Preview

Доклады Национальной академии наук Беларуси

Расширенный поиск

Прогностическая модель идентификации новых лигандов CYP19A1 на аналитической платформе KNIME

https://doi.org/10.29235/1561-8323-2023-67-5-388-398

Аннотация

   Сформирована база данных химических соединений – низкомолекулярных лигандов CYP19A1 (ароматазы) человека на основании проанализированных данных, полученных in vitro. С использованием полученной базы данных при помощи метода машинного обучения «случайный лес деревьев принятия решений» на аналитической платформе KNIME построены две прогностические модели для идентификации активности лигандов стероидной (I типа) и нестероидной (II типа) структуры. В качестве обучающих данных при построении модели применялись топологические дескрипторы химической структуры, учитывающие корреляцию между структурой молекулы и биологическим эффектом. Для каждой модели был осуществлен отбор наиболее значимых признаков (дескрипторов), произведено вычисление оптимальных параметров и найдена область применимости моделей. На основании результатов показателей качества AUC проведена оценка способности моделей предсказывать результаты тестовой выборки. Полученные показатели качества свидетельствуют о достаточно высокой прогностической способности моделей и перспективности их использования для идентификации новых лигандов CYP19A1 человека. Найденные таким способом соединения могут рассматриваться как потенциальные к созданию лекарственные препараты для лечения гормон-зависимых опухолей.

Об авторах

М. И. Шаладонова
Университет Национальной академии наук Беларуси
Беларусь

Марина Игоревна Шаладонова, магистрант

220070

ул. Радиальная, 38Б

Минск



Я. В. Диченко
Институт биоорганической химии Национальной академии наук Беларуси
Беларусь

Ярослав Владимирович Диченко, канд. хим. наук, доцент, вед. науч. сотрудник

220084

ул. Купревича, 5/2

Минск



С. А. Усанов
Институт биоорганической химии Национальной академии наук Беларуси
Беларусь

Сергей Александрович Усанов, член-корреспондент, д-р хим. наук, профессор

220084

ул. Купревича, 5/2

Минск



Список литературы

1. Guha, R. Development of Linear, Ensemble, and Nonlinear Models for the Prediction and Interpretation of the Biological Activity of a Set of PDGFR Inhibitors / R. Guha, P. C. Jurs // J. Chem. Inf. Comput. Sci. – 2004. – Vol. 44, N 6. – P. 2179–2189. doi: 10.1021/ci049849f

2. Novel triazole-tetrahydroisoquinoline hybrids as human aromatase inhibitors / C. Chamduang [et al.] // Bioorg. Chem. – 2019. – Vol. 93. – Art. 103327. doi: 10.1016/j.bioorg.2019.103327

3. Brueggemeier, R. W. Aromatase Inhibitors in the Treatment of Breast Cancer / R. W. Brueggemeier, J. C. Hackett, E. S. Diaz-Cruz // Endocrine Rev. – 2005. – Vol. 26, N 3. – P. 331–345. doi: 10.1210/er.2004-0015

4. Bertelli, G. Sequencing of aromatase inhibitors / G. Bertelli // Br. J. Cancer. – 2005. – Vol. 93, N S1. – P. 6–9. doi: 10.1038/sj.bjc.6602689

5. Studies on non-steroidal inhibitors of aromatase enzyme; 4-(aryl/heteroaryl)-2-(pyrimidin-2-yl) thiazole derivatives / Z. Sahin [et al.] // Bioorg. Med. Chem. – 2018. – Vol. 26, N 8. – P. 1986–1995. doi: 10.1016/j.bmc.2018.02.048

6. Aromatase Inhibitors Evolution as Potential Class of Drugs in the Treatment of Postmenopausal Brest Cancer Women / S. Avvaru [et al.] // Mini-Rev. Med. Chem. – 2018. – Vol. 18, N 7. – P. 609–621. doi: 10.2174/1389557517666171101100902

7. Determining the IC50 Values for Vorozole and Letrozole, on a Series of Human Liver Cytochrome P450s, to Help Determine the Binding Site of Vorozole in the Liver / L. Raymond [et al.] // Enzyme Research. – 2015. – Vol. 2015. – P. 1–4. doi: 10.1155/2015/321820

8. Synthesis of Aromatase Inhibitors and Dual Aromatase Steroid Sulfatase Inhibitors by Linking an Arylsulfamate Motif to 4-(4H-1,2,4-triazol-4-ylamino)benzonitrile: SAR, Crystal Structures, in vitro and in vivo Activities / C. Bubert [et al.] // ChemMedChem. – 2008. – Vol. 3, N 11. – P. 1708–1730. doi: 10.1002/cmdc.200800164

9. Баскин, И. И. Введение в хемоинформатику / И. И. Баскин, Т. И. Маджидов, А. А. Варнек. – М., Казань, Страсбург, 2020. – Ч. 4: Методы машинного обучения. – 321 с.

10. Application of the Random Forest Method in Studies of Local Lymph Node Assay Based Skin Sensitization Data / S. Li [et al.] // J. Chem. Inf. Model. – 2005. – Vol. 45, N 4. – P. 952–964. doi: 10.1021/ci050049u

11. Применение метода количественных корреляций структура–свойство (ККСС) с использованием топологического индекса Балабана на примере группы сульфаниламидов / А. В. Сыроешкин [и др.] // Вестн. Рос. ун-та дружбы народов. Сер. Медицина. – 2000. – № 2. – С. 80–83.

12. Optimisation and evaluation of the random forest model in the efficacy prediction of chemoradiotherapy for advanced cervical cancer based on radiomics signature from high-resolution T2 weighted images / D. Liu [et al.] // Arch. Gynecol. Obstet. – 2021. – Vol. 303, N 3. – Р. 811–820. doi: 10.1007/s00404-020-05908-5

13. Janitza, S. An AUC-based permutation variable importance measure for random forests / S. Janitza, C. Strobl, A.-L. Boulesteix // BMC Bioinformatics. – 2013. – Vol. 14, N 1. – Р. 1–11. doi: 10.1186/1471-2105-14-119


Рецензия

Просмотров: 149


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1561-8323 (Print)
ISSN 2524-2431 (Online)