Documentos de Académico
Documentos de Profesional
Documentos de Cultura
com
In-silico diseño de nuevos análogos de enalapril (inhibidores de la ECA) utilizando QSAR y modelos
de acoplamiento molecular
Jhon Alex Gonzalez Amaya, Daniella Zambrano Cabrera, Alejandra Mojica Matallana, Karen
Gonza lez Arevalo, James Guevara-Pulido *
Universidad El Bosque, Química Farmac eutica, Grupo de Investigación INQA, Av Cra 9 No 131A-02, 110121, Bogotá , Colombia
Palabras clave: Los inhibidores de la enzima convertidora de angiotensina (IECA) son un grupo de fármacos que se utilizan principalmente en
IECA el tratamiento de enfermedades cardiovasculares. En este estudio, se desarrollaron modelos MLR y PLS QSAR para evaluar la
QSAR actividad antihipertensiva de nuevos análogos de enalapril, mientras que las afinidades de unión entre cada análogo y ACE se
Unión cósmica
determinaron con AutoDock. En consecuencia, los análogos que presentan sustituciones para y meta trifluorometil, y una
IC50
amida N, N-dialquil alifática fueron los análogos más prometedores, exhibiendo un IC50 de 0,009 nM y energías de afinidad de
MLR
PLS 8,9 kcal / mol, superando las de enalapril. Además, se predijo que todos los análogos prometedores serían menos tóxicos que
el enalapril según el software PreADMET.
1. Introducción En los últimos años, la detección virtual se ha convertido en una parte integral
del proceso de descubrimiento de fármacos. Hay dos tipos de técnicas de
La hipertensión es una afección a largo plazo, a menudo considerada como un factor detección virtual: detección virtual basada en estructuras (SBVS) y detección virtual
de riesgo significativo de enfermedad cardiovascular. El control y la prevención de esta basada en ligandos (LBVS). SBVS utiliza la estructura 3D de un compuesto para
afección se han considerado fundamentales para la salud mundial [1]. Actualmente, predecir su afinidad de unión a un receptor [9], mientras que LBVS se utiliza para
existen varios tipos de fármacos disponibles para el tratamiento de la hipertensión, como predecir parámetros farmacológicos como el IC50 de un ligando, basado en su
los inhibidores de la renina, los bloqueadores de los receptores de angiotensina II (BRA) y relación estructura-actividad usando descriptores moleculares, y sin afinidades de
los inhibidores de la enzima convertidora de angiotensina (IECA). unión.
La enzima convertidora de angiotensina (ECA) es una dipeptidasa Una forma de evaluar la afinidad de unión entre un fármaco candidato y su
dependiente de zinc que cataliza la conversión de angiotensina I en receptor es mediante acoplamiento molecular, donde la simulación del proceso de
vasopresor angiotensina II [2]. Posee dos dominios catalíticos, (dominios N y acoplamiento del receptor de ligando permite el cálculo de funciones de
C), siendo el dominio C del pentapéptido responsable de la función de la puntuación que, a su vez, predicen la afinidad de unión entre el fármaco candidato
enzima [2]. La ECA es producida por células endoteliales presentes en, por y el receptor después de que se hayan acoplado [9].
