Q07012.Pdf (2.393Mb)
Total Page：16
File Type：pdf, Size：1020Kb
Predicción de la actividad antihelmíntica empleando el método TOMOCOMD- CARDD Autora: Yusleidy Ramírez Mederos Tutores: Dr. Yovani Marrero Ponce MSc. Luis A. Torres Gómez Lic. Juan A. Castillo Garit Santa Clara, 2007 “A veces se trabaja toda una vida para avanzar apenas un metro, pero así crecieron las grandes montañas, avanzando siglo a siglo, metro a metro“ A los que han caminado conmigo alguna hora, algún minuto, a lo largo de este camino, a los que me han ayudado a caminar: Desde mi corazón…GRACIAS!!! RESUMEN El objetivo fundamental de este estudio fue desarrollar relaciones cuantitativas estructura-actividad (QSAR) para la clasificación y la predicción de la actividad antihelmíntica, de manera que permitiera el desarrollo de procesos de tamizaje (screening) virtual. Para desarrollar las funciones discriminantes se empleó una data de 547 compuestos dividida en serie de entrenamiento (SE) y serie de predicción (SP) una familia de descriptores moleculares (DMs) TOMOCOMD-CARDD. Se empleó un análisis de “pasos-hacia-delante” como método de selección de variables y el análisis discriminante lineal (ADL) fue usado para obtener modelos que discriminan entre compuestos activos e inactivos. Los modelos obtenidos usando los índices bilineales no estocásticos y estocásticos clasifican correctamente 86.36% y del 87.50%, de los compuestos en las SE, respectivamente. Para corroborar la robustez y el poder predictivo de los modelos encontrados, se empleó una serie de validación externa obteniéndose una buena clasificación global de 84.24% (no estocástico) y 80.00% (estocástico). Para obtener conclusiones preliminares acerca del posible modo de acción de los compuestos antihelmínticos otros dos modelos fueron desarrollados. Estos modelos permiten la correcta clasificación del 92.11% y 94.74% de los compuestos incluidos en la SE, para los modelos no estocástico y estocástico, respectivamente; alcanzando un 84.21% de buena clasificación global en la SP externa para ambos casos. Los parámetros obtenidos para los dos modelos son similares a los obtenidos con otras familias de DMs del mismo programa. Estas aproximaciones permiten obtener una adecuada explicación de la actividad antihelmíntica basado en rasgos estructurales evidenciando el rol preponderante de los enlaces de hidrógenos, la presencia de heteroátomos y de las propiedades relacionadas con el tamaño molecular en las interacciones con los sitios dianas antihelmínticos. Finalmente, los modelos desarrollados fueron usados en ensayos virtuales de grandes bases de datos de compuestos químicos identificándose como antihelmínticos a varios de ellos. Estos resultados muestran que los índices bilineales pueden predecir satisfactoriamente la actividad antihelmíntica y sugiere que el método propuesto es una buena herramienta para el estudio de las propiedades biológicas de candidatos a fármacos durante el proceso de descubrimiento de los mismos. ÍNDICE I INTRODUCCIÓN 1 II REVISIÓN BIBLIOGRÁFICA 5 2.1 Helmintos, su clasificación. 5 2.2 Modo de Acción de Drogas Antihelmínticas 9 2.2.1 Receptores Acetilcolina Nicotínico 9 2.2.2 Inhibidores Colinesterásicos:Organofosforados 12 2.2.3 Agonista GABA (Piperazina) 12 2.2.4 Potenciadores del Receptor de Glutamato 13 2.2.5 Permeabilidad del Calcio Aumentada 13 2.2.6 Protón Ionóforo: Salicylanilidas, Bisfenoles y Fenoles Sustituidos 15 2.2.7 La Inhibición de Formación del Microtúbulo, Unión a b-Tubulina 16 2.2.8 Inhibición del Metabolismo del Malato (Diamfenetida) 18 2.2.9 Inhibición de la Quinasa y Mutasa del 1,3-Difosfoglicerato 18 2.2.10 Dietilcarbamazina 19 III MATERIALES Y MÉTODOS 21 3.1 Generalidades 21 3.2 Base de Datos de los Compuestos Usados en la Obtención de los Modelos QSAR. 21 3.3 Cálculos de Parámetros o Índices Moleculares. TOMOCOMD Software. 23 3.4 Análisis Estadístico de los Datos. Desarrollo de Funciones Discriminantes usando ADL 26 IV RESULTADOS Y DISCUSIÓN 29 4.1 Desarrollo de Modelos Usando ADL. 29 Desarrollo de Funciones Discriminantes para la Actividad 4.1.1 Antihelmíntica. 29 Índice 4.1.2 Desarrollo de Funciones Discriminantes para la Predicción del Posible Modo de Acción Antihelmíntico. 38 4.2 Interpretación en Términos Estructurales de los Modelos Obtenidos. 41 4.2.1 Análisis de la Naturaleza de las Variables Incluidas. 41 4.3 Virtual screening: Una Promisoria Alternativa para la Selección y el Diseño Racional de Fármacos Antihelmínticos. 