stringtranslate.com

Proyección virtual

Figura 1. Diagrama de flujo de la evaluación virtual [1]

El cribado virtual ( VS ) es una técnica computacional utilizada en el descubrimiento de fármacos para buscar bibliotecas de moléculas pequeñas con el fin de identificar aquellas estructuras que tienen más probabilidades de unirse a un objetivo farmacológico , normalmente un receptor de proteína o una enzima . [2] [3]

El cribado virtual se ha definido como "evaluar automáticamente bibliotecas muy grandes de compuestos" utilizando programas informáticos. [4] Como sugiere esta definición, el cribado virtual ha sido en gran medida un juego de números centrado en cómo el enorme espacio químico de más de 10 60 compuestos concebibles [5] se puede filtrar a un número manejable que se pueda sintetizar, comprar y probar. Aunque la búsqueda en todo el universo químico puede ser un problema teóricamente interesante, los escenarios de cribado virtual más prácticos se centran en el diseño y la optimización de bibliotecas combinatorias específicas y en enriquecer las bibliotecas de compuestos disponibles de los repositorios de compuestos internos o de las ofertas de los proveedores. A medida que ha aumentado la precisión del método, el cribado virtual se ha convertido en una parte integral del proceso de descubrimiento de fármacos . [6] [1] El cribado virtual se puede utilizar para seleccionar compuestos de la base de datos interna para el cribado, elegir compuestos que se puedan comprar externamente y elegir qué compuesto se debe sintetizar a continuación.

Métodos

Existen dos grandes categorías de técnicas de detección: basadas en ligandos y basadas en estructuras. [7] El resto de esta página reflejará el diagrama de flujo de la Figura 1 de detección virtual.

Métodos basados ​​en ligandos

Dado un conjunto de ligandos estructuralmente diversos que se unen a un receptor , se puede construir un modelo del receptor explotando la información colectiva contenida en dicho conjunto de ligandos. Diferentes técnicas computacionales exploran las similitudes estructurales, electrónicas, de forma molecular y fisicoquímicas de diferentes ligandos que podrían implicar su modo de acción contra un receptor molecular específico o líneas celulares. [8] Luego, un ligando candidato se puede comparar con el modelo de farmacóforo para determinar si es compatible con él y, por lo tanto, es probable que se una. [9] Se han utilizado diferentes métodos de análisis de similitud química 2D [10] para escanear bases de datos para encontrar ligandos activos. Otro enfoque popular utilizado en la detección virtual basada en ligandos consiste en buscar moléculas con una forma similar a la de los activos conocidos, ya que dichas moléculas encajarán en el sitio de unión del objetivo y, por lo tanto, es probable que se unan al objetivo. Hay varias aplicaciones prospectivas de esta clase de técnicas en la literatura. [11] [12] [13] Las extensiones farmacofóricas de estos métodos 3D también están disponibles gratuitamente como servidores web. [14] [15] La proyección virtual basada en formas también ha ganado una popularidad significativa. [16]

Métodos basados ​​en la estructura

El enfoque de cribado virtual basado en la estructura incluye diferentes técnicas computacionales que consideran la estructura del receptor que es el objetivo molecular de los ligandos activos investigados. Algunas de estas técnicas incluyen el acoplamiento molecular , la predicción de farmacóforos basada en la estructura y las simulaciones de dinámica molecular. [17] [18] [8] El acoplamiento molecular es la técnica basada en la estructura más utilizada y aplica una función de puntuación para estimar la aptitud de cada ligando contra el sitio de unión del receptor macromolecular, lo que ayuda a elegir los ligandos con la afinidad más alta. [19] [20] [21] Actualmente, existen algunos servidores web orientados al cribado virtual prospectivo. [22] [23]