ejemplo, el SNC, los riñones y los pulmones [3]. Por otro lado, LBVS usa descriptores moleculares de ligandos activos
Los inhibidores de la enzima convertidora de angiotensina (IECA) son un grupo conocidos, en lugar de la estructura del receptor, ya que teoriza que los ligandos
de fármacos utilizados en el tratamiento de patologías cardíacas como similares a los ligandos activos también mostrarán una actividad de unión similar
hipertensión, insuficiencia cardíaca congestiva, disfunción ventricular izquierda e al receptor [9]. Este tipo de cribado virtual relaciona cuantitativamente la
infarto de miocardio [4]. Los IECA actúan como potentes vasodilatadores al estructura con la actividad biológica de una familia de compuestos, conocida
bloquear la conversión de angiotensina I en angiotensina II, reduciendo así la como QSAR que, en base a la actividad de varios ligandos análogos, permite la
presión arterial al generar respuestas hipotensivas prolongadas [5]. predicción de IC50 valores para nuevos compuestos [10]. Actualmente, existen
En general, los IECA se han tolerado ampliamente. Sin embargo, los efectos varios modelos QSAR en los que la información disponible será fundamental para
adversos comunes incluyen tos [6], reacciones eccematosas [7], hipotensión, seleccionar el modelo más adecuado para un estudio. Por ejemplo, los basados
hiperpotasemia [4] y angioedema del intestino delgado [8]. La incidencia de casi en MLR y PLS se utilizan cuando hay pocos datos de entrada bien correlacionados,
todos estos efectos podría reducirse diseñando IECA con mayor afinidad por el mientras que cuando los datos son abundantes, se eligen modelos de aprendizaje
sitio activo de la ECA, menor IC50 valores y menor toxicidad. automático (por ejemplo, ANN, árboles de decisión, SVM) [9].
* Autor correspondiente.
Dirección de correo electrónico: coordinacionfacciencias@unbosque.edu.co (J. Guevara-Pulido).
https://doi.org/10.1016/j.imu.2020.100336
Recibido el 9 de enero de 2020; Recibido en forma revisada el 20 de abril de 2020; Aceptado el 24 de abril de 2020 Disponible
online el 15 de mayo de 2020
2352-9148 / © 2020 Los Autores. Publicado por Elsevier Ltd. Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND
(http://creativecommons.org/licenses/by-nc-nd/4.0/).
JA González Amaya y col. Informática en Medicina Desbloqueado 19 (2020) 100336
Teniendo en cuenta que la ECA desempeña un papel fundamental en el terapéutica biológicamente activa con mayor afinidad y eficacia que el fármaco
control de la presión arterial, la inhibición de su función ha sido el objetivo del original [23]. El diseño de fármacos basado en ligandos incluye el modelado QSAR
control de la hipertensión. San Juan y Cho [11], creó un modelo QSAR que muestra donde los modelos de regresión, clasificación y aprendizaje automático ayudan a
las características estructurales que el potencial IECA debe tener para inhibir el determinar las posibles relaciones estructura-actividad para predecir la actividad
dominio C de la enzima y, por lo tanto, dificultar su función. Primero, los IECA de nuevas moléculas debido a propiedades fisicoquímicas o descriptores
requieren un grupo carboxilo terminal para promover interacciones iónicas con el moleculares teóricos. Este enfoque se ha vuelto popular en los últimos años ya
sitio catiónico. En segundo lugar, deben presentar un aceptor de enlaces de que busca reducir el costo y el tiempo relacionados con el descubrimiento de
hidrógeno. Finalmente, necesitan un grupo funcional ionizable capaz de fármacos [24].
