پیشگویی تمایل اتصال تعدادی از مشتقات ایماتینیب به‌عنوان مهارکننده‌های تیروزین کیناز بر اساس بهینه‌سازی مونت‌کارلو

مقدمه: بیماری لوسمی میلوئید مزمن نوعی از سرطان خون است که به تولید ژن جدیدی به نام bcr-abl منجر می‌‌شود و حاوی دستورالعمل تولید پروتئین تیروزین کیناز توسط سلول‌های غیرطبیعی خون است. داروی ایماتینیب برای درمان این سرطان استفاده می‌‌گردد که با مهار آنزیم تیروزین کیناز bcr-abl، از تکثیر سلول‌های سرطانی جلوگیری می‌‌‌‌کند.مواد و روش ها: به‌منظور پیشگویی تمایل اتصال 555 ترکیب از مشتقات ایماتینیب به‌عنوان مهارکنندۀ abl-bcr تیروزین کیناز، مدل‌سازی رابطۀ کمی ساختار-فعالیت (qsar) با استفاده از روش مونت‌کارلو انجام‌ شد. داده‌ها به‌صورت تصادفی به چهار سری آموزش، آموزش منفعل، کالیبراسیون و آزمون تقسیم و به‌صورت تصادفی 3 بار تکرار گردید.یافته های پژوهش: نتایج حاصل از سه تقسیم تصادفی، مدل‌های قابل‌اعتمادی را برای پیش‌‌بینی مجموعه آزمون‌‌های خارجی با ضریب همبستگی (r2) و ‌‌ضریب همبستگی اعتبارسنجی متقاطع (q2) در محدودۀ 0.8775-0.8575 و 0.7793-0.7620 نشان داد؛ درنتیجه، مدل‌های به‌دست‌آمده به شناسایی توصیفگرهای هیبریدی برای افزایش و کاهش تمایل اتصال (ki) به‌عنوان مهارکنندۀ bcr-abl تیروزین کیناز کمک می‌‌کنند. تفسیر مکانیکی مدل به‌صورت گزارشی از توصیفگرهای کاهنده و افزایندۀ pki  و همچنین مثال‌هایی از این توصیفگرها آمده است.بحث و نتیجه‌گیری: نتایج نشان می‌‌دهد که مدل‌های طراحی‌شده می‌‌تواند در تخمین اثر بیولوژیکی مشتقات ایماتینیب پیشنهادی توسط محققان و متخصصان شیمی دارویی بسیار موثر باشد؛ بنابراین، با صرف هزینه و زمان کمتر و پیش از انجام آزمایش‌های برون‌تن یا درون‌تن می‌‌توان آثار بیولوژیک احتمالی آن را پیش‌‌بینی کرد.

predicting binding affinity of some imatinib derivatives as bcr-abl tyrosine kinase inhibitors based on monte carlo optimization

introduction:  the imatinib drug is used to treat blood cancer by inhibiting the bcr-abl tyrosine kinase enzyme, which prevents the proliferation of cancer cells.materials & methods: in order to predict the binding affinity of 555 compounds of imatinib derivatives as abl-bcr tyrosine kinase inhibitors, quantitative structure-activity relationship (qsar) modeling was performed using the monte carlo method. the data were randomly divided into four series, including training, invisible training, calibration, and validation sets, as well as they were randomly repeated three times.results: the results of three random divisions indicated reliable models for predicting the set of external tests with correlation coefficient (r2) and cross-validation correlation coefficient (q2) in the range of 0.8575-0.8775 and 0.7620-0.7793. consequently, the obtained models help identify hybrid descriptors for increasing or decreasing binding affinity (ki) as bcr-abl tyrosine kinase inhibitors. the mechanical interpretation of the model is given in the form of a report of descriptors that decrease and increase pki, as well as examples of these descriptors.conclusion: the results reveal that the designed models can be considerably effective in estimating the biological effect of imatinib derivatives proposed by researchers and medicinal chemists. therefore, it is possible to predict its possible biological effects by spending less time and money before conducting in vitro or in vivo experiments.