Métodos híbridos

También se desarrollaron métodos híbridos que se basan en la similitud estructural y de ligando para superar las limitaciones de los enfoques VLS tradicionales. Estas metodologías utilizan información de unión de ligando basada en la evolución para predecir aglutinantes de moléculas pequeñas [24] [25] y pueden emplear tanto la similitud estructural global como la similitud de bolsillo. [24] Un enfoque basado en la similitud estructural global emplea tanto una estructura experimental como un modelo de proteína predicho para encontrar similitud estructural con proteínas en la biblioteca de plantillas holográficas PDB. Al detectar una similitud estructural significativa, se aplica la métrica del coeficiente de Tanimoto basada en huellas dactilares 2D para detectar moléculas pequeñas que sean similares a los ligandos extraídos de plantillas holográficas PDB seleccionadas. [26] [27] Las predicciones de este método se han evaluado experimentalmente y muestran un buen enriquecimiento en la identificación de moléculas pequeñas activas.

El método especificado anteriormente depende de la similitud estructural global y no es capaz de seleccionar a priori un sitio de unión de ligando particular en la proteína de interés. Además, dado que los métodos se basan en la evaluación de similitud 2D para ligandos, no son capaces de reconocer la similitud estereoquímica de moléculas pequeñas que son sustancialmente diferentes pero demuestran similitud de forma geométrica. Para abordar estas preocupaciones, se desarrolló y evaluó experimentalmente un nuevo enfoque centrado en bolsillos, PoLi, capaz de apuntar a bolsillos de unión específicos en plantillas de holoproteínas.

Infraestructura informática

El cálculo de interacciones de pares entre átomos, que es un requisito previo para el funcionamiento de muchos programas de cribado virtual, se escala en , N es el número de átomos en el sistema. Debido al escalamiento cuadrático, los costos computacionales aumentan rápidamente.

Enfoque basado en ligandos

Los métodos basados ​​en ligandos suelen requerir una fracción de segundo para una sola operación de comparación de estructuras. A veces, una sola CPU es suficiente para realizar una gran selección en cuestión de horas. Sin embargo, se pueden realizar varias comparaciones en paralelo para acelerar el procesamiento de una gran base de datos de compuestos.

Enfoque basado en la estructura

El tamaño de la tarea requiere una infraestructura de computación paralela , como un clúster de sistemas Linux , que ejecute un procesador de cola por lotes para manejar el trabajo, como Sun Grid Engine o Torque PBS.

Se necesita un medio para manejar la entrada de grandes bibliotecas de compuestos. Esto requiere una forma de base de datos de compuestos que pueda ser consultada por el clúster paralelo, entregando compuestos en paralelo a los diversos nodos de cómputo. Los motores de bases de datos comerciales pueden ser demasiado pesados, y un motor de indexación de alta velocidad, como Berkeley DB , puede ser una mejor opción. Además, puede que no sea eficiente ejecutar una comparación por trabajo, porque el tiempo de puesta en marcha de los nodos del clúster podría superar fácilmente la cantidad de trabajo útil. Para solucionar esto, es necesario procesar lotes de compuestos en cada trabajo del clúster, agregando los resultados en algún tipo de archivo de registro. Luego, se puede ejecutar un proceso secundario, para extraer los archivos de registro y extraer candidatos con puntaje alto, después de que se haya ejecutado todo el experimento.

Exactitud

El objetivo del cribado virtual es identificar moléculas de estructura química novedosa que se unan al objetivo macromolecular de interés . Por lo tanto, el éxito de un cribado virtual se define en términos de encontrar nuevos andamios interesantes en lugar del número total de aciertos. Por lo tanto, las interpretaciones de la precisión del cribado virtual deben considerarse con cautela. Es evidente que es preferible tener tasas bajas de aciertos de andamios interesantes a tasas altas de aciertos de andamios ya conocidos.