coordinarse con el Zn2þ ion. Además, los estudios han indicado que cualquier Primero, para la creación de los modelos QSAR usados en este estudio, se
grupo ionizable o radical hidrófobo adicional aumenta la eficacia de los candidatos modelaron antihipertensivos conocidos como enalapril en Avogadro. Luego, se
a IECA [3]. Además, otros modelos QSAR han determinado, a su vez, que la evaluaron varios descriptores moleculares con OCHEM [18] y VCCLAB [17]. Un
hidrofobicidad y la interacción polar de los IECA juegan un papel importante en su modelo QSAR basado en regresión relaciona la actividad biológica (variable
actividad inhibidora [12,13]. Además, estudios recientes que utilizan modelos dependiente) con un conjunto de descriptores moleculares (variable
lineales han arrojado resultados prometedores, como destacar que las posiciones independiente) que resulta en una ecuación matemática que correlaciona estas
C-1 y C-4 de posibles oligopéptidos IECA son las más relevantes para aumentar su dos variables. En este estudio, se utilizaron modelos MLR y PLS para relacionar los
actividad inhibidora [14]. descriptores moleculares con la actividad antihipertensiva (IC50). Los descriptores
El desarrollo de análogos de IECA a través de modelos QSAR mediante moleculares examinados según la literatura fueron área superficial polar
regresiones MLR y PLS es una de las prioridades de la medicina moderna debido a topológica, carga formal, coeficiente de partición octanol-agua, punto isoeléctrico,
la posibilidad de descubrir análogos de IECA con perfiles clínicos más favorables potencial de ionización, refractividad molar, área superficial de van der Waals,
que los actualmente en uso [3]. Sin embargo, el perfil toxicológico de los nuevos densidad electrónica, momento dipolar y pKa. Entre los descriptores moleculares
IECA debe considerarse ya que un candidato a fármaco puede resultar más examinados, solo aquellos con una relación lineal con el IC experimental50 Se
potente y específico para el objetivo, pero más dañino que los IECA que se utilizan seleccionaron valores para describir la muestra y desarrollar un modelo QSAR que
actualmente. Recientemente, se han desarrollado modelos predictivos para pudiera predecir la IC50 valores. Con base en los resultados, solo se eligieron el
evaluar la seguridad de los medicamentos, ya que son económicos, ecológicos y coeficiente de partición, la refractividad molar y el momento dipolar.
se pueden realizar antes de sintetizar un compuesto [15].
Los modelos MLR y PLS deben examinarse en términos de la calidad
2. Materiales y métodos estadística de sus resultados para evaluar su capacidad predictiva. Un modelo con
mayor calidad estadística producirá predicciones más fiables y precisas [25]. La
Primero, para realizar LBVS, descriptores moleculares asociados con la calidad estadística de un modelo se puede evaluar mediante el coeficiente de
actividad IECA y una adecuada conjunto de entrenamiento (antihipertensivos determinación (R2), Método de Fisher (F) y desviación estándar (es). Sin embargo,
comerciales y no comerciales) se identificaron de acuerdo con la literatura. Los también se debe considerar el número de variables independientes incluidas en
ACEI de referencia se crearon y optimizaron en Avogadro [dieciséis], a través del los modelos, ya que debe haber una variable por cada cinco o seis compuestos del
análisis conformacional utilizando el método de búsqueda aleatoria de conjunto de entrenamiento [26]. tabla 1muestra datos de descriptores
conformadores de rotor y un campo de fuerza MMFF94. moleculares e IC predicho50 para ACEI comercial y no comercial utilizado para el
Entonces, el VCCLAB [17], el programa se utilizó para calcular los valores de desarrollo de los modelos MLR y PLS QSAR a través de MATLAB. El ACEI comercial
aquellos descriptores moleculares donde aquellos descriptores constitucionales y y no comercial
topológicos con una relación lineal con el IC experimental50 (a través de ORIGIN
8.5) fueron seleccionados para desarrollar un modelo QSAR que podría predecir IC tabla 1
50 valores. Datos de descriptores moleculares, CI experimental y predicha50 de equipos de entrenamiento y prueba.
La correlación entre los descriptores moleculares y IC50 de Elconjunto de
entrenamiento se exploró utilizando modelos MLR y PLS QSAR. Los datos de Compuesto Registro P AMR DMo IC50 IC50 IC50
referencia para evaluar la calidad de los modelos establecidos y sus respectivos (nM) Exp (Nuevo Méjico) (nM) PLS
resultados se obtuvieron de la base de datos OCHEM [18]. Ambos modelos QSAR MLR
producen ecuaciones que predicen el IC50 de nuevos análogos ACEI. Asimismo, Enalapril 0,09 85,0 12,9 1.2 [3] 1,5 1,6
para realizar SBVS [9], las afinidades de unión entre moléculas del conjunto de Imidapril 0,04 92,3 6,20 1,7 [3] 2.0 2.1
entrenamiento y ACE se determinaron mediante AutoDock Vina [19], con campo Lisinopril 1,23 96,7 5,82 1.2 [3] 1.2 1.2
Moexipril 0,89 122 5,05 2.6 [3] 2.9 3.3
de fuerza AutoDock4Zn [20].
