2D QSAR АНАЛIЗ ПРОНИКАЮЧОЇ ЗДАТНОСТІ ОРГАНIЧНИХ СПОЛУК ВIДНОСНО ПОВЕРХНI ГЕМАТОЕНЦЕФАЛIЧНОГО БАР’ЄРУ
DOI:
https://doi.org/10.18524/2304-0947.2022.3(83).268607Ключові слова:
Гематоенцефалічний бар’єр (ГЕБ), QSАR, симплексний підхід, RF, PLSАнотація
Побудовано адекватні QSAR моделі «структура – показник проникнення речовин через гематоенцефалічний бар’єр (ГЕБ) LogPS» для органічних сполук різних класів. Проведено структурну та фізико-хімічну інтерпретацію моделей. Виявлено, що проникнення речовин через ГЕБ в значній мірі обумовлено гідрофобним чинником (30%). Визначено деякі фрагменти молекул, що сприяють або перешкоджають проникненню речовин через ГЕБ.
Посилання
Pardridge W. M. Blood-Brain Barrier delivery. Drug Discovery Today, 2007, vol. 12, no 1–2, pp. 54–61. http://doi.org/10.1016/j.drudis.2006.10.013
Dagenais C., Avdeef A., Tsinman O., Dudley A. P-Glycoprotein Deficient Mouse in situ Blood-Brain Barrier Permeability and its Prediction using an in combo PAMPA Model. Eur. J. Pharm. Sci., 2009, vol. 38, no 2, pp. 121–137. http://doi.org/10.1016/j.ejps.2009.06.009
Murakami H., Takanaga H., Matsuo H., Ohtani H., Sawada Y. Comparison of blood-brain barrier permeability in mice and rats using in situ brain perfusion technique. Am. J. Phys. Heart Circ. Physiol., 2000, pp. 1022–1029. http://doi.org/10.1152/ajpheart.2000.279.3.H1022
Lanevskij K., Japertas P., Didziapetris R., Petrauskas A. Ionization-Specific prediction of Blood-Brain Permeability. J. Pharm. Sci., 2009, vol. 98, no 1, pp. 122–134. http://doi.org/10.1002/jps.21405
Suenderhauf C., Hammann F., Huwyler J. Computational Prediction of Blood-Brain Barrier Permeability Using Decision Tree Induction Huwyler. Mol., 2012, vol. 17, no 9, pp. 10429–10445. http://doi.org/10.3390/molecules170910429
Kuz’min V.E., Artemenko A. G., Muratov E. N., Polischuk P. G., Ognichenko L. N., Liahovsky A. V., Hromov A. I., Varlamova E. V. Virtual screening and molecular design based on hierarchical QSAR technology. In: Recent Advances in QSAR Studies. Eds. Puzyn T, Leszczynski J, Cronin M., London, Springer, 2010, pp. 127–176. http://doi.org/10.1007/978–1–4020–9783–6_5
Kuz’min V., Artemenko A., Ognichenko L., Hromov A., Kosinskaya A., Stelmakh S., Sessions Z., Muratov E. Simplex representation of molecular structure as universal QSAR/QSPR tool. J. Struct. Chem., 2021, vol. 32, pp. 1365–1392. http://doi.org/10.1007/s11224–021–01793-z
Rannar S., Lindgren F., Geladi P., Wold S. A PLS kernel algorithm for data sets with many variables and fewer objects. Part 1: Theory and algorithm. J. Chemom., 1994, vol. 8, no 2, pp. 111–125. http://doi.org/10.1002/cem.1180090604
Breiman L. Random Forests. Machine Learning, 2001, vol. 45, pp. 5–32. http://doi.org/10.1023/А:1010933404324
Gramatica P. Principles of QSAR models validation: internal and external. QSAR Comb. Sci., 2007, vol. 26, no 5, pp. 694–701. http://doi.org/10.1002/qsar.200610151
Meloun M., Militku J., Hill M. Crucial problems in regression modelling and their solutions. Analyst, 2002, vol. 127, pp. 433–450. http://doi.org/10.1039/b110779h
Polischuk P.G., Muratov E. N., Artemenko A. G., Kolumbin O. G., Muratov N. N., Kuz’min V. E. Application of Random Forest method to QSAR prediction of aquatic toxicity. J. Chem. Inf. Mod., 2009, vol. 49, no 11, pp. 2481–2488. http://doi.org/10.1021/ci900203n
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
![Creative Commons License](http://i.creativecommons.org/l/by-sa/4.0/88x31.png)
Ця робота ліцензується відповідно до Creative Commons Attribution-ShareAlike 4.0 International License.
Правовласниками опублікованого матеріалу являються авторський колектив та засновник журналу на умовах, що визначаються видавничою угодою, що укладається між редакційною колегією та авторами публікацій. Ніяка частина опублікованого матеріалу не може бути відтворена без попереднього повідомлення та дозволу автора.
Публікація праць в Журналі здійснюється на некомерційній основі. Комісійна плата за оформлення статті не стягується.