A compreensão dos mecanismos de reconhecimento molecular receptor-ligante é um dos aspectos centrais na descoberta e planejamento de novos fármacos baseado em estrutura. Uma metodologia chave é o atracamento de pequenas moléculas em sítios de ligação de proteínas, o atracamento molecular (em inglês, "molecular docking"). Existem dois pontos chaves em qualquer programa de atracamento: a busca da "melhor" conformação ligante-proteína e o cálculo da energia livre desta associação, ou sua constante de afinidade. Foi construído neste trabalho um conjunto-teste formado por 50 complexos proteína-ligante, com valores de K i ou K d determinados experimentalmente, para a construção de uma função empírica específica para o programa DOCKTHOR, utilizando como variáveis de entrada valores de energias de interação eletrostática e de Lennard-Jones, área de contato ligante-receptor da superfície acessível ao solvente, presença de ligações hidrogênio, e o número de ligações torcionáveis do ligante. Estes variáveis foram utilizados para a construção de dois tipos de funções de cálculo de energia livre. Através de regressão múltipla, foi avaliada a importância de cada uma das variáveis utilizadas como dados de entrada na construção desta função. Utilizando uma rede neural, buscou-se construir o melhor modelo para o cálculo de constantes de afinidade. O programa DOCKTHOR atualmente tem poder de predição correspondente a r = viii 0,4245, o que mostra a importância de se melhorar sua função de avaliação. A função construída com a metodologia de regressão múltipla que obteve melhor resultado foi a que utilizou as 5 variáveis de entrada apresentando termos lineares, cruzados e quadráticos, com r igual a 0,7542. Funções empíricas construídas por redes neurais também foram avaliadas neste trabalho. Utilizando a metodologia de validação cruzada de grupo (VCG) chegou-se à conclusão que a melhor arquitetura para a rede neural é constituída por 9 neurônios na camada oculta, pois possui o menor erro de generalização e a maior homogeneidade nos erros. No teste com esta arquitetura de rede neural, com a função construída utilizando os 50 complexos proteína- ligante no treinamento e os mesmos, no teste, observamos que 66% dos complexos tiveram uma diferença menor que 1,0 dos valores observados em relação aos esperados. O erro de generalização, obtido por VCG, de uma rede neural utilizando 9 neurônios na camada oculta foi cerca de dez vezes menor ao obtido utilizando uma função polinomial. Isto é um indicativo da superioridade da metodologia de rede neural, com relação a metodologia de regressão multivariada, principalmente em uma função empírica desenvolvida para estimar afinidades relativas à uma ampla gama de complexos receptor-ligante. / The understanding of receptor-ligand molecular recognition is one of the central aspects in structure-based design and discovery of new drugs. The key methodology is the docking of small molecules in active sites of proteins. There are two aims in any program of molecular docking: the search for the best ligand-protein conformation and the calculation of the free energy of this association, or its affinity constant. The test set used in this work was composed by 50 protein- ligand complexes, with experimentally measured Ki or Kd values for the construction of an empirical function specific to the DOCKTHOR program, using as input variables: energy of electrostatic interaction and Lennard-Jones, contact area of ligand-receptor on the surface accessible to the solvent, the presence of hydrogen bridges, and the number of the ligand rotatable bonds that were frozen in the process of docking. These variables were used for the construction of two types of free energy scoring functions. The importance of each variable used as input data for the construction of those functions was rated by means of multiple regression. A neural network was x also used to try to build the best model for the calculation of the affinity constant. The DOCKTHOR program currently has a prediction power leading to r = 0.4245, which indicates the importance of improving its scoring. The function built with the multiple regression methodology used 5 input variables and had linear, quadratic, and cross-product terms leading to r = 0.7542. Using the methodology of group cross-validation (VCG), it was concluded that the best architecture for the neural network consists of 9 neurons in the hidden layer, as it has the smallest error of generalization and greater consistency in errors. In the tests with this neural network architecture built using the same 50 protein-ligand complexes in training and test, 66% of the complexes had a difference smaller than 1.0 in the observed values. The generalization error (obtained by VCG) of a neural network that uses 9 neurons in the hidden layer was about ten times lower than that obtained by using a polynomial function. This is an indication of the superiority of the neural network methodology with respect to the multivariate regression methodology, specially for an empirical function developed for a broad range of receptor-ligand complexes.

