سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

پپیشگویی تمایل اتصال تعدادی از مشتقات ایماتینیب به عنوان مهارکننده های تیروزین کیناز بر اساس بهینه سازی مونت کارلو

Publish Year: 1403
Type: Journal paper
Language: Persian
View: 27

This Paper With 21 Page And PDF Format Ready To Download

Export:

Link to this Paper:

Document National Code:

JR_SHIMU-32-4_006

Index date: 5 March 2025

پپیشگویی تمایل اتصال تعدادی از مشتقات ایماتینیب به عنوان مهارکننده های تیروزین کیناز بر اساس بهینه سازی مونت کارلو abstract

مقدمه: بیماری لوسمی میلوئید مزمن نوعی از سرطان خون است که به تولید ژن جدیدی به نام BCR-ABL منجر می شود و حاوی دستورالعمل تولید پروتئین تیروزین کیناز توسط سلول های غیرطبیعی خون است. داروی ایماتینیب برای درمان این سرطان استفاده می گردد که با مهار آنزیم تیروزین کیناز BCR-ABL، از تکثیر سلول های سرطانی جلوگیری می کند. مواد و روش­ها: به منظور پیشگویی تمایل اتصال ۵۵۵ ترکیب از مشتقات ایماتینیب به عنوان مهارکننده ABL-BCR تیروزین کیناز، مدل سازی رابطه کمی ساختار-فعالیت (QSAR) با استفاده از روش مونت کارلو انجام شد. داده ها به صورت تصادفی به چهار سری آموزش، آموزش منفعل، کالیبراسیون و آزمون تقسیم و به صورت تصادفی ۳ بار تکرار گردید. یافته­ های پژوهش: نتایج حاصل از سه تقسیم تصادفی، مدل های قابل اعتمادی را برای پیش بینی مجموعه آزمون های خارجی با ضریب همبستگی (R۲) و ضریب همبستگی اعتبارسنجی متقاطع (Q۲) در محدوده ۸۷۷۵/۰-۸۵۷۵/۰ و ۷۷۹۳/۰-۷۶۲۰/۰ نشان داد؛ درنتیجه، مدل های به دست آمده به شناسایی توصیفگرهای هیبریدی برای افزایش و کاهش تمایل اتصال (Ki) به عنوان مهارکننده BCR-ABL تیروزین کیناز کمک می کنند. تفسیر مکانیکی مدل به صورت گزارشی از توصیفگرهای کاهنده و افزاینده pKi  و همچنین مثال هایی از این توصیفگرها آمده است. بحث و نتیجه گیری: نتایج نشان می دهد که مدل های طراحی شده می تواند در تخمین اثر بیولوژیکی مشتقات ایماتینیب پیشنهادی توسط محققان و متخصصان شیمی دارویی بسیار موثر باشد؛ بنابراین، با صرف هزینه و زمان کمتر و پیش از انجام آزمایش های برون تن یا درون تن می توان آثار بیولوژیک احتمالی آن را پیش بینی کرد.

پپیشگویی تمایل اتصال تعدادی از مشتقات ایماتینیب به عنوان مهارکننده های تیروزین کیناز بر اساس بهینه سازی مونت کارلو Keywords:

پپیشگویی تمایل اتصال تعدادی از مشتقات ایماتینیب به عنوان مهارکننده های تیروزین کیناز بر اساس بهینه سازی مونت کارلو authors

شهرام لطفی

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

شهین احمدی

Dept of Pure and Pharmaceutical Chemistry, Faculty of Pharmaceutical Chemistry, Tehran medical sciences, Islamic Azad University, Tehran, Iran

شراره وردست باغمیشه

Faculty of Pharmacy, Tehran Medical Sciences, Islamic Azad University, Tehran, Iran

علی الماسی راد

Dept of Pure and Pharmaceutical Chemistry, Faculty of Pharmaceutical Chemistry, Tehran medical sciences, Islamic Azad University, Tehran, Iran

