UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO
FACULTAD DE CIENCIAS BIOLÓGICAS
DEPARTAMENTO ACADÉMICO DE BIOLOGÍA
DETECCIÓN IN SILICO DE REACCIONES CRUZADAS
DE FÁRMACOS
TESIS
PARA OPTAR EL TÍTULO PROFESIONAL DE
LICENCIADO EN BIOLOGÍA
PRESENTADO POR:
Br. Juan Enrique Faya Castillo
1 DETECCIÓN IN SILICO DE REACCIONES CRUZADAS DE FÁRMACOS
TESIS PARA OPTAR EL TÍTULO PROFESIONAL DE LICENCIADO EN BIOLOGÍA
PRESENTADO POR: Br. Juan Enrique Faya Castillo
APROBADO POR:
Dra. MARTHA A. VERGARA ESPINOZA PRESIDENTE
MSc. CONSUELO ROJAS IDROGO SECRETARIO
MSc. JULIO CÉSAR SILVA ESTELA VOCAL
PhD. PEDRO JORGE CHIMOY EFFIO PATROCINADOR
2 “El Biólogo en esencia, soluciona problemas”
(Pedro Jorge Chimoy Effio)
3 DEDICATORIA
A Margarita y Enrique mis padres, por su apoyo incondicional y por su esfuerzo diario para hacerme salir adelante. A mis familiares por ser ejemplo para mí. A Aracelly Gomez por ser mi apoyo moral en todo momento.
A Pedro Chimoy, por ser mi amigo,
guía, y maestro. A Erick Suclupe
por siempre saber decir las
palabras correctas para continuar.
A todas aquellas personas que
utilizan la ciencia para difundir los
nuevos conocimientos.
4 AGRADECIMIENTOS
Mis sinceros agradecimientos:
Al PhD. Pedro Jorge Chimoy Effio, docente principal del departamento de
Biología, laboratorio de Bioquímica, por su apoyo incondicional, además por su amistad y todos los consejos brindados que han permitido seguir en el camino de la investigación.
A M. Sc Erick Suclupe Farro co-orientador por apoyarme en el transcurso de la tesis además por esa amistad ganada en el trascurso del tiempo.
Al PhD. Alessandro Silva Nascimento, Universidad de Física de Sao Carlos
– USP (Brasil); del grupo de biotecnología molecular, por permitirme realizar parte de la investigación en su laboratorio y por orientarme a esta rama de la ciencia.
Al PhD. Richard Charles Garratt, Universidad de Física de Sao Carlos –
USP (Brasil); por su amistad, apoyo incondicional y por brindarme los medios necesarios para conocer una nueva visión de ciencia.
5 A la M. Sc. Consuelo Rojas Idrogo, docente principal del departamento de
Botánica-Cultivo de tejidos vegetales, Facultad de Ciencias Biológicas,
Universidad Nacional Pedro Ruiz Gallo por ser amiga y maestra a lo largo de mi carrera profesional.
A Gilbert, gran amigo y por estar al tanto de mi investigación y por los deseos de buena fe en el transcurso de la tesis. A Diego y Daniel por hacerme sentir en casa cuando estábamos lejos de ella, además por esas largas conversaciones sobre ciencia.
A Alessandra, Ada, María, Olivia, Diana, Arly, Debir, Jhonson, Christian,
Richard, Aldemir, Juan Carlos, por ser grandes amigos en el trascurso de los años de mi carrera universitaria en el área de Biología. A todo el Código
2010-I por ser el mejor de todos.
A los integrantes del Centro de Estudios Genómicos del Perú – CEGENP
Además, a todas aquellas personas que de alguna u otra manera contribuyeron en la realización del presente trabajo.
6 CONTENIDO
I. INTRODUCCIÓN…………………...……………………………….. 11
II. ANTECEDENTES BIBLIOGRÁFICOS……………………………. 17
III. MATERIAL Y MÉTODO…………….………………….……..….…. 22
3.1. Material………………..………………………….…….....….… 22
3.1.1. Equipos………………………….………………....….…. 22
3.1.2. Softwares..……………………...……………………..… 22
3.1.3. Base de Datos.………………...………………………... 22
3.1.4. Outputs e Imputs..…………..…….…………………….. 22
3.1.5. Sistemas Operativos…………………………………….. 23
3.1.6. Paquetes de Datos………………………………………. 23
3.2. Métodos…………………………...….………………………….. 23
3.2.1. Campo de estudio………………………………………... 23
3.2.2. Procedimientos.……………………………….………….. 23
3.2.2.1 Obtener Coordenadas atómicas de los fármacos y
compararlos entre ellos....………………………………….. 24
3.2.2.1.1. MolShacs…………..….…………………..….. 24
3.2.2.2 Análisis de Clusters con Radatools 3.2 y Visualización de
Comunidades con Pajek…………………………………… 27
3.2.2.2.1 Radatools 3.2……………………….…………. 27
3.2.2.2.2 Pajek…………………….…………………….... 33
3.2.2.3 Análisis fármaco-dinámica de comunidades cercanas
………………...…………..…………………………………... 35
7 3.2.2.3.1 CHIMERA 1.11.2..…………………………….. 35
3.2.2.3.2 AutoDocks Tools ..…………………………….. 36
3.2.2.3.3 AutoDocks Vina..………………………………. 37
IV. RESULTADOS y DISCUSIONES………………………………..…… 38
4.1. Clusters obtenidos con Radatools y visualizados en Pajek … 40
4.1.1. Comunidades en Radatools 3.2………………………...….. 40
4.1.2. Visualización de las Comunidades en Pajek….…………... 42
4.1.3. Fármaco-Dinámica de fármacos identificados como similares
por su cercanía.……………………………………………………… 43
Comunidad 4………………………………………………………. 45
Comunidad 5………………………………………………………. 46
Docking 1…………………………………………………………... 47
Comunidad 3…………………………………………………….… 51
Comunidad 12……………………………………………………... 52
Docking 2………………………………………………………….. 54
Docking 3………………………………………………………….. 57
Comunidad 17…………………………………………………….. 60
Comunidad 19…………………………………………………….. 62
Docking 4………………………………………………………….. 63
V. CONCLUSIONES….………………………………………………..… 72
VI. RECOMENDACIONES.………………………………………..……... 74
VII. RESUMEN………………………………….………………………...… 75
VIII.ABSTRACT….………………………………………………..……...… 77
8 IX. REFERENCIAS BIBLIOGRÁFICAS.………..…………...... …...…. 79
ANEXOS…..…………………...... ……………..….. 88
9 INDICE DE FIGURAS
Figura 1. Transformación de una extensión .dat a una extensión
.net…………………………………………………...... ……………….. 41
Figura 2. Transformación de una extensión .lol a una extensión
.clu…………………………..………………………………………………….. 41
Figura 3. Visualización de las 21 comunidades en Pajek….……………..
……………………………………..……………………………………..…….. 42
Figura 4: Fármacos utilizados para Docking Molecular………………….. 44
Figura 5: cAMP-specific 3',5'-cyclic phosphodiesterase, Pentoxifilline y
Benzoctamine….……………..…………………………………..………….. 50
Figura 6: Transportador de dopamina dependiente de sodio, Phentermine y Venlafaxine..….………………………………………………...………….. 56
Figura 7: Monoamina Oxidasa, Phentermine .….
…………………………………………………………...………...………….. 59
Figura 8: Receptor de la dopamina, Levodopa y Cholpropamide .…..
……………………………………………………...……………………….…. 69
Figura 9: Receptor de la dopamina 3, Levodopa y Cholpropamide..….
……………..……………………………………………………...………….. 71
INDICE DE ANEXOS
Anexo 1. Base de Datos
Anexo 2. 921 fármacos divididos en 21 comunidades
Anexo 3. Listado de 21 comunidades
10 I.INTRODUCCIÓN
Un fármaco es una sustancia química de estructura establecida distinta de un nutriente o un componente alimentario esencial, que produce un efecto biológico cuando se administra a un ser vivo. Los fármacos actúan sobre un receptor o molécula diana, el cual mantiene reciprocidad con él, cada tipo de fármacos se une a determinadas moléculas y determinadas moléculas diana reconocen determinados tipos de fármacos, pero en muchos casos cuando se aumenta la dosis del fármaco o se usan de manera prolongada, la inespecificidad del fármaco-diana se produce, dando lugar a efectos secundarios como las reacciones cruzadas de fármacos (San Román, 2013).
Las reacciones cruzadas de fármacos, también llamados ADR o RAM´s son efectos no deseados de un fármaco, que se dan por la no especificidad de este hacia su diana, es decir que la estructura química no se correlaciona. Desde los primeros estudios de fármacos, las reacciones cruzadas han sido de gran importancia para los procesos farmacológicos, puesto que el procedimiento para desarrollar un fármaco es muy largo y costoso, y arriesgarse a que el producto final sea sacado del mercado por presentar reacciones adversas para los consumidores ocasionaría pérdidas de centenas de millones de dólares, además de muchos procesos legales y lo más importante evitar afectar la salud.
11 Esta gran pérdida se evita, ahora, con los estudio de fármacos In Silico o en Computadoras, uno de los principales usos son los estudios relacionados con la estructura-actividad (la relación de la estructura química, los efectos farmacodinámicos y farmacocinéticos, en los sistemas biológicos) los primeros estudios cuantitativos comenzaron con
Hansch & Fujita (Hansch & Fujita, 1964) a mediados del siglo pasado naciendo así los “Quantitative Structure-Activity Relationship” o QSARs, seguido luego en los 80 y 90 por gráficos computacionales y modelamientos moleculares. (S Ekins, Mestres, & Testa, 2007b)
Los QSAR´s consisten en la construcción de modelos matemáticos que relacionan una estructura molecular para una propiedad química o biológica. Esto no es sencillo ya que existe una alta posibilidad de que diferentes moléculas actúan para diferentes mecanismos o interactúan con el receptor en diferentes enlaces. (S Ekins, Mestres, & Testa, 2007a)
La especificidad de un fármaco a su receptor se determina por las interacciones moleculares entre una molécula y su diana, estás interacciones están basadas por la estructura de la molécula y por sus propiedades físico-químicas. Idealmente cada fármaco debe ejercer su efecto sobre un único alvo o receptor biológico; en quimiorreceptores individuales o 'balas mágicas' de Ehrlich (Kaufmann, 2008), concepto basado en el paradigma "un gen, una droga, una enfermedad", el cual
12 surge de una congruencia entre el reduccionismo genético y las nuevas tecnologías de biología molecular que permitieron el aislamiento y caracterización de enfermedades causadas por genes (Sams-Dodd,
2005). Este paradigma ha conllevado a la suposición de que el objetivo del descubrimiento de fármacos es diseñar ligandos exquisitamente selectivos que tienen que actuar sobre una única diana en la enfermedad o que tiene que unirse a sólo un receptor (Especificidad fármaco- receptor).
Sin embargo esto no sucede, ya que efectos colaterales resultan de muchas combinaciones fármaco-alvo, un ejemplo fue Rofecobix un fármaco líder en los años 2000 como antiflamatorio, inhibia de manera selectiva a la enzima cicloxigenasa 2, fue retirado del mercado en el 2004 debido a las reacciones cruzadas con receptores cardiacos produciendo problemas severos como infarto al miocardio (Hopkins et al., 1999).
Estás reacciones cruzadas “cross reaction”, (también llamadas ADR
“adverse drug reactions”, reacciones adversas medicamentosas (RAMs) o interacciones cruzadas “Cross-interections”), una reacción adversa es cualquier efecto no deseado de un fármaco más allá de sus efectos terapéuticos esperados que ocurren durante el uso clínico. Por el contrario, un evento adverso de fármacos es un hecho desfavorable después de la exposición a un medicamento que no es necesariamente causada por el fármaco (Levings, 1999)
13 Se estima que cada año cerca de dos millones de pacientes en los
Estados Unidos son afectados por reacciones cruzadas serias, cien mil resultan en fatalidades y por ende es la cuarta causa de muerte en el país generando cerca de 136 millones de dólares en el cuidado de estos acontecimientos. Número similar fue descrito para países europeos
(Scheiber et al., 2009).
América Latina no queda exenta de estos acontecimientos, la Agencia
Nacional de Vigilancia Sanitaria (ANVISA) reporta en red Sinitox que
RAMs ocupa el primer lugar de una lista de 13 agentes tóxicos avalados por ellos y que en Brasil llegó a presentar un 27% de casos de intoxicación entre 1993-1996 (Bortoletto & Bochner, 1999; Orgânica,
2001)
Cuando un fármaco se comercializa poco se sabe sobre la seguridad clínica, ya que pocos pacientes (1500) han estado expuestos al fármaco en estudio (Pirmohamed, Breckenridge, Kitteringham, & Park, 1998), por ende, poco se sabe sobre sus reacciones cruzadas y los receptores que se activan al estar expuesto al fármaco en uso.
Actualmente las razones más importantes para el decrecimiento de la producción de fármacos son; la falta de eficacia y la seguridad clínica o toxicológica, que representa cada uno el 30% de los fallos (Kola & Landis,
14 2004), es esta falta de eficacia y de especificidad lo que conlleva a las reacciones cruzadas de fármacos constituyendo un problema frecuente en la práctica clínica que determina importante morbimortalidad (Otero &
Dominguez-Gil, 2000), y su estudio es de gran importancia para tener protocolos en casos que se den (farmacovilgilancia). Para la elaboración de estos protocolos se debe tener un conocimiento de cuáles son los síntomas y signos que se presentan por el uso del fármaco, los cuales pueden ser varios. Los síntomas y signos pueden aparecer en un corto o largo plazo, dependiendo de la farmacodinámica y los mecanismos de acción.
Los estudios de farmacovigilancia son muy prolongados, costosos y deben manejar grandes bases de datos con intercambios de conocimientos y con resultados periódicos, los cuales no se dan en el sistema de salud. En cambio, los estudios in silico pueden analizar de forma dirigida una cierta cantidad de datos, obtener resultados rápidos y proponer soluciones para las reacciones adversas medicamentosas, ya que, las Reacciones Cruzadas pueden causar serios problemas en la salud de la población. Los tets experimentales para el estudio de reacciones adversas en una lista de fármacos poseen un alto costo, mientras que los experimentos computacionales poseen un menor costo y direccionan una investigación hacia un objetivo específico.