Made available in DSpace on 2015-03-04T18:51:07Z (GMT). No. of bitstreams: 1 dissertacao final.pdf: 1262049 bytes, checksum: 07f1ebc0954cc7f649c905b7d60adcf7 (MD5) Previous issue date: 2008-08-25 / Fundação Carlos Chagas Filho de Amparo a Pesquisa do Estado do Rio de Janeiro / The understanding of receptor-ligand molecular recognition is one of the central aspects in structure-based design and discovery of new drugs. The key methodology is the docking of small molecules in active sites of proteins. There are two aims in any program of molecular docking: the search for the best ligand-protein conformation and the calculation of the free energy of this association, or its affinity constant. The test set used in this work was composed by 50 protein- ligand complexes, with experimentally measured Ki or Kd values for the construction of an empirical function specific to the DOCKTHOR program, using as input variables: energy of electrostatic interaction and Lennard-Jones, contact area of ligand-receptor on the surface accessible to the solvent, the presence of hydrogen bridges, and the number of the ligand rotatable bonds that were frozen in the process of docking. These variables were used for the construction of two types of free energy scoring functions. The importance of each variable used as input data for the construction of those functions was rated by means of multiple regression. A neural network was x also used to try to build the best model for the calculation of the affinity constant. The DOCKTHOR program currently has a prediction power leading to r = 0.4245, which indicates the importance of improving its scoring. The function built with the multiple regression methodology used 5 input variables and had linear, quadratic, and cross-product terms leading to r = 0.7542. Using the methodology of group cross-validation (VCG), it was concluded that the best architecture for the neural network consists of 9 neurons in the hidden layer, as it has the smallest error of generalization and greater consistency in errors. In the tests with this neural network architecture built using the same 50 protein-ligand complexes in training and test, 66% of the complexes had a difference smaller than 1.0 in the observed values. The generalization error (obtained by VCG) of a neural network that uses 9 neurons in the hidden layer was about ten times lower than that obtained by using a polynomial function. This is an indication of the superiority of the neural network methodology with respect to the multivariate regression methodology, specially for an empirical function developed for a broad range of receptor-ligand complexes. / A compreensão dos mecanismos de reconhecimento molecular receptor-ligante é um dos aspectos centrais na descoberta e planejamento de novos fármacos baseado em estrutura. Uma metodologia chave é o atracamento de pequenas moléculas em sítios de ligação de proteínas, o atracamento molecular (em inglês, "molecular docking"). Existem dois pontos chaves em qualquer programa de atracamento: a busca da "melhor" conformação ligante-proteína e o cálculo da energia livre desta associação, ou sua constante de afinidade. Foi construído neste trabalho um conjunto-teste formado por 50 complexos proteína-ligante, com valores de K i ou K d determinados experimentalmente, para a construção de uma função empírica específica para o programa DOCKTHOR, utilizando como variáveis de entrada valores de energias de interação eletrostática e de Lennard-Jones, área de contato ligante-receptor da superfície acessível ao solvente, presença de ligações hidrogênio, e o número de ligações torcionáveis do ligante. Estes variáveis foram utilizados para a construção de dois tipos de funções de cálculo de energia livre. Através de regressão múltipla, foi avaliada a importância de cada uma das variáveis utilizadas como dados de entrada na construção desta função. Utilizando uma rede neural, buscou-se construir o melhor modelo para o cálculo de constantes de afinidade. O programa DOCKTHOR atualmente tem poder de predição correspondente a r = viii 0,4245, o que mostra a importância de se melhorar sua função de avaliação. A função construída com a metodologia de regressão múltipla que obteve melhor resultado foi a que utilizou as 5 variáveis de entrada apresentando termos lineares, cruzados e quadráticos, com r igual a 0,7542. Funções empíricas construídas por redes neurais também foram avaliadas neste trabalho. Utilizando a metodologia de validação cruzada de grupo (VCG) chegou-se à conclusão que a melhor arquitetura para a rede neural é constituída por 9 neurônios na camada oculta, pois possui o menor erro de generalização e a maior homogeneidade nos erros. No teste com esta arquitetura de rede neural, com a função construída utilizando os 50 complexos proteína- ligante no treinamento e os mesmos, no teste, observamos que 66% dos complexos tiveram uma diferença menor que 1,0 dos valores observados em relação aos esperados. O erro de generalização, obtido por VCG, de uma rede neural utilizando 9 neurônios na camada oculta foi cerca de dez vezes menor ao obtido utilizando uma função polinomial. Isto é um indicativo da superioridade da metodologia de rede neural, com relação a metodologia de regressão multivariada, principalmente em uma função empírica desenvolvida para estimar afinidades relativas à uma ampla gama de complexos receptor-ligante.