Perindopril 0,08 76,6 8,79 1,5 [3] 1.2 1.2
A continuación, los análogos de IECA se diseñaron de acuerdo con los Quinapril 0,81 109 7.60 2.8 [3] 2.0 2.1
requisitos estructurales establecidos en la literatura donde se estudiaron Ramipril 0,54 95,3 3,40 2.0 [3] 1,9 2.0
principalmente los derivados de enalapril. Después de su diseño, los análogos de Espirapril 0,90 109 11,1 0,8 [3] 0,9 0,9
ACEI se caracterizaron primero mediante un análisis conformacional utilizando Trandolapril 0,77 98,3 7.09 1.3 [3] 1.2 1.3
Benazepril 0,62 102 1,70 1,7 [3] 2.6 2,7
Avogadro [dieciséis] y Conf-Gen [21], segundo por el cálculo de sus descriptores
Cilazapril 0,48 92,5 6,42 1,9 [3] 1,9 1,9
moleculares y IC50 con modelos QSAR y, en tercer lugar, mediante la medición de Temocapril 0,89 115 2,69 3.6 [3] 3.3 3.6
sus afinidades de unión a través de AutoDock 4.2.6 [19]. A continuación, los CHEMBL100413 0,91 117 3,86 1,7 [27] 2.4 2.5
resultados se compararon con los de laconjunto de entrenamiento donde dos CHEMBL100826 1,14 120 9.58 2.3 [27] 3,0 3.3
CHEMBL101409 0,74 114 5.74 11 [27] 9.0 11,1
análogos se mostraron más prometedores ya que exhibieron un IC más bajo50
CHEMBL317304 0,64 103 8.58 6,7 [27] 6.1 7.4
valores y mayores afinidades de unión a ACE. CHEMBL431052 0,38 86,6 12,4 3,5 [27] 2.1 2.3
Posteriormente, se realizaron más de 200 modificaciones estructurales a los CHEMBL2111940 0,62 122 10,9 4.8 [27] 3.2 3.6
dos prometedores análogos de ACEI y se obtuvieron nuevamente datos de los CHEMBL2112767 0,78 89,8 16,3 17 [27] 12,1 15,9
modelos MLR, PLS y AutoDock. Sin embargo, este paso del proceso también CHEMBL2112768 0,62 122 19,8 3 [27] 2.8 3.2
CHEMBL2112769 0,61 119 12,9 7.7 [27] 4.6 5.5
incluye el uso de PyMOL [22]. Finalmente, se predijo el perfil de toxicidad de los
CHEMBL2371228 0,47 71,9 2.22 1,9 [27] 0,7 0,7
cinco análogos más prometedores usando PreADMET [15]. CHEMBL2371229 0,38 80,3 18.0 230 152 198
[27]
3. Resultados y discusión CHEMBL3037879 2,50 68,8 10,2 700 459 513
[27]
La metodología buscó producir híbridos estructurales de un Log P (coeficiente de partición P), AMR (refractividad molar), DMo (momento dipolar).