15 El estudio in silico de fármacos buscando reacciones cruzadas tiene una gran ventaja sobre el análisis experimental, analizaría de forma rápida y eficaz un grupo de fármacos buscando reacciones cruzadas para tener una base de datos que nos informe, cuál sería la acción de un determinado fármaco, y cuáles podrían ser los daños que causen al paciente, por estas razones el presente trabajo de investigación se formuló los siguiente problema ¿Qué reacciones cruzadas se producen entre los fármacos estudiados? ¿Qué reacciones cruzadas se pueden detectar por análisis de redes farmacológicas?, para solucionar estos problemas se planteó un objetivo: Detectar Reaciones Cruzadas in silico en una red de similaridad para 921 fármacos aprobados por FDA. Para detectar las Reacciones Cruzadas en este trabajo se utilizan herramientas computacionales: MolShaCS, Radatools y Pajek; para detectar potenciales interacciones cruzadas entre frármacos para ser estudiados en clusters y visualizados en comunidades, las que son analizadas mediante Dockings Moleculares y de manera Bibliográfica.
16 II. ANTECEDENTES BIBLIOGRÁFICOS
Las enfermedades han estado presentes desde el inicio de la humanidad, grandes enfermedades (pandemias) han afectado el curso de la historia, el desarrollo de las civilizaciones y han cambiado la manera de como se concibe el mundo. Tanto así que la humanidad siempre ha estado en constante búsqueda de soluciones (medicamentos) para combatir esas enfermedades. Los pueblos prehistóricos para aliviarse de estas enfermedades, ya conocían los efectos benéficos de tóxicos provenientes del reino vegetal o animal. Los primeros registros escritos en
China y Egipto citaban muchos tipos de remedios con plantas medicinales, algunas que hasta hoy son conocidas como fármacos útiles.
Los papiros de Smith (1600 A.C) y de Ebers (1500 A.C), relataban el preparado de medicamentos de origen vegetal, el primer uso de una substancia aislada data de 1805 con Sertüner, que aisló la morfina a partir del opio.
A finales del siglo XVIII, la observación y experimentación comenzaron a servir de ayuda para las teorías científicas, y posibilitó el aparecimiento del uso de fármacos para las enfermedades. Aún no había el conocimiento de los mecanismos de acción de las drogas, puesto que no había métodos para la purificación de principios activos.
17 Al final del siglo XVIII e inicios del XIX, François Magendie y su alumno
Claude Bernard dieron inicio al desarrollo de métodos de fisiología y farmacología experimental en animales, esto junto con los avances en química proporcionaron el conocimiento de cómo los fármacos funcionaban a niveles de órganos y tejidos. En la década del 40 y 50 los avances en investigación en todas las áreas de Biología, introdujeron nuevas técnicas que permitieron acumular información sobre la acción de los fármacos y su substrato de acción, o su receptor.
En las últimas décadas fue necesario la invención de nuevas estrategias que imiten los procesos in vitro e in vivo para probar hipótesis, además de disminuir el costo y tiempo de las investigaciones, de esta manera apareció el análisis in silico (uso de computadoras), tal vez uno de los primeros usos de trabajos in silico lo realizaron Hansch y Fujita
(Hansch & Fujita, 1964), que analizaron de manera estadística la correlación de la actividad biológica y la estructura química por una variación de la ecuación de Hammet, determinando la actividad biológica de una estructura (Quantitative structure-activity relationships), además de iniciar las aplicaciones que permitirían la minería de datos y técnicas estadísticas como son virtual ligand screening y la virtual affinity profiling, biofísica y redes o mallas neuroquímicas. La primera vez que apareció la palabra in silico en un artículo fue en la década de los 90 (Sieburg 1990,
Danchin 1991).
18 Danchin (2002) explica el potencial uso de las herramientas computacionales en química, BIOLOGÍA, farmacología: “[….] La informática es una ayuda real para el análisis de las funciones biológicas.
[…]. […] Yo estuve convencido de lo potencial del enfoque computacional, cuando lo llamé in silico, para subrayar su importancia como un complemento para la experimentación in vivo e in vitro.”(Ekins, Mestres, &
Testa, 2007).
Los métodos in silico se utilizan en paralelo con la generación de datos in vitro tanto para crear el modelo y probarlo. Estos métodos han tenido un uso frecuente en el descubrimiento y optimización de nuevas moléculas con afinidad a un objetivo. Se da gracias a la clarificación de absorción, distribución, metabolismo, excreción y toxicidad (ADME/Tox),
(efectos farmacocinéticos (PK)), así como la caracterización físico- química (S Ekins et al., 2007c). Los estudios in silico están ayudando a tomar decisiones y simular virtualmente cada faceta del descubrimiento y desarrollo de fármacos, de esto se puede deducir que podrían también ayudar a descubrir cuáles son los efectos colaterales de los fármacos, estudiando su interacción con su receptor de manera bioinformática.
La parte importante del estudio in silico de fármacos es entender y modelar las Quantitative structure-activity relationships (QSAR), ya que es la construcción de un modelo matemático relacionando la estructura
19 molecular con una propiedad química o efecto biológico mediante técnicas estadísticas. La elaboración de un QSAR no es sencilla, la posibilidad de que diferentes moléculas actúen en diferentes mecanismos o interactúen con diferentes receptores en diferentes puntos de unión son altas, conduciendo así a la presencia de valores atípicos, los cuales son incapaces de adaptarse a cualquier modelo QSAR (Verma & Hansch,
2005). El ruido intrínseco de datos y la interacción con diferentes receptores asociados con una metodología concreta son necesarios para elaborar los QSAR (Polanski, Bak, Gieleciak, & Magdziarz, 2006).
Si se logra una correlación para un grupo significativo de los que se tiene información biológica, el modelo puede entonces ser utilizado para predecir el efecto biológico en otras moléculas, acompañando éstas con limitaciones para direccionar la investigación (Ekins et al., 2007a). La mejor manera de observar los datos es mediante redes (network) de proteínas y pequeñas moléculas que presenten los puntos de conexión, ya que una molécula puede tener múltiples objetivos y por ende diferentes efectos simultáneamente. (Ekins, 2006; Ekins, Nikolsky, & Nikolskaya,
2005; Sharom, Bellows, & Tyers, 2004).
Analizando este tipo de redes se conoce la afinidad de los fármacos hacia sus dianas o inclusive a sus no dianas (Csermely, Agoston, &
Pongor, 2005); García-Serna, Opatowski, & Mestres (2006), elaboraron
20 una red de 25 receptores nucleares basados en una librería de datos químicos que contenía 2033 moléculas. La red reveló potenciales reacciones farmacológicas cruzadas entre miembros de esta familia con implicaciones para efectos secundarios de pequeñas moléculas.
Una simulación in silico de efectos inhibidores en la vía del NF-kB mostró un gran potencial del comportamiento oscilatorio de las proteínas para inhibición upstream de la proteína que para la inhibición directa.
(Sung & Simon, 2004). En la actualidad las informaciones encontradas sobre Reacciones Cruzadas Medicamentosas se basan en estudios de farmacovigilancia observacional de síntomas o signos inexplicables los cuales pueden deberse a un medicamento que se está administrando.
Esta reacción del paciente hacia un determinado fármaco es con frecuencia: urticaria, exantema, prurito, angioedema, broncoespasmo, anafilaxia, rinitis, etc. Son estás reacciones por las cuales se diagnostica una reacción cruzada (Universitat de les Illes Balears).
21 III. MATERIALES Y MÉTODOS
3.1. Material
3.1.1. Equipos
Computadora personal con capacidad para el funcionamiento.
Cluster (Opcional)
Acceso a internet
3.1.2. Softwares
MolShac
Radatools 3.2
Pajek
Chimera 1.11.2
AutoDocks Tools
AutoDock Vina
3.1.3. Base de Datos (Anexo 1)
FDA
DrugBank
ZINC
NCBI
3.1.4. Output e Imput
Formato lol: -lol.txt
Extensión .dat
Extensión .net
22 Matrix .dat
Matrix .net
Matrix .clu
3.1.5. Sistemas Operativos
Sistema Operativo Ubuntu
Sistema Operativo Windows
3.1.6. Paquetes de Datos
Paquete de datos de 921 fármacos aprobados por el FDA
3.2. Métodos
3.2.1. Campo de Estudio
El campo de estudio fue un paquete de datos obtenidos de la Base de
Datos ZINC (Irwin & Shoichet, 2005; Irwin, Sterling, Mysinger, Bolstad, &
Coleman, 2012). Se estudió sólo los fármacos aceptados por la FDA
(Food and Drug Administracion), en total 921 moléculas.
3.2.2. Procedimiento
El procedimiento consiste de 2 etapas, la primera fue hecha de manera netamente in silico y la segunda etapa restante fue realizada con revisión bibliográfica.
En la primera etapa denominada in silico parte de un paquete de datos cuyas moléculas son aceptados por la FDA, para obtener coordenadas
23 atómicas y comunidades de fármacos, las que se agrupan luego de acuerdo a sus propiedades físico-químicas. A seguir, se escogen comunidades pequeñas para su estudio bibliográfico.
La segunda etapa Bibliográfica, se tomó los fármacos dentro de estas comunidades y se realizó una revisión bibliográfica de estos con la finalidad de hallar reacciones cruzadas, validándolos con Docking
Molecular.
Los pasos considerados dentro de la etapa In Silico son: Análisis de datos con MolShac, comprensión y relación con Radatools (R) para el análisis de los clusters, visualización del análisis de clusters mediante el uso de Pajek (comunidades).
3.2.2.1 Obtener Coordenadas atómicas de los fármacos y compararlos entre ellos.
3.2.2.1.1. MolShaCS
MolShaCS en inglés Molecular Shape and Charge Similarity, es una herramienta libre para, identificar ligantes con similaridad, basada en descriptores Guassianos. Este software hace una sobreposición molecular de acuerdo con las formas y cargas de las moléculas, posibilitando la medida de la similaridad molecular.
24 La superposición se consigue por la optimización numérica de la suma de gaussianos que describe la forma y la carga.
Una vez que se optimiza la superposición, el índice de similitud se calcula utilizando Hodgking. (MolShaCS Manual Alessandro S.
Nascimento September, 2012)
La descripción molecular se basa en el método de Richards la cual dice que el volumen de cada átomo se puede describir con una función
Gaussiana:
Ecuación 1: Función de una curva de Gauss para descripción del volumen molecular donde Pi es la amplitud de una curva de Gauss y σ es el radio atómico de
Van der Waals.
La superposición de Gauss para dos moléculas llamadas A y B es la siguiente:
Ecuación 2: Sobreposición de las integrales de las densidades atómicas individuales
MolShaCS difiere de otros Softwares como ROCS (ROCS, OpenEye
Scientific Software, Santa Fe, NM, 2012), ShaEP (Vainio, Puranen, &
Johnson, 2009) ya que no sólo se basa en la superposición Gaussiana y
25 en la densidad de Gauss para estimar las moléculas sobrepuestas.
MolShaCS también agrega dos otros términos que es la superposición de cargas negativas y cargas positivas respectivamente. Luego que la máxima superposición es encontrada, la similaridad se indexa (SI) y puede ser calculado usando la ecuación:
Este índice tiene un rango de -1, +1, siendo -1 una perfecta anticorrelación, +1 una perfecta correlación entre las moléculas AB. 0 indica ausencia completa de relación o similaridad entre las dos moléculas.
Cada molécula del paquete de datos fue comparada con las moléculas restantes, en una comparación pareada, validando la similaridad con la ecuación de Hodgkin. Fue realizada en total 921 ejecuciones para la comparación de una de las moléculas con las restantes. La versión de
MolShaCS incorpora un algoritmo de formación de confómeros de baja energía, basado en la biblioteca OpenBabel (O’Boyle et al., 2011); de esta forma la flexibilidad molecular se incorpora durante la comparación. Los resultados se agrupan en un output con extensión .dat y estudiados en el software Radatools 3.2.
26 3.2.2.2. Análisis de Clusters con Radatools 3.2 y Visualización de
Comunidades con Pajek
3.2.2.2.1. Radatools 3.2
Radatools es un conjunto de programas de libre distribución para analizar redes complejas., incluye programas muy útiles para la Detección y Determinación de comunidades.
El programa agrupa las moléculas en un análisis de clusters. El programa proporciona una matriz reagrupada, reagrupando en forma mapas de cores. Así evidencia la similaridad entre algunos grupos de moléculas.
La red elaborada en formato dat. Se convertió a formato .net mediante el programa RADATOOLS 3.2 de esa manera se analizó la red compleja que se formó en MolShaCS, RADATOOLS 3.2 incluye en su software opciones de detección y determinación de Comunidades.
Procedimiento:
Se convirtió un archivo forma de matriz en un archivo de red en formato
Pajek. (*.net).
27 En radatools, se eligió la opción Prepare_Network, en el, se elegió la opción Matrix_To_Net, este abrirá un script que permite crear un archivo .net de un archivo de entrada .dat.
Matrix_To_Net.exe matrix_input_file net_output_file [ no_link_string ]
matrix_input_file : .dat (input)
net_output_file : .net (output)
no_link_string : default => 0
Las condiciones establecidas para esta búsqueda de comunidades fue:
Matrix_To_Net.exe .dat .net [default]
• Encontrando Comunidades (Find_Communities)
Detecta Comunidades en redes complejas mediante la optimización del modularidad. Implementa un algoritmo que optimimza el modularidad y se prepara para trabajar con
1.Redes ponderadas y no ponderadas
2.Redes dirigidas y no dirigidas
3.Redes positivas y señalizadas
Existen muchos tipos de Redes dirigidas y no dirigidas como son:
1.Modularidad no ponderado (UN)
2.Modularidad ponderada (WN)
3.Modularidad ponderada con vínculos positivos y negativos (WS)
En RADATOOLS 3.2 se eligió la opción Find_Communities.exe, el cual contiene el siguiente sripts:
28 Communities_Detection.exe log_level modularity_type heuristics
repetitions [self_loop] net_name lol_best_name
Logging Levels : N | S | P | V
Modularity Types : UN | UUN | WN | WS | WUN | WLA | WULA |
WLUN | WNN | WLR
Heuristics String : [htsefrb]+
Repetitions : Entero positivo no se aplica a [HFR] algoritmos
Self-loop : Número real positivo o negativo
Network name : Imput en formato Pajek
Lol Best Filename : Output en formato Lol
Las condiciones establecidas para esta búsqueda de comunidades fueron:
Communities_Detection.exe P WLA erfr 1 (default) matrix2.net
matrix2.lol
• Reformat result (Reformat_Results)
Permite la conversión de una extensión. lol a una extensión. clu de esa manera podrá ser leido en Pajek, este necesita de ese formato para poder elaborar sus mapas de comunidades.