Submitted by Irene Nascimento (irene.kessia@ufpe.br) on 2016-09-08T19:08:46Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Tese_Karina_Final_CD.pdf: 2797138 bytes, checksum: 5e86db88edfdb58a92aceb27cf908735 (MD5) / Made available in DSpace on 2016-09-08T19:08:46Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Tese_Karina_Final_CD.pdf: 2797138 bytes, checksum: 5e86db88edfdb58a92aceb27cf908735 (MD5) Previous issue date: 2015-10-16 / A partir dos parâmetros eletrônicos obtidos com a Teoria do Funcional Densidade, realizamos um estudo Quantitativo da Relação Estrutura Atividade (QSAR) de derivados de cetonatiossemicarbazonas e de ácidos kójico e benzoico para analisar o potencial de inibição da melanogênese destes compostos. Utilizando técnicas computacionais em conjunção com uma Regressão linear múltipla, obtivemos uma expressão capaz de prever a concentração inibitória (IC50) destes compostos e dos demais aqui propostos. Para a previsão da IC50 foram utilizados os seguintes parâmetros eletrônicos e físico-químicos: afinidade eletrônica (EA), gap de energia (HHL), momento de dipolo (μ) e o logaritmo do coeficiente de partição [octanol/água](LogP). Para as cetonatiossemicarbazonas os descritores eletrônicos que proporcionaram uma boa correlação linear com a IC50 experimental foram: a carga atômica do nitrogênio N2 e a EA. Para as demais moléculas avaliadas nesta pesquisa, além desses parâmetros, foram incluídos o potencial de ionização (IP), a energia do atracamento molecular (G), eletronegatividade absoluta (), dureza (), maciez (S), logaritmo do coeficiente de solubilidade (LogS), volume molar (VM) e o coeficiente de Hansch (). Como resultado da QSAR, os descritores que proporcionaram a melhor correlação linear com a IC50 experimental foram: a HHL e o VM. Na análise QSAR dos derivados dos ácidos kójico e benzoico foi utilizado um conjunto de treinamento formado por dez moléculas e um grupo de teste constituído por duas moléculas para uma validação cruzada tipo boostrap. Os cálculos de G se restringiram a encontrar o valor da energia livre de interação dos derivados dos ácidos kójico e benzoico e da enzima tirosinase por meio da formação do complexo ligante-tirosinase. Os valores das energias de interação obtidos para as moléculas propostas se revelaram promissores, visto que apresentaram valores mais baixos do que o obtido para o complexo ácido kójico-tirosinase. Em todas as análises QSAR, os valores dos parâmetros estatísticos de validação, como coeficiente de correlação, desvio-padrão, teste de Fischer e do nível geral de confiabilidade do modelo, estão dentro do esperado para um bom modelo estatístico. Os modelos obtidos fornecem uma boa previsão das atividades biológicas investigadas neste trabalho apontam para novos compostos candidatos com potencial para inibição da melanogênese. / We have carried ant studies of QSAR using electronic structure derived parameters be the means of Density Functional Theory (DFT) calculations for derivatives of ketonethiosemicarbazones, kojic acid and benzoic acid. The aim was to evaluate the melanogenesis inhibiting potential of these compounds, by using this procedure and performing a Multiple Linear Regression we obtained an expression able to predict the inhibitory concentration (IC50) of the compounds studied here. In predicting the IC50 we used the electronic and physical-chemical parameters of electron affinity (EA), energy gap (HHL), dipole of moment (μ) and the [octanol/water] logarithm of the partition coefficient (LogP). For ketonethiosemicarbazones the electronic parameters that provide a good linear correlation with experimental IC50 are the atomic charge of nitrogen N2 and the EA. For the other molecules analyzed in this study, in addition to these parameters it is included ionization potential (IP), molecular docking of energy (G), absolute electronegativity (), hardness(), softness (S), partition coefficient of molar solubility (LogS), molar volume (VM) and Hansch coefficient (). We found that the parameters leading to the best linear correlation with experimental IC50 are the interaction energy and the molar volume. In the QSAR analysis of derivatives of the benzoic and kojic acids it is used a training group formed by ten molecules and a test group formed of two molecules to realize a bootstrap-type cross validation. The calculations of the molecular docking are restricted to values of free energy of derivatives of the benzoic and kojic acids and to the enzyme tyrosinase forming the tyrosinase-ligand complex. In all QSAR analysis, the statistical validation such as correlation coefficient, standard deviation, Fisher test and the model reliability are in that range expected for a good statistical model. As a conclusion, we show that our model gives a good prediction of the biological activities, which allow us to indicate new compounds with potential in inhibiting melanogenesis.