2
JA González Amaya y col. Informática en Medicina Desbloqueado 19 (2020) 100336
se dividen en dos subconjuntos de datos: el conjunto de entrenamiento (primeros 17 aceptador de bonos. Durante la Fase I, se crearon 19 moléculas diferentes
compuestos,tabla 1) y el equipo de prueba (últimos 7 compuestos, tabla 1) que se utilizan modificando el grupo R en enalapril (Fig. 3). Estas modificaciones
para estimar la precisión del rendimiento del modelo cuando se aplica a nuevos análogos estructurales se realizaron considerando que la estructura de enalapril
de IECA [10,25]. presenta dos aminoácidos (ALA-PRO). La hipótesis de este estudio se basa en
Las ecuaciones producidas por los modelos MLR y PLS respectivamente se presentan modificar el residuo de alanina por otro aminoácido (Fig. 3). Por lo tanto, la
de la siguiente manera: naturaleza peptídica de la molécula seguiría siendo la misma y solo la
1
registro ¼10:567ð 0:328Þþ0:248ð 0:045ÞðlogPÞ2
IC50
(1)
þ0:049ð 0:005ÞlogP 0:021ð 0:003ÞAMRþ
0:074ð 0:008ÞDMO
R2 ¼ 0,968
1
registro ¼10:77960þ0:27168DlogPÞ2 þ0:05350logP 0:02308AMR
IC50
þ 0:00584DMO
(2)
R2 ¼ 0,956
Con base en las ecuaciones anteriores, se puede observar que ambos modelos
muestran un alto R2 y valores F (R2 > 0,96) y valores de s bajos, lo que indica que
presentan una alta capacidad predictiva. Sin embargo, entre los dos, el modelo
MLR tiene la mayor calidad estadística.Higos. 1 y 2ilustrar la relación entre CI
experimental50 (de la literatura) e IC predicho50 de ambos capacitación y conjuntos
Figura 2. Relación entre CI experimental50 (de la literatura) e IC predicho50 de
de prueba (tabla 1) derivado de los modelos MLR y PLS. Ambas figuras muestran varios ACEI comerciales y no comerciales derivados del modelo PLS. Los puntos de
una relación casi lineal entre los datos que indica un comportamiento adecuado datos del conjunto de entrenamiento y prueba se utilizan para estimar la
para ambos subconjuntos de datos. Con el fin de reducir la variabilidad, múltiples capacidad predictiva del modelo.
rondas de validación cruzada utilizando diferentescapacitación y conjuntos de
prueba Se renderizaron particiones para estimar el rendimiento predictivo de los
modelos.
Una vez que se desarrollaron los modelos QSAR, se diseñaron 19 análogos de
enalapril (Fig. 3) de acuerdo con los requisitos estructurales mencionados
anteriormente, que incluyen un grupo carboxilo terminal, un oxígeno como
aceptor de electrones, un grupo funcional ionizable que se adapta a la geometría
molecular de la enzima y un grupo carbonilo de amida como hidrógeno
3
JA González Amaya y col. Informática en Medicina Desbloqueado 19 (2020) 100336
4
JA González Amaya y col. Informática en Medicina Desbloqueado 19 (2020) 100336
Figura 5. Se realizaron modificaciones adicionales sobre los análogos 6 y 14, para evaluar la influencia de la sustitución del anillo aromático.
Figura 6. Otro conjunto de modificaciones realizadas sobre los análogos 6 y 14 para evaluar la influencia de la sustitución del anillo de prolina.
5
JA González Amaya y col. Informática en Medicina Desbloqueado 19 (2020) 100336
Figura 7. Estructura de los dos análogos de enalapril más prometedores diseñados durante la Fase 2. Analog 20 presenta meta sustituciones mientras que analógico 21 presenta
sustituciones para.
Cuadro 4
IC pronosticado50 mediante el modelo MLR QSAR, energía intermolecular ligando-enzima mediante acoplamiento molecular y evaluaciones de toxicidad PreADMET para enalapril y para
los IECA más prometedores de la Fase I y la Fase II.
Enalapril 6 14 20 21
Modelo MLR QSAR IC pronosticado50 nM (MLR) 1,2 (1,2)a 1.3 1.1 0,009 0,009
Acoplamiento molecular Intermolecular 7,50 10.11 9.48 8,90 9.30
Energía (kcal / mol)
Toxicidad PreADME Algae_at 0.0263535 0.0547759 0.0443204 0.0002601 0.0005878
Carcino_Rat Positivo Positivo Negativo Positivo Negativo
Carcino_Mouse Negativo Negativo Negativo Negativo Negativo
Daphnia_at 0.132963 0.521971 0.411032 0,000911 0,0023671
Ames_test No mutagénico No mutagénico No mutagénico No mutagénico No mutagénico
a CI experimental50 [3].