En la opción de Reformat results se eligió la sub opción
Convert_Lol_To_Clu.exe las cual tiene un script que se utiliza para la conversión:
Convert_Lol_To_Clu.exe lol_file_name clu_file_name
[ number_of_lines_to_skip ]
29 lol_file_name : input en formato .lol
clu_file_name : output en formato Pajek .clu
number_of_lines_to_skip : número de líneas para saltar al principio
del archivo de Lol
La condición establecida para esta conversión de extensiones fue:
Convert_Lol_To_Clu.exe .lol .clu
Preparando la red (Prepare_Network)
Se convirtió un archivo forma de matriz en un archivo de red en
formato Pajek. ( *.net).
Se eligió la opción Prepare_Network, opción Matrix_To_Net, la cual
convirtió el script que permite crear el archivo .net en el acrchivo de
entrada .dat.
Matrix_To_Net.exe matrix_input_file net_output_file
[ no_link_string ]
matrix_input_file : matrix.dat (input)
net_output_file : matrix.net (output)
no_link_string : default => 0
Las condiciones establecidas para esta búsqueda de comunidades
fueron:
Matrix_To_Net.exe matrix2.dat matrix2.net [default ]
30 Encontrando Comunidades (Find_Communities)
Detecta Comunidades en redes complejas mediante la optimización de la modularidad. Implementa un algoritmo que optimiza la modularidad y se prepara para trabajar.
En Radatools se eligió la opción Find_Communities.exe, el cual
contiene el script:
Communities_Detection.exe log_level modularity_type
heuristics repetitions [self_loop] net_name
lol_best_name
Logging Levels : N | S | P | V
Modularity Types: UN | UUN | WN | WS | WUN | WLA | WULA |
WLUN | WNN | WLR
Heuristics String : [htsefrb]+
Repetitions : Entero positivo no se aplica a [HFR] algoritmos
Self-loop : Número real positivo o negativo
Network name : Imput en formato Pajek
Lol Best Filename : Output en formato Lol
Las condiciones establecidas para esta búsqueda de comunidades
fueron:
31 Communities_Detection.exe P WLA erfr 1 (default)
matrix2.net matrix2.lol
Reformat result (Reformat_Results):
Permite la conversión de una extensión .lol a una extensión .clu de esa manera podrá ser leido en Pajek que necesita de ese formato para poder elaborar sus mapas de comunidades.
En la opción de Reformat results se eligió la sub opción
Convert_Lol_To_Clu.exe las cual tiene script que se utilizó para la
conversión:
Convert_Lol_To_Clu.exe lol_file_name clu_file_name
[ number_of_lines_to_skip ]
lol_file_name : input en formato .lol
clu_file_name : output en formato Pajek .clu
number_of_lines_to_skip : número de líneas para saltar al principio
del archivo de Lol
Las condiciones establecidas para esta conversión de extensiones
fueron:
Convert_Lol_To_Clu.exe matrix2.lol matrix2.clu
32 3.2.2.2.2. PAJEK
Los datos obtenidos en Radatools 3.2 se analizaron con el Software
Pajek que permitió visualizar las redes largas formadas con RADATOOLS
3.2, de esa manera se pudo observar las Comunidades de interés. Pajek
(araña en esloveno) es un programa sólo para Windows, que sirve para analizar y visualizar redes largas que tienen miles e incluso millones de vértices. Pajek es libre y de uso no comercial.
Se comenzó a desenvolver en 1996 y fue implementado en Delphi
(Pascal). La principal motivación para el desarrollo de Pajek fue la observación de que existen grandes redes que ya pueden ser hechas y leídas por máquina.
Pajek provee herramientas para analizar y visualizar redes: redes de colaboración, moléculas orgánicas en química, red de interacción proteína-receptor, genealogías, redes de internet, red de citación, red de difusión, etc.
El diseño de Pajek está basado en experiencias ganadas en el desarrollo de datos de estructura gráfica y librerías de algoritmos Graph y
X-graph, una colección de programas que analizan y visualizan redes
33 como STRAN, RelCalc, Draw, Energ, y SGML-lenguajes de descripción gráfica basados en NETML.
Con Pajek se encontró grupos en una red, se extrajo vértices que pertenecen a los mismos grupos y se muestran por separado, se redujo los vértices en conglomerados y se mostraron las relaciones entre los grupos. (Batagelj & Mrvar, 2011)
Procedimiento:
Se extrajo de Ubuntu (Linux) la red matrix2.net y matrix2.clu ya que
con esas dos extensiones se trabajó en Pajek, en las opciones de
Network y Partitions.
Pajek presenta varias opciones, pero en este caso sólo se centra en la opción Network y Partitions.
Network, objeto principal (líneas y vértices), extensión por defecto .net, la red puede ser presentada con un archivo de salida en diferentes maneras.
1. Utilizando arcos / bordes (por ejemplo, 1 2 - línea 1-2)
2. Utilizando arcslists / edges lists (por ejemplo, 1 2 3 - frase de
1 a 2 y de 1 a 3)
3. Formato de matriz
34 4. Formatos UCINET, GEDCOM, químicos.
Información adicional para el dibujo de la red puede ser incluida en el archivo de entrada. Partitions, cuentan para cada vértice al que pertenece la clase de vértice. La extensión por defecto es .clu
3.2.2.3. Análisis fármaco-dinámica de comunidades cercanas
Con los resultados obtenidos de Pajek, se buscó comunidad por comunidad las moléculas en ZINC, se seleccionó las comunidades 3, 4, 5,
12, 17, 19 por su tamaño y cercanía lo cual indica la similaridad que tienen entre ellos.
Se elijió un fármaco de cada comunidad para realizarle un “Docking”, enfrentándolos entre sí teniendo como alvo una proteína (target) en común y así de esa manera validar el trabajo.
Procedimiento:
3.2.2.3.1. CHIMERA 1.11.2
CHIMERA es un programa de visualización interactiva y de análisis de estructuras moleculares, una de las extensiones del programa es la de
35 leer extensiones PDB, los edita y crea un nuevo PDB de acuerdo a la necesidad del usuario.
El primer objetivo de CHIMERA fue la extensibilidad, corre en diferentes plataformas e incluye capacidades gráficas como transparencia, baras y bolas interactivas, representaciones en cintas o superficies sólidas.
CHIMERA es accesible usuarios de todos los niveles, proporcionando tanto un menú de interfaz gráfica / ventana y una interfaz de línea de comandos. (Pettersen et al., 2004)
Se preparó las móleculas (fármacos y proteínas) en UCSF
CHIMERA 1.11.2 para editar las características no deseadas de las
proteínas cristalizadas de PDB, como son ligandos con los que fueron
cristalizados, cofactores, o cadenas de aminoácidos (dímeros, trímeros
o tetrámetros). Finalmente se guardó como un nuevo PDB al PDB
modificado.
3.2.2.3.2. AutoDock Tools
Es una interface gráfica que visualiza las moléculas con las que se están trabajando.
36 Se abrió la molécula y se agregó todos los hidrógenos
Se quitó los hidrógenos no polares y se le coloreó a la molécula de
manera opcional
Se escondió la proteína y se cargó el ligando
Se escogió lo centros de torsiones, centros rotables y se guardó el
ligando con extensión pdbqt
Se abrió nuevamente la macromolécula y se guarda con extensión
pdbqt
Se armó el GRID y se define la caja para este, se guardan las
coordenadas para realizar luego el Docking.
3.2.2.3.3. AutoDock Vina
Es un programa de docking molecular y screening virtual, este usa un sofisticado método de optimización de gradientes. El cálculo del gradiente se hace más efectivo por la optimización de su algoritmo. Vina puede acelerar aún más la ejecución mediante el aprovechamiento de múltiples
CPUs o núcleos de CPU.
VINA
Se corre mediante comandos, para esto es necesario tener la
proteína y fármacos en formatos pdbqt, todos ellos colocados en
manera ordenada en un script que contendrá en el las coordenadas de
la GRID hecha en Autodock Tools. Servirá de patrón para la lectura del
programa.
37 IV. RESULTADOS Y DISCUSIONES
El presente trabajo de investigación muestra una metodología de elaboración de redes farmacológicas para la identificación de reacciones cruzadas de fármacos, a partir de información depositada en bancos de datos.
Desde los primeros estudios del Dr. Paul Janssen y sus más de 70 000 moléculas originales sintetizadas (Van Gestel & Schuermans, 1986), las que contribuyeron por un lado a un mejor entendimiento entre la estructura química y las propiedades fisicoquímicas y por el otro a la actividad farmacológica y su aplicabilidad médica; se han reinventando protocolos y estrategias para la elaboración de fármacos.
Una de las estrategias más usadas es la elaboración de redes farmacológicas (network); una reinvención moderna de los métodos de
Paul Janssen, donde las actividades colaterales de compuestos se exploran a través de un amplio espectro de relaciones estructura-actividad
(Hopkins, 2008).
Hopkins (2008), explica la utilidad de las redes farmacológicas y lo compara con la analogía de Paracelsus el cual diferenciaba entre fármaco
38 y poción, en este caso diferenciaba la utilidad o toxicidad sintéticamente letal del fármaco.
A diferencia de los trabajos que utilizan redes farmacológicas para descubrir la relación entre la proteína diana y los fármacos que interactúan con ella, lo productos gen-enfermedad y la interacción proteína-proteína (Yıldırım, Goh, Cusick, Barabási, & Vidal, 2007), el presente trabajo utiliza las redes farmacológicas para descubrir similitudes estructurales entre fármacos, proponiendo de esa manera su similar función produciendo así posibles reacciones cruzadas (basándose en la teoría estructura-función).
En la etapa de análisis de resultados se observó en Radatools 3.2 la presencia de 21 comunidades que expresaban una gran similitud entre ellas, esta similaridad generalmente representa que los fármacos ahí obtenidos pertenecían a una misma familia, lo que en este trabajo no es considerado por la gran cantidad de fármacos presentes en esas comunidades, es así que viendo las comunidades de manera gráfica en
Pajek se observa 6 comunidades muy cercanas entre ellas, lo cual es interesante ya que al ser comunidades diferentes presentan diferentes familias y la cantidad de fármacos por comunidad es menor.
39 4.1. Clusters obtenidos con Radatools y visualizados en Pajek
4.1.1. Comunidades en Radatools 3.2
Los resultados hallados en el programa Radatools 3.2, fueron los Script que transforman una matrix .dat en una matrix .net (Fig 1)
Al utilizar el output con extensión .net (matrix2.net) en
Find_Communities opción Find_Communities.exe resultó 921 elementos
(fármacos) divididas en 21 comunidades en grupos de 630; 206; 39; 5(3);
3(5); 2(6); 1(4). (Anexos 2)
Al finalizar, en Radatools 3.2 se obtiene una extensión que se convirtió de la extensión. lol a. clu para que luego el output (matrix2.clu) pueda ser utilizado en el programa pajek. (Fig 2)
40 Figura 1: Transformación de una extensión .dat a una extensión .net
Matri2.lol >>>> matrix2.clu
Figura 2: Transformación de una extensión .lol a una extensión .clu
41 4.1.2. Visualización de las comunidades en Pajek
El programa Pajek dio como resultado las agrupaciones de los fármacos contenidos en los input matrix2.net y matrix2.clu de esa manera se reafirma al igual que en Radatools la existencia de 21 Comunidades de diferentes tamaños.
El programa Pajek divide las comunidades de acuerdo a las características que estas presentan en cuanto a su distribución de vértices dadas ya por Radatools, la división se muestra en colores, cada fármaco (establecido por un código ZINC) con igual color presenta una característica en común, en este caso estructura. (Fig3)
Figura 3: Visualización de las 21 comunidades en Pajek, cada una nombrada con la “C” más el número correspondiente.
42 Los diferentes códigos ZINC visualizados ahora en códigos DrugBank.
Los cuales son obtenidos de la misma página 921 drogas aceptadas y avaladas por el FDA.
4.1.3. Fármaco-Dinámica de fármacos identificados como similares por su cercanía.
De los datos obtenidos en Radatools 3.2 y Pajek se visualizaron comunidades cercanas entre ellas. Las comunidades identificadas como similares por su cercanía entre ellas son las comunidades 4 y 5, comunidad 3 y 12, y la comunidad 17 y 19.
Cada comunidad está representada por fármacos (Fig 4) que son utilizados para realizar el Docking Molecular. La comunidad 4 está representada por el fármaco Pentoxifiline, la comunidad 5 está representada por el fármaco Bezoctamine. La comunidad 3 y 12 están representadas por los fármacos Phentermine y Velafaxine respectivamente, y la comunidad 17 y 19 por los fármacos Levodopa y
Cholpropamide.
43 Fig:4a Fig:4b
Fig:4c Fig:4d
Fig:4e Fig:4f
Fig 4: Fármacos utilizados para Docking Molecular: 4a) Pentoxifiline; 4b) Benzoctamine; 4c) Phentermine; 4d) Venlafaxine; 4e) Levodopa; 4f) Cholpropamide
44 COMUNIDAD 4
PENTOXIFILINE
Es un derivado de las methylxantinas reportado para disminuir la viscosidad de la sangre y aumentar el flujo de la microcirculación, utilizado para terapia de la arteoesclerosis obliterativa, varias enfermedades cerebrovasculares y circulatorias.(Fuse, Sakamoto, Ohta, & Katayama,
1993)
Utilizado en el tratamiento de pacientes con claudicación intermitente o inmovilidad resultante de enfermedad arterial oclusiva crónica de las extremidades.
Farmacodinámica: La pentoxifilina, un derivado sintético dimetilxantina estructuralmente relacionada con la teofilina y la cafeína, se utiliza en el tratamiento de enfermedades vasculares periféricas y en el manejo de la insuficiencia cerebrovascular, la enfermedad de células falciformes, y la neuropatía diabética.
