مطالعه qsarمهارکننده‌های پروتئاز با استفاده از توصیفگرهای محاسباتی جهت پیش‌بینی pki مشتقات حلقوی اوره

همواره پیشگیری و کاهش سرعت تکثیر ویروس hiv (اچ آی وی) یک دغدغه در علم پزشکی بوده است. یکی از راه‌های متداول در مهار ویروس این بیماری استفاده از داروهای مهار‌کننده آنزیم است.ازجمله این آنزیم‌ها می‌توان به آنزیم پروتئاز اشاره کرد. در این مطالعه سعی بر آن بوده است که فعالیت بیولوژیکی (pki) مشتقات آلی اوره در ترکیبات مهارکننده پروتئاز پیش‌بینی شود و بدین منظور از مدل‌سازی مولکولی استفاده‌شده و با استفاده از qsar (quantitative structure activity relationship) که اساس آن مطالعه کمی بین ساختار و فعالیت است مدل‌هایی ارائه شد. در این تحقیق ساختار شیمیایی 41 ترکیب توسط نرم‌افزار گوسین09 بهینه گردید و خواص دیگر موردنیاز (توصیفگرها)با استفاده از نرم‌افزار‌ها به دست آمد. سطح به‌کاربرده شده در محاسبات b3lyp و سری حالت پایه *631gبود. سپس تست‌های اعتبارسنجی بر روی مدل‌های به‌دست‌آمده انجام شد. نتایج داده‌های آماری موردقبول بودند. با توجه به متغیرهای موثر در مدل‌ها ‌می‌شود فعالیت بیولوژیکی را پیش‌بینی و جهت طراحی مناسب دارو استناد نمود.

A QSAR Study of HIV Protease Inhibitors Using Computational Descriptors to Prediction of pki of Cycle Derivatives of Urea

Preventing and reducing the spread of HIV (HIV) has always been a concern in medical science. One of the most common ways to control the virus is using enzymeblocking drugs. In this study, we attempted to predict the biological activity (PKi) of organic urea derivatives in protease inhibitor compounds using molecular modeling using QSAR (Quantitative Structure Activity Relation), which is the basis of quantitative study of the structure between And there is activity. Models were presented. In this study, the chemical structure of 41 compounds was optimized by Gaussian 09 software and other properties (descriptors) were obtained using software. The level used in B3LYP calculations and ground state series was 631G *. Validation tests were then performed on the obtained models. The results of the statistical data were acceptable. Given the effective variables in the models, it predicts biological activity and invokes appropriate drug design.