4. Conclusión Agradecimientos
Los modelos MLR y PLS QSAR se desarrollaron para predecir la actividad Este trabajo fue financiado por la Vicerrectoría de Investigaciones
antihipertensiva de los análogos de enalapril. Ambos modelos demostraron calidad de la Universidad El Bosque PCI-2015-8218 Disen~o de fa rmacos anti
estadística al producir r2-valores superiores a 0,97, valores de F relativamente altos y hipertensivos (IECAS) por una metodología QSAR.
valores de s bajos. Estos modelos, junto con el acoplamiento molecular, se utilizaron para
predecir la afinidad de unión y la actividad antihipertensiva de más de 200 nuevos Apéndice A. Datos complementarios
análogos de IECA. Los que presentaban sustituciones para y meta trifluorometil
aromáticas y una amida N, N-dialquil alifática resultaron ser los mejores candidatos. Los Se pueden encontrar datos complementarios a este artículo en línea en https: // doi.
análogos de IECA más prometedores fueron el 20 y el 21 ya que presentaron un IC50 de org / 10.1016 / j.imu.2020.100336.
0,009 nM y afinidades de unión de 8,90 y 9,30 kcal / mol respectivamente, obteniendo
mejores resultados que los de enalapril (IC50 1,2 nM y energía de enlace de 7,50 kcal / Referencias
mol). En cuanto a las evaluaciones de toxicidad, ambos análogos fueron menos
ecotóxicos que enalapril y ambos se presentaron como no mutagénicos en unen silico [1] Melgarejo, JD; Maestre, GE; Thijs, L .; Asayama, K .; Boggia, J .; Casiglia, E .; Hansen,
TW; Imai, Y .; Jacobs, L .; Jeppesen, J .; et al. Tasas de prevalencia, tratamiento
estudio de seguridad de los medicamentos. Sin embargo, solo 21 demostraron ser no (2017) y control de la hipertensión convencional y ambulatoria en 10 poblaciones
cancerígenos tanto en líneas celulares de rata como de ratón, mientras que 20 solo de 3 continentes. Hipertensión 70 (1), 50–58. DOI: 10.1161 /
presentaron características no cancerígenas en líneas celulares de ratón. Por lo tanto, se HYPERTENSIONAHA.117.09188.
[2] Portal de recursos de bioinformática ExPASy. Entrada ENZIMA: 3.4.15.1.https: // enzima. expasy.org/
puede concluir ampliamente que unen silicoLa metodología puede contribuir al diseño y
EC/3.4.15.1. [Consultado el 11 de septiembre de 2019].
descubrimiento de nuevos antihipertensivos con mayor actividad biológica que los que [3] Regulska K, Stanisz B, Regulski M, Murias M. Cómo diseñar un inhibidor de la enzima
se utilizan actualmente. convertidora de angiotensina potente, específico y estable. Drug Discov Today 2014; 19
(11): 1731–43.https://doi.org/10.1016/j.drudis.2014.06.026.
[4] Charria García DJ, Guerra Leo n PA, Manzur Jattin F, Llamas Jim enez A, Rodríguez
Declaración ética Guerrero NI, Sandoval Reyes NF, Melgarejo Rojas E. Fa rmacos en La enfermedad
cardiovascular. En:Texto de Cardiología; Sociedad colombiana de cardiología y
cirugía cardiovascular; 2007. p. 1072–6. Bogota .
N/A [5] Gums JG. Uso de inhibidores de la ECA en el tratamiento de enfermedades cardiovasculares. Am
Pharm 1992; NS32 (6): 62–70.
[6] Yilmaz I_. Los inhibidores de la enzima convertidora de angiotensina inducen tos. Turco.