Mecanismo de Acción: La pentoxifilina inhibe la fosfodiesterasa de eritrocitos, lo que resulta en un aumento de la actividad de eritrocitos cAMP. Posteriormente, la membrana de los eritrocitos se hace más resistente a la deformidad. Junto con la actividad de los eritrocitos, la pentoxifilina también disminuye la viscosidad de la sangre mediante la
45 reducción de las concentraciones de fibrinógeno en plasma y el aumento de la actividad fibrinolítica. También es un antagonista del receptor de adenosina no selectivo.
COMUNIDAD 5
BENZOCTAMINE
Es un fármaco que posee propiedades sedativas y ansiolíticas, se diferencia de la mayoría de fármacos sedantes porque no produce depresión respiratoria, aunque estimule el sistema respiratorio.
Farmacodinámica: Diversos estudios realizados en modelos animales reportan que el uso del fármaco ha disminuido comportamientos agresivos, tiene efecto tranquilizante y relaja el músculo esquelético.
(BIDDY, SMITH, & MAGRINAT, 1970)
Mecanismo de Acción: Es un fármaco ansiolítico primario que exhibe efectos antagonistas sobre la norepinefrina (Karama, Sultan, Almansour,
& El-Taher, 2016)
46 DOCKING 1
cAMP-specific 3',5'-cyclic phosphodiesterase 4B (PDE4) es una proteína con 736 residuos de aminoácidos que presentan funciones como: Unión de canales iónicos, unión AMPc, unión a iónes metálicos y actividad fosfodiesterasa.
Interviene en varios procesos como: regulación de la contracción de las células del músculo cardiaco, respuesta celular para fármacos, regulación positiva de la producción de interferón-gamma, vía de señalización del receptor de células T, respuesta celular al estímulo epinefrina, la migración de leucocitos, respuesta celular a lipopolisacárido, proceso catabólico de cAMP, etc.
Una de sus funciones específicas es la de hidrolizar el segundo mensajero AMPc, que es un regulador clave de muchos procesos fisiológicos importantes. Pueden estar implicados en la mediación de los efectos del sistema nervioso central de los agentes terapéuticos que van desde los antidepresivos a los agentes antiasmáticos y antiinflamatorios.
Uno de los alvos de Pentoxifilline es cAMP-specific 3',5'-cyclic phosphodiesterase 4B, la estructura de esta proteína no se encuentra en
Protein Data Bank (PDB), entonces al hacer un Blast en BlastProtein
47 (BLAST), con un corte de búsqueda sólo en PDB se encuentra a la estructura de la proteína (3WD9) (Fig 4a) y la cual utilizamos como molde de proteína para el Docking entre Pentoxifilline y PDE4, Benzoctamine y
PDE4, Pentoxifilline – Benzoctamine vs PDE4.
El lugar de ligación de la PDE4 (Fig 5a-5b) está formado por los aminoácidos: TYR 233; HIS 234; HIS 238; HIS 274; ASP 275; ASP392;
ASN 395; TIR 403; ILE 410; GLU 413; GLN 443. (R. X. Xu et al., 2004)
Pentoxifilline interacciona con los aminoácidos mencionados al ser un inhibidor de la PDE4, pero no logra encajar de manera completa al igual que Rolipram que es un inhibidor selectivo de la PDE4. (McLaughlin,
Cieslinski, Burman, Torphy, & Livi, 1993) (Fig 5c)
Benzoctamine es un fármaco perteneciente a la familia de las
Benzodiazepinas que no está elaborado para ser un inhibidor de la PDE4 y por ende no debería encajar o interaccionar con los aminoácidos con los que intercatúa Pentoxifiline (Fig 5d), pero Benzoctamine si los hace, es más, interacciona con el lugar de ligación vacío, donde no interactúa
Pentoxifilline (Fig 5e), los aminoácidos pertenecientes a este espacio son de suma importancia y son claves para los que deben ser dirijidos y con los que deben interactuar los fármacos inhibidores de PDE4. HIS 278,
48 GLY 280, SER 282, GLU 413, PHE 414, GLN 417, CYS 432. (Xu et al.,
2004)
Fig: 5a Fig: 5b
Fig: 5d Fig: 5c
49 Fig: 5e Fig: 5f
Figura 5: 5a) cAMP-specific 3',5'-cyclic phosphodiesterase 4B mostrando el lugar de ligación (encerrado en negro) en formato “surface”; 5b) Lugar de ligación de PDE4 mostrando los aminoácidos con los cuales interacciona; 5c) Lugar de ligación de PDE4 interaccionando con el fármaco Pentoxifilline; 5d,5e) Lugar de ligación interaccionando con Benzoctamine para el cual no está previsto; 5f) Pentoxifilline (rojo) y Benzoctamine (amarillo) en el lugar de ligación de la PDE4.
En los resultados mostrados en en la figura 5f se puede observar la interacción de los fármacos pentoxifiline y benzoctamine en el mismo lugar de ligación, este sitio está elaborado sólo para inhibidores de PD4,
Benzoctamine no es un inhibidor de esta proteína, este es un antagonista sobre la norepinefrina.
Esta es una reacción cruzada del fármaco Benzoctamine, puesto que interacciona a un lugar de ligación para el que no esta previsto.
50 COMUNIDAD 3
PHENTERMINE
Phentermine es principalmente una amina simpaticomimética noradrenérgica y posiblemente dopaminérgica que funciona como un supresor del apetito, es uno de los fármacos más antiguos aceptados por
FDA (1959), para la pérdida de peso en personas adultas con obesidad, además, se ha asociado con la reducción de la presión arterial y la disminución de la progresión de la hipertensión. (Moldovan et al., 2016)
Farmacodinámica
La Phentermine está indicada para el tratamiento de la obesidad exógena a corto plazo (pocas semanas) junto con un régimen de peso en la reducción de la injesta de calorías. Phentermine es una amina simpaticomimética con similar actividad farmacológica del prototipo de fármacos usados en la obesidad, amfetaminas. Su acción incluye la estimulación del sistema nervioso central y el aumento de la presión sanguínea.
Mecanismo de acción
Phentermine es una anfetamina que estimula las neuronas para liberar o mantener altos los niveles de unos neurotransmisores llamados
51 catecolaminas, esto incluye dopamina y norepinefrina suprimiedo las señales de hambre y apetito.
El fármaco parece inhibir la recaptación de noradrenalina, dopamina y serotonina mediante la inhibición o reversión de los transportadores de reabsorción. También puede inhibir las enzimas MAO dejando más neurotransmisor disponible en la sinapsis.
COMUNIDAD 12
VENLAFAXINE
Venlafaxine es un inhibidor de la recaptación dual de 5-serotonina / norepinefrina y puede aumentar la actividad de algunos neurotransmisores del SNC. (Huang, Mao, Li, Wang, & Ji, 2014). Es un antidepresivo introducido en 1993 y está prescrito para el tratamiento de la depresión clínica y desordenes de ansiedad.
Farmacodinámica
La venlafaxina potencia la actividad del neurotransmisor en el sistema nervioso central. Además, la venlafaxina y su metabolito, O- desmetilvenlafaxina (ODV) inhiben potentemente la recaptación de serotonina y norepinefrina e inhiben débilmente la recaptación de dopamina. Ambas moléculas no se unen a los receptores muscarínicos, histaminérgicos o alfa-1 adrenérgicos. Se supone que la actividad
52 farmacológica de estos receptores está asociada con los diversos efectos anticolinérgicos, sedantes y cardiovasculares observados con otros fármacos psicotrópicos. Ambos tampoco tienen actividad inhibidora de la monoamino oxidasa (MAO).
Mecanismo de acción
El mecanismo exacto de acción de la venlafaxina es desconocido, pero parece estar asociado con la potencialización de la actividad de neurotransmisores en el SNC. La venlafaxina y su metabolito activo, O- desmetilvenlafaxina (ODV), inhiben la recaptación tanto de serotonina como de norepinefrina con una potencia mayor para el proceso de recaptación de 5-HT que para el de recaptación de NE. Tanto la venlafaxina como el metabolito de ODV tienen efectos inhibidores débiles sobre la recaptación de dopamina, pero, a diferencia de los tricíclicos y similares a los ISRS, no son activos en los receptores histaminérgicos, muscarínicos o alfa (1) adrenérgicos.
53 DOCKING 2
El transportador de dopamina dependiente de sodio (DAT) es una proteína de 620 aminoácidos cuya función es la de transportador de membrana de monoamina y dopamina. Dentro de los procesos en los que interviene, encontramos a la de regulación positiva del crecimiento de organismos multicelulares, percepción sensorial del olfato, transporte transmembrana, comportamiento locomotor, etc.
El movimiento de la dopamina mediante DAT reduce la estimulación del receptor además de disminuir la cantidad de síntesis necesaria para reponer las reservas de dopamina vesicular. (Kahlig & Galli, 2003)
A inicios de siglo 21 nuevos experimentos permitieron agregar nuevas funciones para DAT con relación a la recaptura de dopamina.
Agentes farmacológicos que interactúan con DAT son de dos clases:
Los que compiten por la captación de dopamina, y los que previenen la absorción de dopamina. La primera clase son los fármacos anfetamínicos como la phentermine que o sólo compite con la dopamina para su captación, sino que también inducen el flujo de dopamina mediada por
DAT (Fischer & Cho, 1979) Los fármacos similares a la cocaína,
54 pertenecen a la segunda clase, son capaces de prevenir la recaptación de liberación de dopamina (Ritz, Lamb, & Kuhar, 1987)
Uno de los alvos de Phentermine es el transportador de dopamina dependiente de sodio (DAT), la estructura de esta proteína no se encuentra en Protein Data Bank (PDB), entonces al hacer un Blast en
BlastProtein (BLAST), con un corte de búsqueda sólo en PDB se encuentra a la estructura de la proteína (4XPB) (Fig 6a) y la cual utilizamos como molde de proteína para el Docking entre Phentermine y
DAT, Venlafaxine y DAT.
El lugar de ligación para DAT según Kevin H. Wang y grupo (Wang,
Penmatsa, & Gouaux, 2015) Ala117, Val120, Asp121, Tyr124, Ser422 y
Phe325, siendo estos los aminoácidos esenciales para entender el transporte de anfetaminas mediante DAT.
A diferencia de Wang y grupo, se encontró mediante el Docking un lugar de ligación compuesto por los aminoácidos Arg28, Asp245, Thr248,
Phe252, Glu317, Asp408, Ala412, los cuales interaccionan con el fármaco
Phentermine. (Fig 6b)
Venlafaxine presenta el mismo sustrato (DAT) como alvo y al realizar el
Docking muestra el mismo lugar de ligación que Phentermine. (Fig 6c)
55 Fig 6a
Fig 6b Fig 6c
Figura 6: 6a) Transportador de dopamina dependiente de sodio mostrando el lugar de ligación en forma “surface” (encerrado en negro); 6b) Phentermine interaccionando con el lugar de ligación del DAT; 6c) Venlafaxine interaccionando con el lugar de ligación del DAT.
56 DOCKING 3
Monoamina Oxidasa (MAO) es una flavoenzima bioquímicamente importante que cataliza la desaminación de aminas biogénicas y xenobióticas, es una enzima localizada en la membrana externa mitocondrial.
MAO juega un rol decisivo en alguno desordenes psiquiátricos y neurológicos, incluyendo la depresión y la enfermedad del Parkinson.
Debido a que la inhibición de MAO aumenta el nivel de neurotransmisores en el sistema nervioso central, las búsquedas de los inhibidores eficaces son importantes para el desarrollo de nuevos fármacos para el tratamiento de dichas enfermedades. MAO tiene dos subtipos, MAOA y MAOB, cuyas secuencias de aminoácidos son idénticas al 70%, aunque cada enzima tiene un sustrato único e inhibidores específicos (Bach et al., 1988).
MAO es un alvo para Phentermine y Venlafaxine, y esta proteína se halló con un corte de búsqueda sólo en PDB, a la estructura de la proteína (2Z5X) (Fig 7a) y la cual utilizamos como molde de proteína para el Docking entre Phentermine y MAO, Venlafaxine y MAO.
57 El lugar de ligación para esta enzima está dado por los aminoácidos
Tyr69, Asn181, Phe208, Val210, Gln215, Cys323, Ile325, Ile335, Leu337,
Phe352, Tyr407, Tyr444 (Son et al., 2008)
Phentermine interacciona en el lugar de ligación mencionado (Fig 7b) y encaja de manera adecuada en el centro de la cavidad de la enzima, teniendo mayor interacción con Tyr69 y Phe 352, mostrando la estrecha relación que posee con este alvo.
En el Docking elaborado para Venlafaxine y MAO no se halló una relación de este fármaco con el lugar de ligación establecido, sabiendo incluso que este alvo está reportado para el Venlafaxine.
Fig 7a Fig 7b
58 Fig 7c Fig 7d
Figura 7: 7a) Monoamina Oxidasa (MAO) mostrando su lugar de ligación en estilo “surface” (encerrado en negro); 7b) Lugar de ligación de MAO mostrado en estilo “surface”, flanqueado por los aminoácidos con los que interacciona; 7c y 7d) Phentermine dentro del lugar de ligación rodeado por los aminoácidos con los que interacciona.
59 COMUNIDAD 17
LEVODOPA
Ha sido reconocida como una droga anti-parkinsionano (Studies, n.d.), es la forma natural de la dihidroxifenilalanina y es el precursor inmediato de la dopamia.
A diferencia de la dopamina en sí, se puede tomar por vía oral y atraviesa la barrera hematoencefálica. Se absorbe rápidamente por las neuronas dopaminérgicas y se convierte en dopamina.
Para el tratamiento de la enfermedad de Parkinson idiopática (Paralysis
Agitans), el parkinsonismo postencefalítico, el parkinsonismo sintomático que puede seguir la lesión del sistema nervioso por la intoxicación con monóxido de carbono y la intoxicación por manganeso.
Farmacodinámica
La Levodopa se usa para reemplazar la dopamina perdida en el la
Enfermedad del Parkinson (EP) ya que la dopamina misma no puede atravesar la barrera hematoencefálica donde se encuentra su precursor.
Sin embrago la Levodopa se convierte en dopamina tanto en la periferia como en el Sistema Nervioso Central (SNC). Por lo que se administra con un inhibidor (Dopamina Descarboxilasa) ejm carbidopa para evitar que el
60 90% se metabolize en la pared intestinal; además se agrega otro inhbidor
COMT (catecol-O-metiltransferasa). Por lo tanto el fármaco terapeutico brindado es un profármaco que evita la descarboxilación en el estómago y la periferia, puede atravesar la barrera hematoencefálica y una vez en el cerebro se convierte en el neurotransmisor dopamina por la enzima L- aminoácido-descarboxilasa aromática.