La mayoría de las pruebas de estudios de detección virtual en la literatura son retrospectivas. En estos estudios, el rendimiento de una técnica de detección virtual se mide por su capacidad para recuperar un pequeño conjunto de moléculas previamente conocidas con afinidad con el objetivo de interés (moléculas activas o simplemente activas) de una biblioteca que contiene una proporción mucho mayor de moléculas inactivas o señuelos presuntos. Hay varias formas distintas de seleccionar señuelos haciendo coincidir las propiedades de la molécula activa correspondiente [28] y, más recientemente, los señuelos también se seleccionan de una manera que no coincide con las propiedades. [29] También se ha analizado el impacto real de la selección de señuelos, ya sea con fines de entrenamiento o de prueba. [29] [30]

Por el contrario, en las aplicaciones prospectivas de detección virtual, los resultados obtenidos se someten a confirmación experimental (por ejemplo, mediciones de IC 50 ). Existe consenso en que los puntos de referencia retrospectivos no son buenos predictores del rendimiento prospectivo y, en consecuencia, solo los estudios prospectivos constituyen una prueba concluyente de la idoneidad de una técnica para un objetivo en particular. [31] [32] [33] [34] [35]

Aplicación al descubrimiento de fármacos

El cribado virtual es una aplicación muy útil cuando se trata de identificar moléculas de interés como punto de partida para la química médica. A medida que el enfoque del cribado virtual comienza a convertirse en una técnica más vital y sustancial dentro de la industria de la química médica, el enfoque ha experimentado un rápido aumento. [36]

Métodos basados ​​en ligandos

Sin conocer la estructura, se intenta predecir cómo se unirán los ligandos al receptor. Con el uso de las características del farmacóforo, se identifican los ligandos donantes y aceptores. Las características de igualación se superponen, sin embargo, dado que es poco probable que exista una única solución correcta. [1]

Modelos de farmacóforos

Esta técnica se utiliza para combinar los resultados de búsquedas utilizando compuestos de referencia diferentes, los mismos descriptores y coeficientes, pero compuestos activos diferentes. Esta técnica es beneficiosa porque es más eficiente que utilizar una sola estructura de referencia junto con el rendimiento más preciso cuando se trata de diversos principios activos. [1]

Un farmacóforo es un conjunto de características estéricas y electrónicas que se necesitan para tener una interacción o interacciones supramoleculares óptimas con una estructura biológica objetivo para precipitar su respuesta biológica. Elija un representante como un conjunto de activos, la mayoría de los métodos buscarán enlaces similares. [37] Es preferible tener múltiples moléculas rígidas y los ligandos deben estar diversificados, en otras palabras, asegúrese de tener diferentes características que no ocurren durante la fase de unión. [1]

Evaluación virtual basada en formas

Los enfoques de similitud molecular basados ​​en la forma se han establecido como técnicas de cribado virtual importantes y populares. En la actualidad, la plataforma de cribado altamente optimizada ROCS (Superposición rápida de estructuras químicas) se considera el estándar de facto de la industria para el cribado virtual basado en la forma y centrado en ligandos. [38] [39] [40] Utiliza una función gaussiana para definir volúmenes moleculares de pequeñas moléculas orgánicas. La selección de la conformación de consulta es menos importante, lo que hace que el cribado basado en la forma sea ideal para el modelado basado en ligandos: como la disponibilidad de una conformación bioactiva para la consulta no es el factor limitante para el cribado, es más bien la selección del compuesto o compuestos de consulta lo que es decisivo para el rendimiento del cribado. [16] También se han desarrollado otros métodos de similitud molecular basados ​​en la forma, como Blaze (antes conocido como FieldScreen) y Autodock-SS. [41] [42] [43]

Evaluación virtual en terreno

Como una mejora de los métodos de similitud basados ​​en la forma, los métodos basados ​​en el campo intentan tener en cuenta todos los campos que influyen en la interacción ligando-receptor, al tiempo que son independientes de la estructura química utilizada como consulta. Algunos ejemplos de otros campos que se utilizan en estos métodos son los campos electrostáticos o hidrofóbicos.