Thorac. J. 2019; 20 (1): 3642.https://doi.org/10.5152/TurkThoracJ.2018.18014.
Declaración de intereses en competencia [7] Venal GA, Cassano N, Coco V, De Simone C. Reacciones eccematosas debidas a inhibidores de la
enzima convertidora de angiotensina o bloqueadores del receptor de angiotensina II.
Ninguno declarado
6
JA González Amaya y col. Informática en Medicina Desbloqueado 19 (2020) 100336
Immunopharmacol Immunotoxicol 2013; 35 (3): 447–50. https://doi.org/10.3109/ publicación de información química. J Comput Aided Mol Des 2011; 25 (6): 533–54.
08923973.2013.79799. https://doi.org/10.1007/s10822-011-9440-2.
[8] Wilin KL, Czupryn MJ, Mui R Mui, Renno A, Murphy JA. Angioedema del intestino delgado [19] Morris GM, Huey R, Lindstrom W, Sanner MF, Belew RK, Goodsell DS, Olson AJ. AutoDock4 y
inducido por inhibidores de la ECA: reporte de un caso y revisión de la literatura. J Pharm AutoDockTools4: acoplamiento automático con flexibilidad de receptor selectivo. J
Pract 2018; 31 (1): 99–103.https://doi.org/10.1177/0897190017690641. Comput Chem 2009; 30 (16): 2785–91.https://doi.org/10.1002/ jcc.21256.
[9] Carpenter KA, Cohen DS, Jarrell JT, Huang X. Aprendizaje profundo y detección virtual de
drogas. Future Med Chem 2018; 10 (21): 2557–67.https://doi.org/10.4155/fmc-2018-0314. [20] Santos-Martins D, Forli S, Ramos MJ, Olson AJ. AutoDock4Zn : un campo de fuerza AutoDock
mejorado para el acoplamiento de moléculas pequeñas a metaloproteínas de zinc. J Chem
[10] Aykul S, Martinez-Hackert E. Determinación de la concentración inhibitoria media máxima Inf Model 2014; 54 (8): 2371–9.https://doi.org/10.1021/ci500209e.
mediante el análisis de interacción de proteínas basado en biosensores. Anal Biochem 2016; [21] Watts KS, Dalal P, Murphy RB, Sherman W, Friesner RA, Shelley JC. ConfGen: un método de
(508): 97–103.https://doi.org/10.1016/j.ab.2016.06.025. búsqueda conformacional para la generación eficiente de confórmeros bioactivos.
[11] San Juan AA, Cho SJ. Estudios 3D-QSAR sobre inhibidores de la enzima convertidora de J Chem Inf Model 2010; 50 (4): 534–46. https://doi.org/10.1021/ci100015j.
angiotensina (ECA): un diseño molecular en agentes hipertensivos. Bull Kor Chem Soc [22] DeLano WL. El sistema de gráficos moleculares PyMOL. 2002 [San Carlos, CA].
2005; 26 (6): 952–8.https://doi.org/10.5012/bkcs.2005.26.6.952. [23] Meng XY, Zhang HX, Mezei M, Cui M. Acoplamiento molecular: un enfoque poderoso para el
[12] Prabhakar YS, Gupta SP. Estudio de la relación estructura-actividad sobre inhibidores de descubrimiento de fármacos basado en estructuras. Curr Comput Aided Drug Des 2011; 7 (2): 146–
la enzima convertidora de angiotensina-investigación de la interacción hidrofóbica en el 57.https://doi.org/10.2174/157340911795677602.
mecanismo de inhibición. J. Revista india de bioquímica y biofísica 1985; 22: 318-20. [24] Roy K, Kar S, Das RN. Comprender los conceptos básicos de QSAR para aplicaciones en ciencias
PMID: 3009312. farmacéuticas y evaluación de riesgos. Academic Press, un sello editorial de Elsevier; 2015.