Mecanismo de Acción
Los niveles de dopamina estriatal en la enfermedad de Parkinson sintomática se reducen en un 60 a 80%, la neurotransmisión dopaminérgica estriatal puede potenciarse mediante la suplementación exógena de dopamina mediante la administración de precursor de dopamina, la levodopa.Un pequeño porcentaje de cada dosis de levodopa atraviesa la barrera hematoencefálica y se descarboxila a dopamina. Esta dopamina recién formada está entonces disponible para estimular los receptores dopaminérgicos, compensando así el suministro agotado de dopamina endógena.
61 COMUNIDAD 19
CHLORPROPAMIDE
El Chlorpropamide es un agente antihiperglucémico oral utilizado para el tratamiento de la diabetes mellitus no insulino dependiente. Pertenecen a la familia de la Sulfonilurea secretadores de insulina, que estimulan a las células β del páncreas para liberar insulina.
Farmacodinámica
El clorpropamide, un agente antidiabético sulfonilureo de segunda generación, se utiliza con la dieta para disminuir los niveles de glucosa en sangre en pacientes con diabetes mellitus tipo II. El clorpropamide es dos veces tan potente como el agente de segunda generación denominado glipizida.
Mecanismo de Acción
Las sulfonilureas como la clorpropamida se unen a los canales de potasio sensibles a ATP en la superficie de las células pancreáticas, reduciendo la conductancia del potasio y causando la despolarización de la membrana. La despolarización estimula el flujo de iones de calcio a través de canales de calcio sensibles al voltaje, aumentando las concentraciones intracelulares de iones de calcio, lo que induce la secreción o exocitosis de la insulina.
62 DOCKING 4
La dopamina (DA) es una amina biogénica que juega un papel importante en el desarrollo y funcionamiento del sistema nervioso, sus alvos son muy importantes para la elaboración de terapias médicas y fármacos. (Pramod Akula Bala1, James Foster2, Lucia Carvelli1, 2014)
Los receptores de la dopamina (DAT) son proteínas que remueven la
DA de los espacios sinápticos y perisinápticos, eliminando su acción en los receptores de la dopamina acopladas a proteína G.
Los DAT son receptores para fármacos anti-parkinsionanos como
Levodopa, la enfermedad del parkinson (EP) conocida desde la antigüedad fue descrita por primera vez de manera precisa por James
Parkinson en 1817, quien la describió como una enfermedad caracterizada por movimientos trémulos involuntarios, con fuerza muscular disminuida, propensión a inclinar el cuerpo hacia delante, y a pasar desde un ritmo de marcha a uno de carrera, sin que se encuentren dañados los sentidos ni el intelecto. (Eugenia, Aguirre, Berecoechea, &
Brest, 2005)
EL receptor 2 y 3 de la dopamina son unas proteínas de 443 y 400 residuos de aminoácidos respectivamente cuyas funciones son las de
63 receptor de neurotransmisores de dopamina, unión de fármacos, actividad reguladora de canales de potasio, unión de dopamina, unión de proteínas idénticas, etc.
Levodopa tiene cierta controversia sobre si este debería ser el fármaco de uso primario contra la EP, ya que se especula que conlleva a complicaciones a largo tiempo, así es que se usa en primera instancia fármacos agonistas dopaminérgicos como (bromocriptina, pramipexol, pergolida, ropinirol, lisurida, cabergolina, apomorfina, piribedilo)
(Engelhardt E, Bastos I CC, Vasconcellos LFR, Cavalcanti J L, 2001)
Los pacientes con EP sólo responden de manera adecuada a la
Levodopa en un lapso de 2 y 5 años, luego de ese lapso las fluctuaciones motoras se acentúan.
La enfermedad de Parkinson es una enfermedad neurodegenerativa común que puede estar relacionada con disfunción mitocondrial, estrés oxidativo, excitotoxicidad, apoptosis e inflamación. También se ha sospechado que la inflamación sistémica crónica, así como el metabolismo mitocondrial alterado, juegan un papel en el desarrollo de la diabetes tipo 2, y se ha planteado la posibilidad de una fisiopatología compartida de la enfermedad de Parkinson y la diabetes tipo 2 (Becker,
Brobert, & Johansson, 2008)
64 Al enfrentar levodopa (anti-parkinsionano) y chlorpropamide
(antihiperglucémico en la diabetes mellitus tipo II) con el receptor para dopamine 2 (DAT2) (Fig 8a) se observó la interacción de chlorpropamide en el mismo lugar de ligación para levodopa. ( Fig 8d, Fig 8e, Fig 8f , Fig
8g)
Los resultados para el docking con el DAT2 muestran a Levodopa interactuando con los aminoácidos Val91, Thr92, Ser93, Ser184, Leu185,
Tyr186, Asp187, Gly188, Leu189, Leu438, Lys439, Ile440, Leu441,
His442, Ser443; esto tiene sentido puesto Levodopa presenta una estructura similar que DP. (Fig 8b, Fig 8c)
Chlorpropamide un fármaco antiglucemico, elaborado para la diabetes mellitus tipo II, y en nuestro estudio interacciona de manera igual a
Levodopa (Fig 8d, Fig 8e). Estudios clínicos realizados en Estados Unidos en 2011, muestran la estrecha relación de personas diabéticas que presentan un riesgo alto a presentar EP. (Q. Xu et al., 2011)
Los pacientes diabéticos a menudo sufren de una variedad de consecuencias neurológicas, que van desde neuropatía periférica hasta mayor riesgo de demencia o enfermedad de Alzheimer. Un vínculo entre la diabetes y la enfermedad de Parkinson (DP) también se ha explorado en varios estudios epidemiológicos, pero los resultados son
65 inconsistentes. (Becker et al., 2008) (Simon, Chen, Schwarzschild, &
Ascherio, 2007)
Al realizar el docking entre levodopa y el receptor 3 de dopamina (Fig
9a), se observa que el lugar de ligación interacciona con los aminoácidos
Val 107, Asp110, Val111, Cys114, Ile183, Val189, Ser192, Ser196,
Trp342, Phe345, Phe346, His349, Tyr365, Thr369 y Tyr373 (Fig 9b, 9c,
9d)
Los aminoácidos encontrados que esencialmente se unen al receptor de la dopamina 2 son Asp114, Ser193, Ser194, Phe110, Met117, Cys118,
Phe164, Phe189, Val190, Trp386, Phe390, His394; a diferencia de los aminoácidos encontrados en nuestro estudio (Kalani et al., 2004).
Chlorpropamide no interaccionó con el lugar de ligación para levodopa.
(Fig 9e, 9f, 9g)
Existen 5 subtipos de DAT, este es un problema para el desarrollo de fármacos, ya que sólo unos de estos subtipos son afectados por la EP.
Dado que los sitios de unión son bastante similares, es difícil diseñar los agonistas y antagonistas específicos del subtipo requeridos para la terapia con efectos secundarios mínimos. (“Chapter IV: A Comparison of the Dopamine Binding Sites of the Human Dopamine Receptors,” n.d.).
66 Los estudios para la relación de estas dos enfermedades son escasos, estudios recientes proporcionaron evidencia de un riesgo posiblemente reducido de enfermedad de Parkinson en pacientes diabéticos, mientras que otros reportaron una mayor prevalencia de diabetes en pacientes con enfermedad de Parkinson luego del tratamiento con Levodopa (Powers et al., 2006; Scigliano et al., 2006).
Datos recientes del Nurses Health Study sugieren que el riesgo de desarrollar la enfermedad de Parkinson no difiere entre los pacientes con o sin diabetes (“Type 2 Diabetes and the Risk of Parkinson’s Disease,”
2011)
Estudios de la década de 1970 describieron a los pacientes con enfermedad de Parkinson con hiperglucemia e hiperinsulinemia y plantearon la proposición de que la levodopa puede estar asociada con un aumento del riesgo de diabetes (Sirtori Cesare R, Bolme Per, Azarnoff
Daniel L., 1972)
En este Docking se muestra la relación entre los fármacos para con la proteína Receptor de la Dopamina 2, afirmando así estudios donde los relacionan; no se encontró relación entre estos fármacos cuando se enfrentean al Receptor de la Dopamina 3.
67 Fig 8a
Fig 8b Fig 8c
68 Fig 8d Fig 8e
Fig 8f Fig 8g
Figura 8: 8a) Receptor de la dopamina mostrando su lugar de ligación en estilo “surface” 8b) Levodopa en lugar de ligación de DAT, 8c) Levodopa en lugar de ligación mostrando los aminoácidos con los que interacciona, 8d) Cholpropamide en lugar de ligación de DAT, 8e) Chlorpropamide en lugar de ligación mostrando los aminoácidos con los que interacciona, 8f, 8g) Levodopa (lila) y Chlorpropamide (amarillo) en el lugar de ligación.
Fig 9a
69 Fig 9b
Fig 9c Fig 9d
70 Fig 9e
Fig 9f Fig 9g
Figura 9: 9a) Receptor de la dopamina 3 mostrando el lugar de ligación estilo “surface”, 9b, 9c) Levodopa en el lugar de ligación de DAT, 9d) Levodopa en el lugar de ligación mostrando los aminoácidos con los que interactúa, 9e) DAT mostrando su lugar de ligación en color gris, muestra además a Chlorpropamide lejos del lugar de ligación 9f, 9g) Cholpropamide no interacciona con los aminoácidos presentes en el lugar de ligación. 71 V. CONCLUSIONES
Se comparo los 921 fármacos y se visualizó con el program Pajek, utilizando así 6 comunidades de las 21 obtenidas (clusters) en Radatools
3.2, por su tamaño de muestra y cercanía entre ellas. Las 6 comunidades elegidas mostraron similitud estructural entre los fármacos comparados, necesario para el análisis fármaco-dinámico de los fármacos identificados como similares.
Los Dockings Moleculares elaborados para la validación de las posibles reacciones cruzadas de los fármacos permitieron el análisis de fármacos enfrentados con un sustrato para el cual no eran elaborados.
Benzoctamine interacciona con PDE4, el cual no es un alvo propio a diferencia de Pentoxifiline que tiene a PDE4 como principal alvo; del mismo modo Phentermine y Venlafaxine interacciona con el lugar de ligación de Dopamina dependiente de sodio, ambos fármacos creados para diferentes acciones farmacológicas.
Se analizó el docking elaborado para los los receptores de la dopamina,
Levodopa (antiparkinsionano) y Chlorpropamide (antihiperglucémico)
72 presentan la misma interacción para el transportador de la dopamina 2, la hacer el docking con el receptor de la dopamina 3 se encontró la interacción para Levodopa mas no para Chlorpropamide.
Los modelos desarrollados de manera in silico mediante Docking
Molecular determina las diferentes interacciones de fármacos con alvos para los que no son elaborados. Así mismo se propone que estos fármacos presentan reacciones cruzadas entre sí.
73 VI. RECOMENDACIONES
Continuar con los análisis in silico de las demás familias encontradas en los 921 fármacos estudiados.
Validar experimentalmente la información aportada utilizando metodologías en biología y farmacología, ensayos moleculares e in vivos.
Proponer estudios de farmacovigilancia a hospitales donde se utilizan este tipo de fármacos para validar clinicamente la información encontrada.
Afianzar los estudios in silico para la Enfermedad del Parkinson y la
Diabetes Mellitus tipo 2, ya que hasta donde sabemos, el riesgo de desarrollar un diagnóstico de incidencia de diabetes en pacientes con enfermedad de Parkinson aún no ha sido explorado.
74 VII. RESUMEN
Las reacciones cruzadas de fármacos (ADR o RAMs) son efectos no deseados de un fármaco, que se producen por la no especificidad de este hacia su diana, debido a que la estructura química no se correlaciona con su proceso definido. Las RAMs representan una amenaza para la salud porque los fármacos se unen a receptores para los que no están diseñados, activándolos produciendo daños al activar cascadas de reacciones no deseadas. El presente trabajo tiene como objetivo identificar reacciones cruzadas de fármacos en un paqeute de datos de 921 fármacos aceptados por Food and Drug Administracion (FDA), utilizando herramientas computacionales para analizarlos. La etapa in silico se inició con MolShaCS el cual presenta la capacidad de identificación de potenciales de interacciones cruzadas entre fármacos, los resultados en extensión .dat fueron usados como imput por Radatools 3.2 (R) para elaborar cluster (21 comunidades), estos finalmente fueron visualizados con Pajek. La etapa bibliográfica se dió buscando información y elaborando dockings para los fármacos seleccionados, finalmente se analizaron. Los fármacos estudiados y comparados fueron
Pentoxifilline - Benzoctamine, Phentermine - Venlfaxine, Levodopa
- Chlorpropamide, hallando interacciones entre ellos y el lugar de
75 ligación para el que fueron expuestos. En base al los modelos desarrollados de manera in silico, se determinó las diferentes interacciones de fármacos que no han sido elaborados para los alvos estudiados. Así mismo se propone que estos fármacos presentan reacciones cruzadas entre sí. Los estudios in silico para reacciones cruzadas de fármacos son de suma importancia para el hallazgo temprano de estás evitando así la causa de enfermedades colaterales, además de la disminución de inversión en dinero y tiempo.
76 VIII. ABSTRACT
Drug cross-reactions (ADR o RAMs) are unwanted effects of a drug, which are produced by the non-specificity of this drug towards its target, because the chemical structure does not correlate with its defined process. The ADRs pose a health threat because the drugs bind to receptors for which they are not designed, activating them causing damage by activating cascades of unwanted reactions. The present work aims to identify cross-reactions of drugs in a data packet of 921 drugs accepted by Food and Drug Administration
(FDA), using computational tools to analyze them. The in silico stage was initiated with MolShaCS which has the capacity to identify potential cross-drug interactions, the results in extension
.dat were used as imput by Radatools 3.2 (R) to elaborate cluster
(21 communities), these were finally Visualized with Pajek. The bibliographical stage was given searching for information and elaborating dockings for the selected drugs, finally they were analyzed. The drugs studied and compared were Pentoxifilline -
Benzoctamine, Phentermine - Venlfaxine, Levodopa -
Chlorpropamide, finding interactions between them and the active site for which they were exposed. Based on the in silico developed models, the different drug interactions that were not elaborated for the studied targets were determined. It is also proposed that these
77 drugs cross-react with each other. In silico studies for cross-drug reactions are of utmost importance for early detection of these, thus avoiding the cause of collateral diseases, in addition to decreasing investment in money and time.