Relación de actividad cuantitativa-estructural

Los modelos de relación cuantitativa-estructura-actividad (QSAR) consisten en modelos predictivos basados ​​en información extraída de un conjunto de compuestos conocidos como activos e inactivos. [44] SAR (relación estructura-actividad) donde los datos se tratan de manera cualitativa y se pueden utilizar con clases estructurales y más de un modo de enlace. Los modelos priorizan los compuestos para el descubrimiento principal. [1]

Algoritmos de aprendizaje automático

Los algoritmos de aprendizaje automático se han utilizado ampliamente en enfoques de detección virtual. Las técnicas de aprendizaje supervisado utilizan conjuntos de datos de entrenamiento y prueba compuestos por compuestos activos e inactivos conocidos. Se han aplicado con éxito diferentes algoritmos de aprendizaje automático en estrategias de detección virtual, como particionamiento recursivo, máquinas de vectores de soporte , bosques aleatorios, k vecinos más cercanos y redes neuronales . [45] [46] [47] Estos modelos encuentran la probabilidad de que un compuesto sea activo y luego clasifican cada compuesto en función de su probabilidad. [1]

Análisis subestructural en el aprendizaje automático

El primer modelo de aprendizaje automático utilizado en grandes conjuntos de datos es el análisis de subestructuras, creado en 1973. Cada subestructura de fragmentos realiza una contribución continua a una actividad de tipo específico. [1] La subestructura es un método que supera la dificultad de la dimensionalidad masiva cuando se trata de analizar estructuras en el diseño de fármacos. Se utiliza un análisis de subestructuras eficiente para estructuras que tienen similitudes con un edificio o una torre de varios niveles. La geometría se utiliza para numerar las juntas límite de una estructura dada en el inicio y hacia el clímax. Cuando se desarrolla el método de condensación estática especial y rutinas de sustitución, se demuestra que este método es más productivo que los modelos de análisis de subestructuras anteriores. [48]

Particionamiento recursivo

La partición recursiva es un método que crea un árbol de decisiones utilizando datos cualitativos. Se trata de comprender la forma en que las reglas dividen las clases con un error bajo de clasificación errónea mientras se repite cada paso hasta que no se pueden encontrar divisiones sensatas. Sin embargo, la partición recursiva puede tener una capacidad de predicción deficiente, lo que potencialmente puede crear modelos precisos al mismo tiempo. [1]

Métodos basados ​​en la estructura conocidos como acoplamiento de ligandos de proteínas

El ligando puede unirse a un sitio activo dentro de una proteína mediante un algoritmo de búsqueda de acoplamiento y una función de puntuación para identificar la causa más probable de un ligando individual mientras se asigna un orden de prioridad. [1] [49]