[13] Yan W, Lin G, Zhang R, et al. Estudios sobre el mecanismo molecular entre la ECA y los
péptidos inhibidores en diferentes bioactividades mediante simulaciones 3D-QSAR y MD. [25] Patrick Graham L. Introducción a la química médica. quinta ed. Oxford: Oxford
J Mol Liq 2020. https://doi.org/10.1016/j.molliq.2020.112702. University Press; 2013. Quinta edición- Graham L. Patrick.
[14] Sagardia I, Roa-Ureta RH, Bald C. Un nuevo modelo QSAR, para oligopéptidos inhibidores de [26] López A, Santos MD, García MJ. Modelos "in silico" para La prediccio n de La
la enzima convertidora de angiotensina I. Food Chem 2013; 136 (3–4): 1370–6.https: // doi. absorcion de F armacos administrados por vía oral (SIMCYP®): estatinas.
org / 10.1016 / j.foodchem.2012.09.092. FarmaJournal 2017; 2 (2): 69–79.https://doi.org/10.1111/1755-5922.12094.
[15] Lee SK, Lee IH, Kim HJ, Chang GS, Chung JE, No KT. Enfoque PreADME: programa basado en la web [27] Kim S, Chen J, Cheng T, Gindulyte A, He J, He S, Li Q, Shoemaker BA, Thiessen PA, Yu B,
para la predicción rápida de propiedades físico-químicas, de absorción de fármacos y similares a Zaslavsky L, Zhang J, Bolton EE. Actualización de PubChem 2019: acceso mejorado a datos
las de los fármacos. En: Ford M, Livingstone D, John D, de Waterbeend, Van H, editores. EuroQSAR químicos. Res de ácidos nucleicos 2019; 47 (D1): D1102–9.https://doi.org/10.1093/ nar /
2002 Diseño de fármacos y protectores de cultivos: procesos, problemas y soluciones. Boston, gky1033.
Massachusetts: Blackwell Publishing Inc; 2003. p. 218–420. [28] Mandal S, Moudgil M, Mandal SK. Diseño racional de fármacos. Eur J Pharmacol 2009; 625
[16] Hanwell MD, Curtis DE, Lonie DC, Vandermeersch T, Zurek E, Hutchison GR. Avogadro: (1-3): 90-100.https://doi.org/10.1016/j.ejphar.2009.06.065.
un editor químico semántico avanzado, una plataforma de visualización y análisis. J [29] Ferreira L, dos Santos R, Oliva G, Andricopulo A. Estrategias de diseño de fármacos basados en
Cheminf 2012; 4 (1): 17.https://doi.org/10.1186/1758-2946-4-17. estructuras y acoplamiento molecular. Moléculas 2015; 20 (7): 13384–421.https://doi.org/ 10.3390 /
[17] Tetko IV, Gasteiger J, Todeschini R, Mauri A, Livingstone D, Ertl P, Palyulin VA, moleculas200713384.
Radchenko EV, Zefirov NS, Makarenko AS y otros. Laboratorio virtual de química [30] Natesh R, Schwager SLU, Sturrock ED, Acharya KR. Estructura cristalina del complejo
computacional - diseño y descripción. J Comput Aided Mol Des 2005; 19 (6): 453–63. lisinopril-enzima convertidora de angiotensina humana. Nature 2003; 421 (6922): 551–4.
https://doi.org/10.1007/s10822-005-8694-y. https://doi.org/10.1038/nature01370.
[18] Sushko I, Novotarskyi S, Ko €rner R, Pandey AK, Rupp M, Teetz W, Brandmaier S, [31] Trott O, Olson AJ. AutoDock Vina: mejora la velocidad y la precisión del acoplamiento con
Abdelaziz A, Prokopenko VV, Tanchuk VY, et al. Entorno de modelado químico en línea una nueva función de puntuación, optimización eficiente y subprocesos múltiples. J
(OCHEM): plataforma web para almacenamiento de datos, desarrollo de modelos y Comput Chem 2010; 31 (2): 455–61.https://doi.org/10.1002/jcc.21334.