78 IX. REFERENCIAS BIBLIOGRÁFICAS
Bach, A. W., Lan, N. C., Johnson, D. L., Abell, C. W., Bembenek, M. E.,
Kwan, S. W., … Shih, J. C. (1988). cDNA cloning of human liver
monoamine oxidase A and B: molecular basis of differences in
enzymatic properties. Proceedings of the National Academy of
Sciences of the United States of America, 85(13), 4934–8. Retrieved
from
Batagelj, V., & Mrvar, A. (2011). Pajek : Program for Analysis and
Visualization of Large Networks. Reference Manual, 96.
Becker, C., Brobert, G., & Johansson, S. (2008). Diabetes in patients with
idiopathic Parkinson’s disease. Diabetes , 31(9), 1808–1812.
BIDDY, R. L., SMITH, R. S., & MAGRINAT, G. S. (1970). Ba‐30803 in
Chronic Anxiety States. The Journal of Clinical Pharmacology, 10(1),
29–36.
Bortoletto, M. É., & Bochner, R. (1999). Impacto dos medicamentos nas
intoxicações humanas no Brasil. Cadernos de Saúde Pública, 15(4),
859–869.
Chapter IV : A Comparison of the Dopamine Binding Sites of the Human
Dopamine Receptors. (n.d.), 105–143.
79 CSERMELY, P., AGOSTON, V., & PONGOR, S. (2005). The efficiency of
multi-target drugs: the network approach might help drug design.
Trends in Pharmacological Sciences, 26(4), 178–182.
Danchin, A., Médigue, C., Gascuel, O., Soldano, H., & Hénaut, A. (1991).
From data banks to data bases. Research in Microbiology, 142(7–8),
913–916.
Ekins, S. (2006). Systems-ADME/Tox: Resources and network
approaches. Journal of Pharmacological and Toxicological Methods,
53(1), 38–66.
Ekins, S., Mestres, J., & Testa, B. (2007a). In silico pharmacology for drug
discovery: applications to targets and beyond. British Journal of
Pharmacology, 152(1), 21–37.
Ekins, S., Mestres, J., & Testa, B. (2007b). In silico pharmacology for drug
discovery: methods for virtual ligand screening and profiling. British
Journal of Pharmacology, 152(December 2006), 9–20.
Ekins, S., Mestres, J., & Testa, B. (2007c). In silico pharmacology for drug
discovery: methods for virtual ligand screening and profiling. British
Journal of Pharmacology, 152(1), 9–20.
Ekins, S., Nikolsky, Y., & Nikolskaya, T. (2005). Techniques: Application of
systems biology to absorption, distribution, metabolism, excretion and
toxicity. Trends in Pharmacological Sciences, 26(4), 202–209.
80 Engelhardt E, Bastos I CC, Vasconcellos LFR, Cavalcanti J L.
Pharmacological treatment of Parkinson’s disease: direct dopaminergic agonists. Rev. Bras. Neurol. 2001,37:5-22.
Eugenia, M., Aguirre, B., Berecoechea, M. C., & Brest, C. F. (2005).
Comparacion entre la levodopa y los agonistas dopaminergicos para
el tratamiento de la enfermedad de parkinson, 13–17.
Fischer, J., & Cho, A. (1979). Chemical release of dopamine from striatal
homogenates: evidence for an exchange diffusion model. J.
Pharmacol. Exp. Ther., 208(2), 203–209.
Fuse, H., Sakamoto, M., Ohta, S., & Katayama, T. (1993). Effect of
Pentoxifylline on Sperm Motion. Syst Biol Reprod Med, 31(1), 9–15.
García-Serna, R., Opatowski, L., & Mestres, J. (2006). FCP: Functional
coverage of the proteome by structures. Bioinformatics, 22(14), 1792–
1793.
Hansch, C., & Fujita, T. (1964). ρ-σ-π Analysis. A Method for the
Correlation of Biological Activity and Chemical Structure. Journal of
the American Chemical Society, 86(8), 1616–1626.
Hopkins, A. L. (2008). Network pharmacology: the next paradigm in drug
discovery. Nature Chemical Biology, 4(11), 682–90.
Huang, X., Mao, Y.-S., Li, C., Wang, H., & Ji, J.-L. (2014). Venlafaxine
inhibits apoptosis of hippocampal neurons by up-regulating brain-
81 derived neurotrophic factor in a rat depression model. International
Journal of Clinical and Experimental Pathology, 7(8), 4577–86.
Irwin, J. J., & Shoichet, B. K. (2005). ZINC - A free database of
commercially available compounds for virtual screening. Journal of
Chemical Information and Modeling, 45(1), 177–182.
Irwin, J. J., Sterling, T., Mysinger, M. M., Bolstad, E. S., & Coleman, R. G.
(2012). ZINC: A free tool to discover chemistry for biology. Journal of
Chemical Information and Modeling, 52(7), 1757–1768.
Kahlig, K. M., & Galli, A. (2003). Regulation of dopamine transporter
function and plasma membrane expression by dopamine,
amphetamine, and cocaine. European Journal of Pharmacology,
479(1–3), 153–158.
Kalani, M. Y. S., Vaidehi, N., Hall, S. E., Trabanino, R. J., Freddolino, P. L.,
Kalani, M. a, … Goddard, W. a. (2004). The predicted 3D structure of
the human D2 dopamine receptor and the binding site and binding
affinities for agonists and antagonists. Proceedings of the National
Academy of Sciences, 101(11), 3815–3820.
Karama, U., Sultan, M., Almansour, A., & El-Taher, K. (2016). Synthesis of
Chlorinated Tetracyclic Compounds and Testing for Their Potential
Antidepressant Effect in Mice. Molecules, 21(1), 61.
Kaufmann, S. H. E. (2008). Paul Ehrlich: founder of chemotherapy. Nature
Reviews. Drug Discovery, 7(5), 373.
82 Kola, I., & Landis, J. (2004). Can the pharmaceutical industry reduce
attrition rates? Nature Reviews. Drug Discovery, 3(August), 1–5.
Levings, B. (1999). Towards the safer use of dosettes. Journal of Quality in
Clinical Practice, 19(1), 69–72.
McLaughlin, M. M., Cieslinski, L. B., Burman, M., Torphy, T. J., & Livi, G. P.
(1993). A low-Km, rolipram-sensitive, cAMP-specific
phosphodiesterase from human brain: Cloning and expression of
cDNA, biochemical characterization of recombinant protein, and
tissue distribution of mRNA. Journal of Biological Chemistry, 268(9),
6470–6476.
Moldovan, C. P., Weldon, A. J., Daher, N. S., Schneider, L. E., Bellinger, D.
L., Berk, L. S., … Peters, W. R. (2016). Effects of a meal replacement
system alone or in combination with phentermine on weight loss and
food cravings. Obesity, 24(11), 2344–2350.
Nascimento, A. S. (2012). MolShaCS Manual, (September).
O’Boyle, N. M., Banck, M., James, C. A., Morley, C., Vandermeersch, T., &
Hutchison, G. R. (2011). Open Babel: An Open chemical toolbox.
Journal of Cheminformatics, 3(10), 33.
Orgânica, Q. (2001). Reações adversas a medicamentos, 125–146.
Otero, M. J., & Dominguez-Gil, A. (2000). Acontecimientos adversos por
medicamentos: Una patologia emergente. Farmacia Hospitalaria.
83 Pettersen, E. F., Goddard, T. D., Huang, C. C., Couch, G. S., Greenblatt,
D. M., Meng, E. C., & Ferrin, T. E. (2004). UCSF Chimera - A
visualization system for exploratory research and analysis. Journal of
Computational Chemistry, 25(13), 1605–1612.
https://doi.org/10.1002/jcc.20084
Pirmohamed, M., Breckenridge, A. M., Kitteringham, N. R., & Park, B. K.
(1998). Adverse drug reactions. BMJ: British Medical Journal
(International Edition), 316(7140), 1295–1298.
Polanski, J., Bak, A., Gieleciak, R., & Magdziarz, T. (2006). Modeling
robust QSAR. Journal of Chemical Information and Modeling, 46(6),
2310–2318.
Powers, K. M., Smith-Weller, T., Franklin, G. M., Longstreth, W. T.,
Swanson, P. D., & Checkoway, H. (2006). Diabetes, smoking, and
other medical conditions in relation to Parkinson’s disease risk.
Parkinsonism & Related Disorders, 12(3), 185–9.
Pramod Akula Bala1, James Foster2, Lucia Carvelli1, and L. K. H. (2014).
SLC6 Transporters: Structure, Function, Regulation, Disease
Association and Therapeutics, 34, 197–219.
Ritz, M., Lamb, R., & Kuhar, M. (1987). Cocaine receptors on dopamine
transporters are related to self-administration of cocaine. Science,
237(4819), 1219–1223.
84 Sams-Dodd, F. (2005). Target-based drug discovery: Is something wrong?
Drug Discovery Today, 10(2), 139–147.
San Román, L. (2013). Desarrollo de nuevos fármacos: desde la
invención a la Farmacia. Universidad de Salamanca, 1–142.
Retrieved from
Scheiber, J., Chen, B., Milik, M., Sukuru, S. C. K., Bender, A., Mikhailov,
D., … Jenkins, J. L. (2009). Gaining insight into off-target mediated
effects of drug candidates with a comprehensive systems chemical
biology analysis. Journal of Chemical Information and Modeling,
49(2), 308–317.
Scigliano, G., Musicco, M., Soliveri, P., Piccolo, I., Ronchetti, G., & Girotti,
F. (2006). Reduced risk factors for vascular disorders in Parkinson
disease patients: A case-control study. Stroke, 37(5), 1184–1188.
Sergio Gomez, Alberto Fernandez, Javier Borge-Holthoefer, Alex Arenas.
(2011). Radatools 3.2
Sharom, J. R., Bellows, D. S., & Tyers, M. (2004). From large networks to
small molecules. Current Opinion in Chemical Biology, 8(1), 81–90.
Simon, K. C., Chen, H., Schwarzschild, M., & Ascherio, A. (2007).
Hypertension, hypercholesterolemia, diabetes, and risk of Parkinson
disease. Neurology, 69(17), 1688–1695.
85 Sirtori Cesare R, Bolme Per, Azarnoff Daniel L., (1972). Metabolic
Responses to Acute and Chronic L-Dopa Administration in Patients with
Parkinsonism, N Engl J Med. (Oct) 12;287(15):729-33.
Son, S.-Y., Ma, J., Kondou, Y., Yoshimura, M., Yamashita, E., & Tsukihara,
T. (2008). Structure of human monoamine oxidase A at 2.2-A
resolution: the control of opening the entry for substrates/inhibitors.
Proceedings of the National Academy of Sciences of the United
States of America, 105(May), 5739–5744.
Studies, V. (n.d.). Trans-disciplinary protein binding of drug: docking
approach ajeet, 1–7.
Sung, M.-H., & Simon, R. (2004). In silico simulation of inhibitor drug
effects on nuclear factor-kappaB pathway dynamics. Molecular
Pharmacology, 66(1), 70–75.
Type 2 Diabetes and the Risk of Parkinson’s Disease. (2011).
Vainio, M. J., Puranen, J. S., & Johnson, M. S. (2009). ShaEP: Molecular
overlay based on shape and electrostatic potential. Journal of
Chemical Information and Modeling, 49(2), 492–502. van Gestel, S., & Schuermans, V. (1986). Thirty-three years of drug
discovery and research with Dr. Paul Janssen. Drug Development
Research, 8(1–4), 1–13.
86 Verma, R. P., & Hansch, C. (2005). An approach toward the problem of
outliers in QSAR. Bioorganic and Medicinal Chemistry, 13(15), 4597–
4621.
Wang, K. H., Penmatsa, A., & Gouaux, E. (2015). Neurotransmitter and
psychostimulant recognition by the dopamine transporter. Nature,
521(7552), 322–327.
Xu, Q., Park, Y., Huang, X., Hollenbeck, A., Blair, A., Schatzkin, A., &
Chen, H. (2011). Diabetes and risk of Parkinson’s disease. Diabetes
Care, 34(4), 910–915.
Xu, R. X., Rocque, W. J., Lambert, M. H., Vanderwall, D. E., Luther, M. A.,
& Nolte, R. T. (2004). Crystal structures of the catalytic domain of
phosphodiesterase 4B complexed with amp, 8-Br-AMP, and rolipram.
Journal of Molecular Biology, 337(2), 355–365.
Yıldırım, M. A., Goh, K.-I., Cusick, M. E., Barabási, A.-L., & Vidal, M.
(2007). Drug—target network. Nature Biotechnology, 25(10), 1119–1126.
87 ANEXOS
Anexos 1: Base de datos
Nombre Link Comentario
Es la agencia del gobierno de los
Estados Unidos responsable de la Food and Drug regulación de alimentos, Administrations http://www.fda.gov medicamentos, cosméticos, (FDA) aparatos médicos, productos
biológicos y derivados sanguíneos
Base de datos de recursos
bioinformáticos y DrugBank http://www.drugbank.ca quimioinformáticos que combina
datos detallados de fármacos.
Base de datos gratuita de
ZINC http://zinc.docking.org compuestos comercialmente
disponibles para el cribado virtual.
Base de datos pública que
proporcionando acceso a http://www.ncbi.nlm.nih. NCBI información biomédica y gov genómica.