Véase también

Referencias

  1. ^ abcdefghij Gillet V (2013). "Cribado virtual basado en ligandos y en estructuras" (PDF) . Universidad de Sheffield.
  2. ^ Rester U (julio de 2008). "De la virtualidad a la realidad: cribado virtual en el descubrimiento y optimización de fármacos: una perspectiva de la química medicinal". Current Opinion in Drug Discovery & Development . 11 (4): 559–68. PMID  18600572.
  3. ^ Rollinger JM, Stuppner H, Langer T (2008). "Cribado virtual para el descubrimiento de productos naturales bioactivos". Compuestos naturales como fármacos Volumen I. Avances en la investigación de medicamentos. Fortschritte der Arzneimittelforschung. Progrès des Recherches Pharmaceutiques. vol. 65, págs. 211, 213–49. doi :10.1007/978-3-7643-8117-2_6. ISBN 978-3-7643-8098-4. PMC  7124045 . PMID  18084917.
  4. ^ Walters WP, Stahl MT, Murcko MA (1998). "Cribado virtual: una descripción general". Drug Discov. Today . 3 (4): 160–178. doi :10.1016/S1359-6446(97)01163-X.
  5. ^ Bohacek RS, McMartin C, Guida WC (1996). "El arte y la práctica del diseño de fármacos basado en la estructura: una perspectiva de modelado molecular". Med. Res. Rev. 16 ( 1): 3–50. doi :10.1002/(SICI)1098-1128(199601)16:1<3::AID-MED1>3.0.CO;2-6. PMID  8788213.
  6. ^ McGregor MJ, Luo Z, Jiang X (11 de junio de 2007). "Capítulo 3: Selección virtual en el descubrimiento de fármacos". En Huang Z (ed.). Investigación para el descubrimiento de fármacos. Nuevas fronteras en la era posgenómica . Wiley-VCH: Weinheim, Alemania. págs. 63–88. ISBN 978-0-471-67200-5.
  7. ^ McInnes C (octubre de 2007). "Estrategias de detección virtual en el descubrimiento de fármacos". Current Opinion in Chemical Biology . 11 (5): 494–502. doi :10.1016/j.cbpa.2007.08.033. PMID  17936059.
  8. ^ ab Santana K, do Nascimento LD, Lima y Lima A, Damasceno V, Nahum C, Braga RC, et al. (2021-04-29). "Aplicaciones del cribado virtual en la bioprospección: hechos, cambios y perspectivas para explorar la diversidad quimioestructural de productos naturales". Frontiers in Chemistry . 9 : 662688. Bibcode :2021FrCh....9..155S. doi : 10.3389/fchem.2021.662688 . ISSN  2296-2646. PMC 8117418 . PMID  33996755. 
  9. ^ Sun H (2008). "Cribado virtual basado en farmacóforos". Química medicinal actual . 15 (10): 1018–24. doi :10.2174/092986708784049630. PMID  18393859.
  10. ^ Willet P, Barnard JM, Downs GM (1998). "Búsqueda de similitud química". Revista de información química y ciencias de la computación . 38 (6): 983–996. CiteSeerX 10.1.1.453.1788 . doi :10.1021/ci9800211. 
  11. ^ Rush TS, Grant JA, Mosyak L, Nicholls A (marzo de 2005). "Un método de salto de andamio tridimensional basado en la forma y su aplicación a una interacción proteína-proteína bacteriana". Journal of Medicinal Chemistry . 48 (5): 1489–95. CiteSeerX 10.1.1.455.4728 . doi :10.1021/jm040163o. PMID  15743191. 
  12. ^ Ballester PJ, Westwood I, Laurieri N, Sim E, Richards WG (febrero de 2010). "Cribado virtual prospectivo con reconocimiento de formas ultrarrápido: la identificación de nuevos inhibidores de las N-acetiltransferasas de arilamina". Journal of the Royal Society, Interface . 7 (43): 335–42. doi :10.1098/rsif.2009.0170. PMC 2842611 . PMID  19586957. 
  13. ^ Kumar A, Zhang KY (2018). "Avances en el desarrollo de métodos de similitud de forma y su aplicación en el descubrimiento de fármacos". Frontiers in Chemistry . 6 : 315. Bibcode :2018FrCh....6..315K. doi : 10.3389/fchem.2018.00315 . PMC 6068280 . PMID  30090808. 
