking studies and ...
  • Chirico N, Gramatica P. Real external predictivity of QSAR models. ...
  • Rücker C, Rücker G, Meringer M. Y-randomization–a useful tool in ...
  • Yordanova D, W. Schultz T, Kuseva C, Tankova K, Ivanova ...
  • Gatidou G, Vazaiou N, Thomaidis NS, Stasinakis AS. Biodegradability assessment ...
  • Shah S, Chaple D, Masand VH, Zaki MEA, Al-Hussain SA, ...
  • Roy K, Chakraborty P, Mitra I, Ojha PK, Kar S, ...
  • Jao CL, Huang SL, Hsu KU. Angiotensin I-converting enzyme inhibitory ...
  • Amaya, J.A.G., et al., In-silico design of new enalapril analogs ...
  • Cushman, D.W., et al., Design of potent competitive inhibitors of ...
  • Lin K, Zhang L, Han X, Meng Z, Zhang J, ...
  • Yılmaz, İ., Angiotensin-converting enzyme inhibitors induce cough. Turk Thorac J. ...
  • Vena GA, Cassano N, Coco V, De Simone C. Eczematous ...
  • Murray BA, FitzGerald RJ. Angiotensin converting enzyme inhibitory peptides derived ...
  • Wu Q, Cai QF, Tao ZP, et al. Purification and ...
  • Lorenz S, et al. Toward application and implementation of in ...
  • Zhao P, Peng Y, Xu X, Wang Z, Wu Z, ...
  • Azimi A, Ahmadi Sh, Kumar A, Qomi M, Almasirad A, ...
  • Ahmadi S, Ghanbari H, Lotfi S, Azimi N. Predictive QSAR ...
  • Ahmadi S, Khani R, Moghaddas M. Prediction of anti-cancer activity ...
  • Lotfi S, Ahmadi S, Zohrabi P. QSAR modeling of toxicities ...
  • rabhakar YS, Gupta SP. Structure-Activity relationship study on angiotensin-converting enzyme ...
  • Javidfar M, Ahmadi S. QSAR modelling of larvicidal phytocompounds against ...
  • Deokar H, Deokar M, Wang W, Zhang R, Buolamwini JK. ...
  • Lotfi S, Ahmadi S, Kumar P. Correction: Ecotoxicological prediction of ...
  • Toropov AA, Toropova AP, Roncaglioni A, Benfenati E. The system ...
  • Toropova AP, Toropov AA, Roncaglioni A, Benfenati E. The index ...
  • Lotfi S, Ahmadi Sh, Kumar P. A hybrid descriptor based ...
  • Kumar P, Kumar A. In silico enhancement of azo dye ...
  • Toropov AA, Toropova AP, Achary PGR, Raškova M, Raška I. ...
  • Shah S, Chaple D, Masand VH, Zaki MEA, Al-Hussain SA, ...
  • Duhan M, Sindhu J, Kumar P, Devi M, Singh R, ...
  • Achary PGR, Toropova AP, Toropov AA. Combinations of graph invariants ...
  • Roy PP, Roy K. QSAR studies of CYP۲D۶ inhibitor aryloxypropanolamines ...
  • Lotfi S, Ahmadi S, Kumar P. The Monte Carlo approach ...
  • Ahmadi S, Ketabi S, Qomi M. CO ۲ uptake prediction ...
  • Kumar P, Kumar A. CORAL: QSAR models of CB۱ cannabinoid ...
  • Toropova AP, Toropov AA, Veselinović AM, Veselinović JB, Benfenati E, ...
  • Tabti K, et al. HQSAR, CoMFA, CoMSIA docking studies and ...
  • Chirico N, Gramatica P. Real external predictivity of QSAR models. ...
  • Rücker C, Rücker G, Meringer M. Y-randomization–a useful tool in ...
  • Yordanova D, W. Schultz T, Kuseva C, Tankova K, Ivanova ...
  • Gatidou G, Vazaiou N, Thomaidis NS, Stasinakis AS. Biodegradability assessment ...
  • Shah S, Chaple D, Masand VH, Zaki MEA, Al-Hussain SA, ...
  • Roy K, Chakraborty P, Mitra I, Ojha PK, Kar S, ...
  • نمایش کامل مراجع