88 Anexos 2: 921 fármacos divididos en 21 comunidades
630: 18 24 25 29 30 31 32 33 34 37 39 40 41 42 45 46 47 48 49 50 51 52
53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75
76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98
99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115
116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132
133 134 135 136 137 138 139 140 141 142 143 144 145 146 14 7 148
149 150 151 152 153 154 155 157 158 159 161 162 163 164 165 166 167
168 169 170 171 172 173 175 176 177 179 180 181 182 183 184 185 186
187 188 189 190 191 192 193 194 196 197 198 199 200 201 202 203 204
205 206 207 208 209 210 211 212 213 214 215 216 218 220 22 1 223
225 226 227 228 229 230 231 232 233 235 236 237 238 239 240 241 242
243 244 245 246 248 249 250 251 252 254 255 256 257 258 259 260 261
262 263 264 265 266 267 268 269 270 271 272 274 275 276 277 278 279
280 281 282 283 284 285 286 287 288 289 290 291 293 294 29 5 296
297 298 299 301 302 303 304 305 306 307 308 309 310 311 313 314 315
316 317 318 321 323 324 325 326 328 329 331 332 334 336 337 343 344
348 350 355 357 359 369 378 386 390 436 444 445 452 453 454 455 456
457 458 459 460 461 462 463 464 465 466 467 468 469 470 47 1 472
473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489
490 491 492 493 494 495 496 497 498 500 501 502 503 504 505 506 507
509 510 511 512 514 515 516 517 518 519 520 521 523 524 525 526 528
89 529 530 532 533 534 535 536 537 538 540 541 543 546 549 55 0 551
553 554 558 559 560 561 563 568 577 584 585 586 587 588 589 590 591
592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 608 609
610 611 612 613 614 615 617 618 619 620 621 622 623 624 625 626 627
629 630 631 632 633 635 636 637 638 639 640 641 642 644 64 5 646
649 650 651 652 654 655 656 659 660 664 666 675 678 687 689 690 692
694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710
711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727
728 729 730 731 732 733 734 735 736 737 738 739 741 742 74 3 744
745 746 747 749 750 751 752 753 754 755 756 757 759 760 761 762 763
764 766 767 768 769 771 773 777 778 780 782 787 794 805 806 811 814
815 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833
834 835 836 837 838 839 840 841 842 843 844 845 846 847 84 8 849
850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866
867 868 869 870 871 872 873 874 875 876 877 878 879 881 884 886 888
890 893 899 902 908 909 912 915 921 .
206: 234 247 253 292 312 319 320 322 327 330 333 335 338 339 340
341 342 345 346 347 349 351 352 353 354 356 358 360 361 362 363 364
3 65 366 367 368 370 371 372 373 374 375 376 377 379 380 381 382
383 384 385 387 388 389 391 392 393 394 395 396 397 398 399 400 401
402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418
419 420 421 422 423 424 426 427 428 429 430 431 432 433 434 435 437
4 38 439 440 441 442 443 446 448 499 508 513 522 527 531 544 545
90 547 548 552 555 556 557 564 565 566 567 569 572 573 574 576 580 607
616 628 647 648 653 657 658 661 662 663 665 667 668 669 670 671 673
674 676 677 682 683 748 770 772 774 775 779 781 783 784 785 786 788
7 90 791 792 793 795 797 798 799 800 801 802 804 808 809 880 882
883 885 887 889 891 892 894 895 896 897 898 900 901 903 904 905 906
907 910 911 914 916 919 920 .
39: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 19 20 21 22 23 26 27 28 35
36 38 43 44 156 160 219 224 539 542 634 643 758.
5: 195 273 575 740 917
5: 174 178 217 222 813
5: 562 571 691 807 816
3: 449 684 693
3: 425 679 688
3: 578 685 796
3: 300 680 913
3: 570 579 583
2: 810 918
2: 582 776
2: 672 681
2: 451 765
2: 803 812
2: 450 789
1: 817
91 1: 581
1: 686
1: 447
Anexos 3: Listado de 21 comunidades
Comunidad 1:
• MI
• Perhexiline maleate
Comunidad 2:
• Iothalamic Acid
• Chlorphemiramine maleato
Comunidad 3:
• Phentermine hydrochloride
Comunidad 4:
• Deferoxamine mesylate
• Benzonatati
• Pentoxifiline
Comunidad 5:
• BA-30803
• Trimetozine
Comunidad 6:
• Sulfameter
92 • INNI
• Retionic Acid
Comunidad 7:
• Decamethonium bromide
• 8-(4-Amino-1-methylbutylamino)-6-methoxyquiline
• Oleic Acid
• Ltrozole
• Isobutamben
Comunidad 8:
• 6-methyl-5,6,6a,7-tetrahydro-4H-dibenzo[de,g]quinoline-10,11,diol hydrochloride
• Methapyriline hydrochoride
• 15-F2C-ISOP
Comunidad 9:
• Guanidine hydrochoride
• Glycine
• Acetohydroxamic acid
• Cysteamine hydrochloride
• N,N-Dimethylacetamide
• Ethyl acetate
• Ammonium lactate
• 2(Dimethylamino) etanol
• Glicerol
93 • 3-Methyl-1-pentyn-3-ol
• ®-(+) -4-Amino-3-isoxazolidione
• 3-Pyridinemethanol
• Histamine dihydrochloride
• Betazole hydrocloride
• Succinic acid
• Isoamyl mitrite
• L-Cysteine
• Tris (hydroxymethyl) aminomethane
• Pyrazinamide
• Dichloreacetic acid
• 5-Fluorocystocine
• L-Aspartic acid
• Paraldehyde
• Thiazolidine-4-carboxylic acid
• 5-Fluorocystocine
• Paraldehyde
• Thiazolidine – 4 – carboxylic acid
• Ethosuximide
• Mesna
• Trimethadione
• Diethylammonum diethyldithiocarbamate
• D- arabionose
94 • Tribomomethane
• Pramoprofen
• 2,2,2 – Tribromoethanol
• Promethazidine hydrochloride
• Terol
• Moveltipril
• Betaine hydrochloride
• Methyl
• 8 - isoMisoprostol
Comunidad 10:
Levobunolol hydrochloride
Nialamide
Chlorambucil
Tranilast
Pentamidine isethionate
Prostacyclim sodium salt
Ethyl
Rosiglitazone
Cyclofenil
Trimetrexate
Lorcainide
95 5-(2((3-(tert-Butylamino)-2-hydroxypropyl)thiol)thiazol-4- yl)thiophene-2-carboxamide
Bunazosin hydrochloride
Clebopride
Riboflovin
Enalapil maleate
Celiprolol hydrochloride
Celecoxib
Bopindolol
Pyrvinium pamoate
Azelastine hydrochloride
Nafronyl oxalate
Buspirone hydrochloride
MI
Flavoxate hydrochloride
Amsacrine
Sulfasalazine
2-[[4-(thiazol-z-ylulfamoyl)phenyl]cabamoyl]benzoic
[4-[4- sulfinomethylamino)phenyl]sulfonylphenyl]aminomethanesulfinia
Fominoben
96 Benzquinamide
Lincomycen hydrochloride
Tamsulosin
Trifluperidol
Fluvastatin
Ziprasidone hydrochloride
(35)-6,7-dimethoxy-3-[(5R)-4-methoxy-6-methyl-5,6,7,8-tetrahydro-
[1,3]dioxolo[4,5-g]isoquinolin-6-iv
Diltiazen hydrochloride
Miconazole nitrate
Lofendylate
Alfentonil
Losartan
Difenoxin
Ethyl
Ibesartan
Bicalutamide
Mebeverine hydrochloride
Candesartan
Sofalcone
Glisoxepide
Pepaglimide
97 Cerivastatin, Sodium Salt
Cromolym Sodium
Raloxifene hydrochloride
Carmine
Orlistat
Mibefradildi hydrochloride
Gallamine trithiodide
Tilmisartan
Moxalactamdisodium
Gossypol
[9-chloro-17-(2-chloroacetyl)-11-hydroxy-10,13,16-trimethyl-3-oxo-
6,7,8,11,12,14,15,16-octahydrocycl
Gliquidone
Ambenoniu,
8-[2-(2-aminothiazol-4-yl)-2-(1-carboxy-1-methyl-ethoxy)imino- acetyl]amino-7-oxo-4-(1-pyridylmethyl)
5 = Acecor –d5
Iopanic acid
Zafirlukast
L 768232
NOV
98 BAN
(8E,14E,16E,18E,20E)-22-[(3-amino-3,6-dideoxyhexpyranosyl)oxy]-
1,3,26-trihydroxy-12-methyl-10-oxo-6,11,28- trioxatricyclo[22.3.1.0~5,7~]octacosa-8,14,16,18,20-pentaene-25- carboxylicacid
Itraconazole
Phencyclidine hydrochloride
Gembiobrozil
Oxyfedrine
Furosemide
Noratriptam
Amileridine
Bisacodyl
Tiagabine
INN
Nandroloni phennylpropionas
Carvedidol
Flecainide
Pravastatin
BRD-A82238138-001-01-7
Valsartan
99 (3R)-2-[(25)-2-[[(1R)-1-carbethony-3-phenyl- propyl]amimonio]propanoyl]-3,4-dihydro-1H-isoquinoline-3-
Cefuroxine axetil
Daunorubcinhydrochloride
Cefsulodin sodium
Cefotetan
12-[(2,6-dideoxy-3-0-metylhexopyranosyl)oxy]-6-hydroxy-
5,7,8,11,13,15 hexamethyl-4,10-dioxo-1,9-dioxaspiro[2.13]hexadec-14- yl3,4,6-trideoxy-3-(dimethylamino) hexopyranoside
Melperone hydrochloride
NF
Betaxodol
Bisapropol
Methergine
Cyclopenthiazide
Trimebutine maleate
Sulfinpyrazone
Lofepramine hydrochloride
Vitamina K1
Doxazosin mesylate
WIN-32784
Silybin
100 Emetine hydrochloride
Ceforamide
SCE-963
3,3-dmethyl-6-[2-(3-methylsufonyl-2-oxo-imidazolidin-1- y)carbonylamino-2-phenyl-acetyl]amino-7-ox
4-[3-[5-5(4,5-dihydroxy-6-methyl-tetrahydropyran-2-yl)oxy-4- hydroxy-6-methyl-tetrahydropyan-2-yl
SQ-13396
Lansoprazole
Quinacrine dihydrochloride
Toremifene citrate
DCF
[2-(9-fluoro-11,17-dihydroxy-10,13-dimethyl-3-oxo-
1,2,6,7,8,11,12,14,15,16-decahydrocyclopenta[a]phe
Aminopterin
Propranolol hydrochloride
Cefatrizine
Cisapride
Bethamethasone valerate
Cefamondole nafate
Benzaphentamine
101 4-amino-N-[5-amino-2-[4-amino-3,5-dihydroxy-
(hydroxymethyl)tetrahydropyran-2-yl]oxy-4-[6-(aminomet)
Tubocuranine chloride
Methyl
5-Astrosterediol
Piperacetazine
Cefuroxine sodium
9alpha-fluoro-11beta-17alpha-21trihydroxy-16beta-methyl-
1,4,pregmadiese3-20-dione-21-acetate
Sodium cloxacilim
Cefixine
Diphenaxylate hydrochloride
Favin mononucleotide
Cefotaxine sodium
Prednisolone succinate
N/A
Terfenodine
Adenosine hydrochloride
Iodipamide
(3R, 4S, 5S, 6R, 7R, 9R, 11R, 12R, 13S, 14R)-6-{[(2S, 3R,4S, 6R)-
4-(dimethylamina-3-hydroxy-6-methyltrtrohydro-2H-pyram-2-yl]oxy}-14- ethyl-12,13-dihydroxy-4-{[(2R, 4R, 5S, 6S)-5hydroxy-4-methoxy-
102 4,6.dimethyltetra;hydro-2H-pyram-2,yl]oxy}-7-methoxy-5.5.7.9.11.13 – hexa
Iopromide
Comunidad 11:
• 5-fluoro-1-[4-hydroxy-5-(hydroxymethyl)tetrahydrofuram-z- yl]pyrimidin-2,4(1H,3H)-dione
• Methyl
Comunidad 12:
• Venlafaxine glycerophophate
• Salmeterol
Comunidad 13:
• Calcium glycerophosphate
• Aminodarone hydrochloride
Comunidad 14:
• Phenacetin
• Trimethobenzamide hydrochloride
Comunidad 15:
• Cefaperazone
• Pheypropanolamine hydrochloride
Comunidad 16:
• S – Carboxymethil 1 – L – Cysteine
• Nefazodone Hydrochloride
Comunidad 17:
103 • Levodopa
Comunidad 18:
• Cylandelate
Comunidad 19:
• Chlorpropamide
Comunidad 20:
• L – Arginide
Comunidad 21
Nicotinamide
Aminocaproic acid
3-amidino-1,1.dimethyl-guanidine
Tranylcypromine Sulfate
Adenine
N-phenylacetamide
Salicylamide
2-(2-methylaminoethyl) pyridine
Isometheotene
Ethchlorvynol
Coumarin
L-glutamina
4´-Hydroxypropiophenone
104 Mandelic acid
1-Phenylsemicarbazide
Amantadine hydrochloride
Guancidine
Methyl 1-methyl-1,2,5,6—tetrahydropyridine-3-carboxylate hydrobromide
DL-Menthol
Mechorethamine
Metacholine chloride
Pargyline hydrochloride
Tolazoline hydrochloride
5-(2-chloroethy)-4-methylthiazole
Tiopronin
Benzocaine
2-amino-6-purinethiol
Tert-Butylhydroquinone
Edrophonium chloride
Ethinamate
Metaraminol bitartrate
Pyridoxine
Sodium 1,3-dihydroxypropan-2-yl phosphate
Levetiracetam
105 Mentronidazole
Menadione
Sulfanilamide
Debrisoquin sulfate
Phenacemide
Fusaric acid
Aspirin
Inositol
D-Glucosamine
Menthoxyphenamine