  14. ^ Li H, Leung KS, Wong MH, Ballester PJ (julio de 2016). "USR-VS: un servidor web para el cribado virtual prospectivo a gran escala utilizando técnicas de reconocimiento de formas ultrarrápidas". Nucleic Acids Research . 44 (W1): W436–41. doi :10.1093/nar/gkw320. PMC 4987897 . PMID  27106057. 
  15. ^ Sperandio O, Petitjean M, Tuffery P (julio de 2009). "wwLigCSRre: un servidor basado en ligandos 3D para la identificación y optimización de resultados". Nucleic Acids Research . 37 (número de servidor web): W504–9. doi :10.1093/nar/gkp324. PMC 2703967 . PMID  19429687. 
  16. ^ ab Kirchmair J, Distinto S, Markt P, Schuster D, Spitzer GM, Liedl KR, et al. (2009). "Cómo optimizar el cribado virtual basado en formas: elección de la consulta correcta e inclusión de información química". Revista de información y modelado químico . 49 (3): 678–692. doi :10.1021/ci8004226. PMID  19434901.
  17. ^ Toledo Warshaviak D, Golan G, Borrelli KW, Zhu K, Kalid O (julio de 2014). "Enfoque de detección virtual basado en la estructura para el descubrimiento de ligandos unidos covalentemente". Journal of Chemical Information and Modeling . 54 (7): 1941–50. doi :10.1021/ci500175r. PMID  24932913.
  18. ^ Maia EH, Assis LC, de Oliveira TA, da Silva AM, Taranto AG (28 de abril de 2020). "Proyección virtual basada en la estructura: de la inteligencia clásica a la artificial". Frontiers in Chemistry . 8 : 343. Bibcode :2020FrCh....8..343M. doi : 10.3389/fchem.2020.00343 . PMC 7200080 . PMID  32411671. 
  19. ^ Kroemer RT (agosto de 2007). "Diseño de fármacos basado en la estructura: acoplamiento y puntuación". Current Protein & Peptide Science . 8 (4): 312–28. CiteSeerX 10.1.1.225.959 . doi :10.2174/138920307781369382. PMID  17696866. 
  20. ^ Cavasotto CN, Orry AJ (2007). "Acoplamiento de ligandos y cribado virtual basado en la estructura en el descubrimiento de fármacos". Temas actuales en química medicinal . 7 (10): 1006–14. doi :10.2174/156802607780906753. PMID  17508934.
  21. ^ Kooistra AJ, Vischer HF, McNaught-Flores D, Leurs R, de Esch IJ, de Graaf C (junio de 2016). "Detección virtual de función específica para ligandos de GPCR utilizando un método de puntuación combinado". Informes científicos . 6 : 28288. Código Bib : 2016NatSR...628288K. doi :10.1038/srep28288. PMC 4919634 . PMID  27339552. 
  22. ^ Irwin JJ, Shoichet BK, Mysinger MM, Huang N, Colizzi F, Wassam P, et al. (septiembre de 2009). "Pantallas de acoplamiento automatizadas: un estudio de viabilidad". Journal of Medicinal Chemistry . 52 (18): 5712–20. doi :10.1021/jm9006966. PMC 2745826 . PMID  19719084. 
  23. ^ Li H, Leung KS, Ballester PJ, Wong MH (24 de enero de 2014). "istar: una plataforma web para el acoplamiento proteína-ligando a gran escala". PLOS ONE . ​​9 (1): e85678. Bibcode :2014PLoSO...985678L. doi : 10.1371/journal.pone.0085678 . PMC 3901662 . PMID  24475049. 
  24. ^ ab Zhou H, Skolnick J (enero de 2013). "FINDSITE(comb): un enfoque de detección de ligandos virtuales a escala proteómica basado en enhebrado/estructura". Journal of Chemical Information and Modeling . 53 (1): 230–40. doi :10.1021/ci300510n. PMC 3557555 . PMID  23240691. 