42 V CONCLUSIONES 49 VI RECOMENDACIONES 50 VII REFERENCIAS BIBLIOGRAFÍCAS 51 ANEXOS I- INTRODUCCIÓN La búsqueda de compuestos antihelmínticos vuelve a estar en el ‘desktop’ de la química médica debido a dos causas fundamentales: 1) El surgimiento y el incremento en frecuencia de la resistencia a los fármacos antihelmínticos [1] y 2) El alto número de países, y personas afectadas por alguna de las enfermedades “tropicales” causadas por alguna de las especie de helmintos patógenos que afectan al hombre y a los animales domésticos [2]. En este sentido, aunque la resistencia a determinados compuestos antihelmínticos ha ocurrido, todavía esta situación no es considerada como un problema clínico-terapéutico. No obstante, es alarmante el hecho de que desde hace más de 20 años no se comercializan productos nuevos; así por ejemplo desde el 1980 no se ha comercializado ningún fármaco fasciolicida y no existen tampoco compuestos nuevos bajo estudio [3]. En adición, las infecciones helmínticas siguen siendo un problema médico y de salud pública a gran escala en humanos y animales domésticos que pueden causar grandes pérdidas económicas en zonas donde existen áreas extensas para el pastoreo de animales [4]. En la Tabla 1.1 se muestran algunos ejemplos de resistencia a fármacos antihelmínticos. Además, más de la mitad de la población está en riesgo de adquirir alguna enfermedad tropical, fundamentalmente malaria, lepra, schistosomiasis, filariasis linfática, onchocerciasis, enfermedad de Chagas, Tripasonomiasis africana y lesmaniasis, y mas de 500 millones de personas están infestadas con al menos una de estas enfermedades. En la Tabla 1.2 se muestra el estimado global de la población en riesgo e infestada con enfermedades tropicales [2]. Como se puede observar, tres de las enfermedades que más azota al hombre son causadas por especies helmínticas (Schistosomiasis, Filariasis linfática y Onchocerciasis). En la actualidad, las pérdidas económicas en la producción de animales y las enfermedades humanas provocadas por estos parásitos aportan un ímpetu adicional para la búsqueda de nuevos agentes antihelmínticos. El indiscriminado e intensivo uso de estas drogas para el control de los parásitos helmintos ha propiciado y propiciará el desarrollo de resistencia. 1 Introducción Tabla 1.1 Resistencia a Fármacos Antihelmínticos Huésped Parásito Fármaco Huésped Parásito Fármaco Humanos Schistosoma Oxamniquine Ovejas y Trichostron- Benzimidazoles [5, 6] Praziquantel Cabras gylids [7, 8] Levamisol Tetrahidropyri- midinas Lactonas macrocíclicas Hookworms Tetrahidropyrimidinas Fasciola [7, Benzimidazoles [9, 10] 11, 12] Triclabendazol Closantel Ganado Trichostron- Benzimidazoles Caballo Small Benzimidazoles gylids [7, 8] Lactonas macrociclicas Strongyles [7, Tetrahidropyri- 8] midinas Piperazina Cerdos Oesophagosto Benzimidazoles mum [7, 8] Lactonas macrocíclicas Tetrahidropyrimidinas Nuevas entidades químicas con actividad antihelmínticas serán necesarias en el futuro pero el alto costo de desarrollo de un nuevo producto farmacéutico y el reducido mercado de este tipo de fármacos provoca que el desarrollo de estas sea lento. Dos soluciones son posibles y necesarias: 1) El uso del diseño de fármacos asistido por computadoras como alternativa ‘racional’ en la búsqueda de nuevos antihelmínticos y 2) El conocimiento de la bioquímica y fisiología del parásito para lograr encontrar o diseñar nuevos cabezas de serie que actúen de forma selectiva sobre dianas farmacológicas del parásito, aumentando el índice terapéutico y la probabilidad de que llegue a ser utilizado en la terapéutica. Lajines [13] y Estrada y col. [14] han reportado la alta incidencia en el uso de nuevos descriptores moleculares para el desarrollo de modelos QSAR (Acrónimo de Quantitative Structure-Activity Relationship) para el ‘screening’ ‘in silico’ de fármacos. En este sentido la definición de nuevos índices moleculares (ver Todeschini y Consonni para una exhaustiva compilación [15]) es un promisorio campo en la química médica y las ciencias veterinarias lo que permitiría el ahorro de tiempo y recursos para el descubrimiento de nuevos antihelmínticos En la pasada década, la industria farmacéutica reorientó sus estrategias de investigación en orden de dar más atención a los métodos que permiten la selección ‘racional’ o diseño de nuevos compuestos con propiedades deseadas [16-18]. Varios enfoques para el diseño de fármacos asistido por computadoras han sido introducidos en 2 Introducción Tabla 1.2. Estimado Global de la Población en Riesgo e Infestada con Enfermedades Tropicales. Enfermedades Países afectados Población en riesgo Población infestada Tropicales Malaria 103 2 100 000 000 267 000 000 Leismaniasis 80 350 000 000 12 000 000 Tripanosomiasis 36 50 000 000 >100 000 Africana Enfermedad de Chagas 21 90 000 000 17 000 000 Schistosomiasis 74 600 000 000 200 000 000 Filariasis linfática 76 905 000 000 78 600 000 Onchocerciasis 34 90 000 000 17 600 000 Lepra 121 1 600 000 000 100 000 000 la literatura [19-22]. Todos estos enfoques están basados en la relación existente entre la estructura química y las propiedades moleculares (físicas, físico-químicas