Pyridostigmine bromide
Mephenesin
Carbimazole
Antipyrine
Piperazine citrate
Thiotepa
Isosorbide 2- Mononitrate
Aminohippuric acid
Caffeine
N-Methyl-D-glucamine
Clavulanic acid
Tegafur
106 Diethylcarbamazine citrate
Guanethidine sulfate
L-T ryptophan
Tetramisole hydrochloride
DL-Panthenol
Diethylpropion hydrochloride
3-amidino-1-phenethyl-guanidine
Pyrantel tartrate salt
Pilocarpine nitrate
Altreamine
Toin
N~6~-propyl-4,5,6,7-tetrahydro-1,3-benzothiazole-2,6-diamine dihydrochloride
Baclofen
Chloroxine
Carmustine
Glutethimide
Metaxalone
Phenindione
Acetazolamide
Ethamivan
Neostigmine bromide
107 Ancitabine
Alclofenal
Metyprapone
Prenalterol
SCH-10159
Trioxsalen
Lamivudine
Clonidine hydrochloride
Nalidixic acid
Isocarboxazid
Sulbactam
2-Methyl-2-(1-methylpropyl)-1,3-propanediol dicarbamate
Diuron
Methylphenidate hydrochloride
6-Fluoro-4-chromanone hydatoin
Carbamazepine
Zileuton
BLAH
(2S)-3-(4-phenylpiperazin-1-ium-1-yl)propane-1,2-diol
Felbamate
2-(2-cholorophenyl)-2-methylamino-cyclohexan-1-one
JAN
108 Mefanamic acid
Salbutamol
Methocarbamol
Fenoprofen
Pheniramine maleate
Clofibrate
Biotin
1-[3,4-dihydroxy-5-(hydroxymethyl)oxolan-2-yl]-1H-1,2,4-triazole-3- carboxamide
Busulfan
Oxolamine citrate
Tolperisone hydrochloride
Mepivacaine hydrochloride
Pyrimethamine
Diflunisal
Rivastigmine
Cycloguanil hydrochloride
Triamterene
Fenbufen
5-Iodo-2-thioxo-2,3-dihydropyrimidin-4(1H)-one
Ketorolaco
Midodrine hydrochloride
109 3-[N-(4-chlorophenyl)carbamimidoyl}-1-isopropyl-guanidine
Lamotrigine
4-[(Diethylamino)sulfonyl] benzoic acid
2-(2-Benzylphenoxy)-N,N-dimethylethanamine2-hydroxypropane-
1,2,3-tricarboxylate
Clobutinol
Tripelennamine hydrochloride
2—1,3- dioxolane-4-methanol
Thalidomide
Benserazide hydrochloride
Ethoxzolamide
Tiaprofenic acid
Lofexidine
Oxolinic acid
Fenspiride hydrochloride
Betapromide
Cibenzoline succinate
Sulfamerazine
Nortriptyline hydrochloride
Ticlopidine-d4
Thiamine
110 Mianserin hydrochloride
Antazoline phosphate
Sulfisoxazole
Sulfamoxole
Desipramine hydrochloride
(8S)-3-[(2S, 4S, 5S)-4-hydroxy-5-(hydroxymethyl)tetrahydrofuran-2- yl]-7,8-dihydro-6H-imidazol[4, 5 – f] [1]
Ripazepam
Dichlorophen
Leflunomide
Metiazinic acid
Sulfamethizole
Tolbutamide
Alinidine
Modafinil
Sotatol hydrochloride
Chlormezanone
Homotropine hydrobromide
Physostigmine
BAY-4503
3-ethyl-2-methyl-5-(morpholinomethyl)-1,5,6,7-tetrahydroindol-4- one
111 Proquazone
Sulfamethoxypiridazine
Oxamniquine
Doxepin hydrochloride
Hydroxystilbamidine
Diminazene aceturate
MI
Madinzol
Hydroxyl-methyl-BLAHone
Vitamina A
Ciprofibrate
Quinethazone
Epicatechin
Sulthiame
Chlophedianol
Carbinoxamine maleate
Terbinafine hydrochloride
Ondansetron
Sulfacytime
Estazolam
Diclofenac sodium
Dibenzepine hydrochloride
112 Sumatriptan succinate
Dothiepin HCL
Disulfiram
Ibuprofen piconol
Hydrochlorothiazide
Imipenem
Olsalazine sodium
Dimethyl BLAH dione
Benoxaprofen
Flumazenil
Dichlorphenamide
Zaleplon
Glutathione
4-(3,4-Dichlorophenyl)-N-methyl-1,2,3,4-tetrahydronaphthalen-
1-anime
Ibopamine
Buflomedil hydrochloride
Alphachloralose
Fluoxetine hydrochloride
Dicyclomine hydrochloride
Adiphenine hydrochloride
113 91-82-7;D07403; Pyrrobutamine (BAN)
Flubendazole
Granisetron
Rofecoxib
Pergolide
Ethyl 2.amino-6-benzyl-4,5,6,7-tetrahydrothienol[2,3-c]pyridine-
3-carboxylate
Timolol maleate
Butalamine
IUM
Phenolphthalein
Clotiazepan
Clotiazepam
Famciclovir
Zeranol
Chloromycetin
Citalopram hydrobromide
Acitretin
Dorzolamide
2-(3-(Diisopropylamino)-1-phenylpropyl)-4-methylphenol
114 Trilostane
Tiapride hydrochloride
Tienilic acid
Zanamivir
Zotepine
Strychnine
Danazol
Hydroxychloroquine sulfate
Cafacetrile
Chlorthalidone
Tetramethyl-(sulfamoyloxymethyl) BLAH
1-(3, 4-dimethoxybenzyl)-6,7-dimethoxyisoquinoline hydrochloride
Lisuride
1-(2-diethylaminoethylamino)-4-methyl-thioxanthen-9-one
Oxyphencyclimine hydrochloride
Torsemide
Griseofulvin
Pipobroman
4-[(7-chloro-4-quinolyl)amino]-2-(diethylaminomethyl)phenol
Ethyl
115 Piretanide
Bepridil hydrochloride
Nedocromil
6-Azauridine 2´,3´,5´- triacetate
Finasteride
Bromhexine hydrochloride
Sraff
Tofisopam
Sparfloxacin
3,5-Diiodo-4-Pyridone-1-Acetic acid
Acemetacin
Benzbromarone
Mifepristone
Liothyronine
Bromosulfophthalein sodium
Frova
Phsopholine iodide
Cinoxacin
JAN
Streptozotocin
116 Azidothymidine (AZT)
Meso-2,3-Dimercaptosuccinic acid
Atenolol
Diethylstilbestrol
L-Tyrosine
Rizatriptan benzoate
Orphenadrine citrate
Chloroprocaine
Bupranolol
W-5759 A
Eflornithine hydrochloride
Clenbuterol hydrochloride
Diphemanil methylsulfate
Methyprylon
Moxisylyte hydrochloride
Niflumic acid
Clortemine
Diphenilpyraline hydrochloride
Anisotropine methylbromide
4-Amino-2-hydroxybenzoic acid
Oxazepam
Methyl 4-hydroxybenzoate
117 Succinylcholine
INN
Zomepirac sodium
Carteolol hydrochloride
Dimethindene
Exemestane
Hexylresorcinol
Etynodiol
Dobutamine hydrochloride
Isoxsuprine hydrochloride
Pipemidic acid
Phenoxybenzamine
1,1 – Diphenyl-4-(piperidin-1-yl)butan-1-ol hydrochloride
Ibuprofen
Gliclazide
Aprindine hydrochloride
Valacyclovir hydrochloride
Miglitol
Mecillinam
Tifenamil
3830644
118 Hydroflumethiazide
Trihydroxy-methyl-bis(methylamino)BLAHone
Carbetapentane citrate
Lobeline hydrochloride
Dimethoxy BLAH
Etizolam
Adenosine 5´-monophospate
Formoterol
1, 3, 5(10)-Estratrien-3-ol-17-one 3-sulfate potassium
15-E2c-IsoP
L-Carnitine
Methadyl acetate
4-Chloro-N-(2, 6-dimethylphenyl)-2-hydroxy-5- sulfamoylbenzamide
Methoxsalen
Trimethaphan
N-Acetyl-L-cysteine
Estradiol benzoate
Valproic acid
Ticarcillin
Bamifylline
2, 2-Di-n-propylacetamide
119 Sufentanil
Betamethasone
Iodoquinol
Oxacillinsodiumsalt
Clomiphene citrate
Fenfluramine
Etofylline clofibrate
Melatonin
Lomustine
Troglitazone
Hexobarbital
Cefazolin
(2-Bromo-2-ethylbutyryl) urea
Halofantrine hydrochloride
Nomifensine
Choline bitartrate
L-adrenaline
Sibutramine hydrochloride
Phentolamine
Doxifluridine
Roxinal
Procycline hydrochloride
120 Bencyclane
Penbutolol sulfate
Anastrozole
Troxipide
Esmolol
17-ethynylestra-1(10), 2, 4-triene-3, 17-diol
Tazobactam
Nylidrim hydrochloride
Cabapentin
17-hydroxy-10, 13, 17 – trimethy- 7,8,9,11,12,14,15,16-octahydro-
6H-cyclopental [a]phenanthren-3-one
Bretylium tosylate
Tinidazole
Dapsone
6-Dehydroprogesterone
4-Acetamidophenyl 2-acetoxybenzoate
1-Ethyl-6-fluoro-4-oxo-7-piperazin-1-yl-[1,8]naphthyridine-3- carboxylic
Clopidogrel hydrogen sulfate
Bunitrolol
Dormicum
121 Clofibride
Labetadol hydrochloride
Methotrimeprazine
Proglumide
D-Leucine
Bromazine
Mepenzolate bromide
Norethisterone acetate
Alpha-D-Lactose monohydrate
Clemastine fumarate
Triflupromazine iodide
Propofol
7-[2-amino-2-(4-hydroxyphenyl)-acetyl]amino-3-methyl-8-oxo-5- thia-1-azabicyclo[4.2.0]oct-2-ene-2-car
N´isopropylisonicotinohydrazide
Thioridazine hydrochloride
4-Thia-1-azabicyclo(3.2.0)heptane-2-carboxylic acid, 6-((2, 6- dimethoxybenzoyl)amino)-3, 3-dimethyl-7-oxo-,monosodium
122 salt,monohydrate,(2S-(2apha,5alpha,6beta))-; BRL 1241; C17H19N2O6S-
H2O.Na; Celbenin; LS-176971; Methicillin sodium
Flurazepam
Iodinated glicerol
BRD-A83567094-001-03-6
6-Chloro-3,20-dioxopregna-4,5-dien-17-yl acetate
Ephedrine
Cefoxitin sodium
Procainamide hydrochloride
Bupropion hydrochloride
Chlorpropamide
Actidilon
Flufenamic acid
1-(4-Chlorophenyl)-2-methylpropan-2-amine hydrochloride
Chlorphenesin carbamate
Promazine hydrochloride
CdA
Cyproheptadine hydrochloride
3-hydroxyandrost-5-en-17-one
Ethylestrenol
Hydroxyamphetamine hydrobromide
Caramipen
123 Azatadine maleate
Doxofylline
17-ethynyl-17-hydroxyestr-5(10)-en-3-one
Nicotinic acid
Fenoterol hydrobromide
Melophalan
Guaifenesin
Clioquinol
Profinium bromide
Benztropine mesylate
Sulfadoxine
Nadolol
Ketotifen fumarate
Xanthinol nicotinate
Flunitrazepam
Ethotion
Clomipramine hydrochloride
Feprazone
Bumadizone
124 Pindolol
Olopatadine hydrochloride
Methoxamine hydrochloride
Nalmefene
Proxifezone
AQ-110
6-(2-amino-2-phenyl-acetyl)amino-3,3-dimethyl-7-oxo-4-thia-1- azabicyclo[3.2.0]heptane-2-carboxylic
Bethanechol chloride
Potassium canrenoate
Methyclothiazide
11, 17, 21 – trihydroxypregna – 1, 4 – diene – 3, 20 – dione
Primidone
D-Galactose
4-amino-N-[(butylamino)carbonyl]benzenesulfonamide5-((2-
Methoxyphenoxy)methyl)oxazolidin-2-one
Desoxycorticoterone acetate
D-tagatose
8-[2-(2-aminothiazol-4-yl)-2-methoxyimin-acetyl]amino-7-oxo-2-thia-
6-azabicyclo[4.2.0]oct-4-ene-5-c
Pantoprazole
Ethynodiol diacetate
125 (13-methyl-17-propanoyloxy- 6,7,8,9,11,12,14,15,16,17
-decahydrocyclopenta [a] phenanthren-3-yl
Salsalate
Terazosin hydrochloride
3,7-dihydroxycholan-24-oic acid
2-Ethoxybenzamide
Brotizolam
L-Phenylanine
3,7,12-trioxocholan-24-oic acid
Propyphenazone
Bromperidol
Bendroflumethiazide
L-Glutamic acid
N,2,3,3-tetramythylnorbornan-2—amine
L-Lysine
Thymidine
Etidocaine
(17beta)-17-ethynyl-17-hydroxyestr-4-en-3-one
Terpene hydrate
17-ethynyl-3-methoxyestra-1(10),2,4-trien-17-ol
Tolazamide
126 Meperidine hydrochloride
Clonazepam
Hydroxy-metoxy-methyl-BLAHone
Brompheniramine maleate
Propyl 4-hydroxybenzoate
4-amino-1-[3,4-dihydroxy-5-(hydromethyl)tetrahydrofuran-2- yl]pyrimidin-2(1H)-one
Prapezam
Acepromazine maleate
Benactyzine hydrochloride
Ciprofloxacin
Paramethadione
Fentanyl
Butabarbital
Anisindione
Metoprolol
Probenecid
Cephradine
Rimantadine hydrochloride
Halazepam
127 Dyphylline
Sultopride hydrochloride
CyclobutylmethylBLAHtriol
17, 21 - dihydroxypregn-4-ene-3,11,20-trione
Aldosterone
Mephenytion
Triethanolamine
Doxylamine succinate
17-hydroxy-17-(2-hydroxyacetyl)-10,13,16-trimethyl-
6,7,8,9,12,14,15,16-octahydrocyclopenta[a]phenat
Bephenium hydroxynapthoate
7-(2-hydroxyethyl)theophylline
Butalbital
Ambroxol hydrochloride
Trichlormethiazide
Acyclovir
3-ethyl 5-methyl 4-(2,3-diclhorophenyl)- 2,6-dimethyl- 1,4- dihydro- 3,5-pyridinedicarboxylate
Mesoridazine besylate
Terbutaline hemisulfate
Paramethasone
128 Cephalothin sodium
Ethaverine hydrochloride
Pyrilamine maleate
[2-(17-hydroxy-10,13-dimethyl-3,11-dioxo-1,2,6,7,8,9,12,14,15,16- decahydrocyclopenta[a]phenanthren-1cyclopropylmethyl-dimethyl-BLAHol
Dextromethorphan hydrobromide
Luminal
Cephapirin sodium
N- {2-chloro-1-[3,4,5-thihydroxy-6-(methylsulfanyl)oxan-2-yl]propyl}-
1-methyl-4-propylpyrrolidine-2-carboximide
Phenylephrine hydrochloride
Cefmetazole sodium
Acetriazoic acid
Noradrenaline
Metrizoic acid
Iohexol
129