  25. ^ Roy A, Skolnick J (febrero de 2015). "LIGSIFT: una herramienta de código abierto para la alineación estructural de ligandos y el cribado virtual". Bioinformática . 31 (4): 539–44. doi :10.1093/bioinformatics/btu692. PMC 4325547 . PMID  25336501. 
  26. ^ Gaulton A, Bellis LJ, Bento AP, Chambers J, Davies M, Hersey A, et al. (enero de 2012). "ChEMBL: una base de datos de bioactividad a gran escala para el descubrimiento de fármacos". Nucleic Acids Research . 40 (número de la base de datos): D1100–7. doi :10.1093/nar/gkr777. PMC 3245175 . PMID  21948594. 
  27. ^ Wishart DS , Knox C, Guo AC, Shrivastava S, Hassanali M, Stothard P, et al. (enero de 2006). "DrugBank: un recurso integral para el descubrimiento y la exploración de fármacos in silico". Nucleic Acids Research . 34 (número de base de datos): D668–72. doi :10.1093/nar/gkj067. PMC 1347430. PMID  16381955 . 
  28. ^ Réau M, Langenfeld F, Zagury JF, Lagarde N, Montes M (2018). "Selección de señuelos en conjuntos de datos de evaluación comparativa: descripción general y perspectivas". Frontiers in Pharmacology . 9 : 11. doi : 10.3389/fphar.2018.00011 . PMC 5787549 . PMID  29416509. 
  29. ^ ab Ballester PJ (diciembre de 2019). "Selección de funciones de puntuación de aprendizaje automático para el cribado virtual basado en la estructura". Drug Discovery Today: Technologies . 32–33: 81–87. doi : 10.1016/j.ddtec.2020.09.001 . PMID  33386098. S2CID  224968364.
  30. ^ Li H, Sze KH, Lu G, Ballester PJ (2021). "Funciones de puntuación de aprendizaje automático para el cribado virtual basado en la estructura". WIREs Computational Molecular Science . 11 (1): e1478. doi :10.1002/wcms.1478. ISSN  1759-0884. S2CID  219089637.
  31. ^ Wallach I, Heifets A (2018). "La mayoría de los puntos de referencia de clasificación basados ​​en ligandos recompensan la memorización en lugar de la generalización". Revista de información y modelado químico . 58 (5): 916–932. arXiv : 1706.06619 . doi :10.1021/acs.jcim.7b00403. PMID  29698607. S2CID  195345933.
  32. ^ Irwin JJ (2008). "Puntos de referencia comunitarios para el cribado virtual". Revista de diseño molecular asistido por ordenador . 22 (3–4): 193–9. Código bibliográfico :2008JCAMD..22..193I. doi :10.1007/s10822-008-9189-4. PMID  18273555. S2CID  26260725.
  33. ^ Good AC, Oprea TI (2008). "Optimización de las técnicas CAMD 3. Estudios de enriquecimiento de cribado virtual: ¿una ayuda o un obstáculo en la selección de herramientas?". Journal of Computer-Aided Molecular Design . 22 (3–4): 169–78. Bibcode :2008JCAMD..22..169G. doi :10.1007/s10822-007-9167-2. PMID  18188508. S2CID  7738182.
  34. ^ Schneider G (abril de 2010). "Cribado virtual: ¿una escalera sin fin?". Nature Reviews. Drug Discovery . 9 (4): 273–6. doi :10.1038/nrd3139. PMID  20357802. S2CID  205477076.
  35. ^ Ballester PJ (enero de 2011). "Reconocimiento de formas ultrarrápido: método y aplicaciones". Future Medicinal Chemistry . 3 (1): 65–78. doi :10.4155/fmc.10.280. PMID  21428826.
  36. ^ Lavecchia A, Di Giovanni C (2013). "Estrategias de detección virtual en el descubrimiento de fármacos: una revisión crítica". Química medicinal actual . 20 (23): 2839–60. doi :10.2174/09298673113209990001. PMID  23651302.
  37. ^ Spitzer GM, Heiss M, Mangold M, Markt P, Kirchmair J, Wolber G, et al. (2010). "Un concepto, tres implementaciones de detección virtual basada en farmacóforos 3D: cobertura distinta del espacio de búsqueda química". Journal of Chemical Information and Modeling . 50 (7): 1241–1247. doi :10.1021/ci100136b. PMID  20583761.