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :
Goudzal A, El Aissouq A, El Hamdani H, Ouammou A. ...
Yang M, Xi Q, Jia W, Wang X. Structure-based analysis ...
Oliveira A, Moura S, Pimentel L, Neto J, Dantas R, ...
An X, Tiwari AK, Sun Y, Ding P-R, Ashby Jr ...
Luo H, Quan H, Xie C, Xu Y, Fu L, ...
Hamzehali H, Lotfi S, Ahmadi S, Kumar P. Quantitative structure–activity ...
Kumar P, Kumar A, Singh D. CORAL: Development of a ...
Toropova A, Toropov A, Viganò E, Colombo E, Roncaglioni A, ...
Toropova AP, Toropov AA, Roncaglioni A, Benfenati E. The index ...
Kyaw Zin PP, Borrel A, Fourches D. Benchmarking ۲D/۳D/MD-QSAR Models ...
Lotfi S, Ahmadi S, Kumar P. A hybrid descriptor based ...
Duhan M, Sindhu J, Kumar P, Devi M, Singh R, ...
Achary P, Toropova A, Toropov A. Combinations of graph invariants ...
Ahmadi S, Azimi N. Quasi-SMILES-Based QSPR/QSAR Modeling. QSPR/QSAR Analysis Using ...
Ahmadi S. Mathematical modeling of cytotoxicity of metal oxide nanoparticles ...
Das NR, Sharma T, Mallick A, Toropova AP, Toropov AA, ...
Ghaedi A. Predicting the cytotoxicity of ionic liquids using QSAR ...
Singh R, Kumar P, Devi M, Lal S, Kumar A, ...
Ahmadi S, Lotfi S, Kumar P. Quantitative structure–toxicity relationship models ...
Lotfi S, Ahmadi S, Kumar P. The Monte Carlo approach ...
Ahmadi S, Ketabi S, Qomi M. CO۲ uptake prediction of ...
Kumar P, Kumar A. CORAL: QSAR models of CB۱ cannabinoid ...
Shayanfar A, Shayanfar S. Is regression through origin useful in ...
Consonni V, Ballabio D, Todeschini R. Comments on the definition ...
Roy K, Kar S. The rm۲ metrics and regression through ...
Lawrence I, Lin K. Assay validation using the concordance correlation ...
Rücker C, Rücker G, Meringer M. Y-randomization and its variants ...
Toropova AP, Toropov AA, Veselinović AM, Veselinović JB, Benfenati E, ...
Chirico N, Gramatica P. Real external predictivity of QSAR models. ...
Yordanova D, Schultz TW, Kuseva C, Tankova K, Ivanova H, ...
Gatidou G, Vazaiou N, Thomaidis NS, Stasinakis AS. Biodegradability assessment ...
Marzo M, Lavado G, Como F, Toropova A, Toropov A, ...
Soleymani N, Ahmadi S, Shiri F, Almasirad A. QSAR and ...
Azimi A, Ahmadi S, Kumar A, Qomi M, Almasirad A. ...
Toropova AP, Schultz TW, Toropov AA. Building up a QSAR ...
Goudzal A, El Aissouq A, El Hamdani H, Ouammou A. ...
Yang M, Xi Q, Jia W, Wang X. Structure-based analysis ...
Oliveira A, Moura S, Pimentel L, Neto J, Dantas R, ...
An X, Tiwari AK, Sun Y, Ding P-R, Ashby Jr ...
Luo H, Quan H, Xie C, Xu Y, Fu L, ...
Hamzehali H, Lotfi S, Ahmadi S, Kumar P. Quantitative structure–activity ...
Kumar P, Kumar A, Singh D. CORAL: Development of a ...
Toropova A, Toropov A, Viganò E, Colombo E, Roncaglioni A, ...
Toropova AP, Toropov AA, Roncaglioni A, Benfenati E. The index ...
Kyaw Zin PP, Borrel A, Fourches D. Benchmarking ۲D/۳D/MD-QSAR Models ...
Lotfi S, Ahmadi S, Kumar P. A hybrid descriptor based ...
Duhan M, Sindhu J, Kumar P, Devi M, Singh R, ...
Achary P, Toropova A, Toropov A. Combinations of graph invariants ...
Ahmadi S, Azimi N. Quasi-SMILES-Based QSPR/QSAR Modeling. QSPR/QSAR Analysis Using ...
Ahmadi S. Mathematical modeling of cytotoxicity of metal oxide nanoparticles ...
Das NR, Sharma T, Mallick A, Toropova AP, Toropov AA, ...
Ghaedi A. Predicting the cytotoxicity of ionic liquids using QSAR ...
Singh R, Kumar P, Devi M, Lal S, Kumar A, ...
Ahmadi S, Lotfi S, Kumar P. Quantitative structure–toxicity relationship models ...
Lotfi S, Ahmadi S, Kumar P. The Monte Carlo approach ...
Ahmadi S, Ketabi S, Qomi M. CO۲ uptake prediction of ...
Kumar P, Kumar A. CORAL: QSAR models of CB۱ cannabinoid ...
Shayanfar A, Shayanfar S. Is regression through origin useful in ...
Consonni V, Ballabio D, Todeschini R. Comments on the definition ...
Roy K, Kar S. The rm۲ metrics and regression through ...
Lawrence I, Lin K. Assay validation using the concordance correlation ...
Rücker C, Rücker G, Meringer M. Y-randomization and its variants ...
Toropova AP, Toropov AA, Veselinović AM, Veselinović JB, Benfenati E, ...
Chirico N, Gramatica P. Real external predictivity of QSAR models. ...
Yordanova D, Schultz TW, Kuseva C, Tankova K, Ivanova H, ...
Gatidou G, Vazaiou N, Thomaidis NS, Stasinakis AS. Biodegradability assessment ...
Marzo M, Lavado G, Como F, Toropova A, Toropov A, ...
Soleymani N, Ahmadi S, Shiri F, Almasirad A. QSAR and ...
Azimi A, Ahmadi S, Kumar A, Qomi M, Almasirad A. ...
Toropova AP, Schultz TW, Toropov AA. Building up a QSAR ...
نمایش کامل مراجع