Métodos in Silico para el estudio de las interacciones entre fármacos y sus blancos proteicos
Resumen
Los métodos in silico son un conjunto de herramientas informáticas teóricas que analizan y correlacionan una serie de parámetros físicos, químicos y matemáticos con la finalidad de estudiar el comportamiento de fármacos y sus blancos terapéuticos proteicos, estos estudios relacionan datos experimentales y datos teóricos de las interacciones fármaco-proteína basados en descriptores moleculares. Entre estos métodos los más relevantes se encuentran el docking molecular, que relaciona la dinámica molecular entre estructuras fármaco-proteína y el método de relación estructura actividad o QSAR que correlaciona parámetros fisicoquímicos, electrónicos y estéricos de fármacos con su actividad biológica. Los resultados matemáticos obtenidos mediante estos métodos permiten generar una serie de predicciones de inter relación teórico-experimental.
Descargas
Citas
Mihasan M.. What in silico molecular docking can do for the banch-working biologist. J. Biosci 2012; 37: 1089-95.
Kontoyianni M. Docking and Virtual Screaning in Drug Discovery. MMBiolgy 2017; 1647: 255–65.
Choi J, Lee J. V-Dock: Fast Generation of Novel Drug-like Molecules Using Machine-Learning-Based Docking Score and Molecular Optimitation. Int. J. Mol. Sci 2021; 11635(22): 1-18.
Batool M, Ahmad B, Choi S. A Structure-Based Drug Discovery Paradigm. Int. J. Mol. Sci. 2019; 2783(20): 1-18.
Wang T, Wu Main-Bin, Chen Zheng-Jie, Chen H, Lin Jian-Ping, Yang Li-Rong. Fragment-Based Drug Discovery and Molecular Docking in Drug Desing. CPhBio. 2015; 16(1): 11–25.
Yuriev E, Holien J, Ramsland P A. Improvements, trends, and new ideas in molecular docking: 2012-2013 in review. J. Mol. Recognit, 2015; 28: 581-04.
Yan Y, Zhang D, Zhou P, Li B, Huang Sheng-You. HDOCK: a web server for protein-protein and protein-DNA/RNA docking based on hybrid strategy.Nucleic Acid Research. 2017; 45: 365–73.
Schweiker S S, Levonis S M. Navigating the intricacies of molecular docking. Future Med. Chem. 2020: 1-4.
Dallakyan S, Olson A J. Small-Molecule Library Screeaning by Docking with PyRx. Chem Biology. 2015; 1263: 243–51.
Menin S, Pavan M, Salmaso V, Sturlese M, Moro S. Thermal Titration Molecular Dynamics (TTMD): Not Your Usual Post-Docking Refinement. Int. J. Mol. Sci. 2023; 3596(24): 1–22.
Tingle B I, Irwin J J. Large-Scale Docking in the Cloud J. Chem. Int Model. 2023; 63: 2735-41.
Potemkin V, Grishina M. Principles for 3D/4D QSAR classification of drugs. Drug Discovery Today. 2008;13(21-22): 952-60.
Bahia M S, Kaspi O, Touitou M, Binayev I, Dhail S, Spiegel S et al. A comparison between 2D and 3D descriptors in QSAR modeling based on bio-active conformations. Mol. Inf. 2023;42: 1-12.
Nikonenko A, Zankov D, Baskin I, Madzhidov T, Polishchuk P. Multiple Conformer Descriptors for QSAR Modeling. Mol Inf. 2021;40: 1-12.
Clark R D. Prospective Ligand and Target-Based 3D QSAR: State of the Art 2008. Current Topics in Med. Chem. 2009;9(9): 791-311.
Wilkes J, Stoyanova-Slovova I, Buzatu D. Alignment-independent technique for 3D QSAR analysis. J. Compur Aided Mol.Des. 2016;30: 331-45.
Cramer R, Wendt B. Pushingthe boundaries of 3D QSAR. Compur Aided Mol.Des. 2007; 21: 23-32.
Wang Yu-Liang, Wang F, Shi Xing-Xing, Jia Chen-Yang, Wu Feng-Xu, Hao Ge-Fei, et al. Cloud 3D-QSAR: a web tool for the development of quantitative structure-activity relationship models in drug discovery. Briefings in Bioinformatics. 2021; 22(4): 1-8.
Myint K Z, Xie Xiang-Qun. Recent Advances in Fragment-Based QSAR and Multi-Dimensional QSAR Methods. Int. J. Mol. Sci. 2010; 11: 3846-67.
Cramer R D. Rethinking 3D QSAR. J. Comput Aided Mol. Des. 2011; 25: 197-201.
Bak A. Two Decades of 4D-QSAR: A Dying Art or Staging a Comback?. Int. J. Mol.Sci. 2021; 5212(22): 1-23.
Doweyko A M. 3D-QSAR illusions. J. Compur Aided Mol.Des.2004; 18: 587-96.
Derechos de autor 2024 Ricardo G. Martinez Daniel
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-SinObrasDerivadas 4.0.