  38. ^ Grant JA, Gallard MA, Pickup BT (1996). "Un método rápido de comparación de formas moleculares: una aplicación simple de una descripción gaussiana de la forma molecular". Journal of Computational Chemistry . 17 (14): 1653–1666. doi :10.1002/(SICI)1096-987X(19961115)17:14<1653::AID-JCC7>3.0.CO;2-K.
  39. ^ Nicholls A, Grant JA (2005). "Forma molecular y electrostática en la codificación de información química relevante". Journal of Computer-Aided Molecular Design . 19 (9–10): 661–686. doi :10.1007/s10822-005-9019-x. PMID  16328855.
  40. ^ Rush TS, Grant JA, Mosyak L, Nicholls A (2005). "Un método de salto de andamio 3-D basado en la forma y su aplicación a una interacción proteína-proteína bacteriana". Journal of Medicinal Chemistry . 48 (5): 1489–1495. doi :10.1021/jm040163o. PMID  15743191.
  41. ^ Cheeseright TJ, Mackey MD, Melville JL, Vinter JG (noviembre de 2008). "FieldScreen: cribado virtual mediante campos moleculares. Aplicación al conjunto de datos DUD". Journal of Chemical Information and Modeling . 48 (11): 2108–2117. doi :10.1021/ci800110p. PMID  18991371.
  42. ^ Lang S, Slater MJ (mayo de 2024). "Estrategias de detección virtual para identificar nuevos quimiotipos". Revista de química medicinal . 67 (9): 6897–6898. doi : 10.1021/acs.jmedchem.4c00906 . PMID  38654500.
  43. ^ Ni B, Wang H, Khalaf HK, Blay V, Houston DR (mayo de 2024). "AutoDock-SS: AutoDock para detección virtual basada en ligandos multiconformacionales". Revista de información y modelado químico . 64 (9): 3779–3789. doi :10.1021/acs.jcim.4c00136. PMC 11094722 . PMID  38624083. 
  44. ^ Neves BJ, Braga RC, Melo-Filho CC, Moreira-Filho JT, Muratov EN, Andrade CH (13 de noviembre de 2018). "Cribado virtual basado en QSAR: avances y aplicaciones en el descubrimiento de fármacos". Frontiers in Pharmacology . 9 : 1275. doi : 10.3389/fphar.2018.01275 . PMC 6262347 . PMID  30524275. 
  45. ^ Alsenan S, Al-Turaiki I, Hafez A (diciembre de 2020). "Un modelo de red neuronal recurrente para predecir la permeabilidad de la barrera hematoencefálica". Computational Biology and Chemistry . 89 : 107377. doi : 10.1016/j.compbiolchem.2020.107377 . PMID  33010784.
  46. ^ Dimitri GM, Lió P (junio de 2017). "DrugClust: un enfoque de aprendizaje automático para la predicción de efectos secundarios de medicamentos". Computational Biology and Chemistry . 68 : 204–210. doi :10.1016/j.compbiolchem.2017.03.008. PMID  28391063.
  47. ^ Shoombuatong W, Schaduangrat N, Pratiwi R, Nantasenamat C (junio de 2019). "THPep: un enfoque basado en el aprendizaje automático para predecir péptidos de localización tumoral". Computational Biology and Chemistry . 80 : 441–451. doi :10.1016/j.compbiolchem.2019.05.008. PMID  31151025.
  48. ^ Gurujee CS, Deshpande VL (febrero de 1978). "Un método mejorado de análisis de subestructuras". Computers & Structures . 8 (1): 147–152. doi :10.1016/0045-7949(78)90171-2.
  49. ^ Pradeepkiran JA, Reddy PH (marzo de 2019). "Diseño basado en la estructura y estudios de acoplamiento molecular para inhibidores de Tau fosforilados en la enfermedad de Alzheimer". Cells . 8 (3): 260. doi : 10.3390/cells8030260 . PMC 6468864 . PMID  30893872. 

Lectura adicional

Enlaces externos