Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô Hình Tự Tương Quan 2D của Hoạt Động Ức Chế của Các Chất Ức Chế Kinase Phụ Thuộc Cyclin Có Nguồn Gốc Từ Cytokinin
Tóm tắt
Hoạt động ức chế đối với enzyme p34 cdc2/cyclin b kinase (CBK) của 30 hợp chất có nguồn gốc từ cytokinin đã được mô hình hóa thành công bằng cách sử dụng các vectơ tự tương quan không gian 2D. Các mô hình hồi quy tuyến tính và phi tuyến tính dự đoán đã được xác định thông qua phân tích hồi quy đa biến từng bước (MRA) và phương pháp mạng nơron nhân tạo (ANN) tương ứng. Một quy trình chọn biến đã chọn thông tin phi tuyến tính có liên quan từ tập dữ liệu được áp dụng trước khi đào tạo mạng. Mạng ANN tốt nhất với ba biến đầu vào có thể giải thích khoảng 87% phương sai dữ liệu so với 80% bởi phương trình tuyến tính sử dụng cùng một số mô tả. Tương tự, mạng nơron có sức mạnh dự đoán cao hơn. Mô hình MRA cho thấy sự phụ thuộc tuyến tính giữa các hoạt động ức chế và sự phân bố không gian của khối lượng, độ âm điện và thể tích van der Waals trên các phân tử ức chế. Trong khi đó, mô hình ANN chứng minh sự xuất hiện của các mối quan hệ phi tuyến tính giữa hoạt động ức chế và sự phân bố khối lượng ở các khoảng cách hình thái học khác nhau trên các hợp chất có nguồn gốc từ cytokinin. Hơn nữa, các chất ức chế được phân bố tốt theo các mức độ hoạt động của nó trong một bản đồ tự tổ chức Kohonen (SOM) được xây dựng bằng cách sử dụng các biến đầu vào của mạng nơron tốt nhất.
Từ khóa
#ức chế kinase #cytokinin #hồi quy đa biến #mạng nơron nhân tạo #tự tương quan không gian #phân bố khối lượng #hoạt động ức chếTài liệu tham khảo
Aoyama, T., Suzuki, Y., Ichikawa, H., 1990. Neural networks applied to structure–activity relationships. J. Med. Chem. 33, 905–908.
Arris, C.E., Boyle, F.T., Calvert, A.H., Curtin, N.J., Endicott, J.A., Garman, E.F., Gibson, A.E., Golding, B.T., Grant, S., Griffin, R.J., Jewsbury, P., Johnson, L.N., Lawrie, A.M., Newell, D.R., Noble, M.E.M., Sausville, E.A., Schultz, R., Yu, W., 2000. Identification of novel purine and pyrimidine cyclin-dependent kinase inhibitors with distinct molecular interactions and tumor cell growth inhibition profiles. J. Med. Chem. 43, 2797–2804.
Bauknecht, H., Zell, A., Bayer, H., Levi, P., Wagener, M., Sadowski, J., Gasteriger, J., 1996, Locating biologically active compounds in medium-sized heterogeneous datasets by dopological autocorrelation vectors: Dopamine and benzodiazepine agonist. J. Chem. Inform. Comput. Sci. 36, 1205–1213.
D'Agostino, I.B., Kieber, J.J., 1999. Molecular mechanisms of cytokinin action. Curr. Opin. Plant Biol. 2, 359–364.
Demuth, H., Beale, M., 2003a. Neural Network Toolbox User's Guide for Use with MATLAB, 4th edn. The Mathworks Inc., Massachusetts, pp. 51–61, Chapter 5.
Demuth, H., Beale, M., 2003b. Neural Network Toolbox User's Guide for Use with MATLAB, 4th edn. The Mathworks Inc., Massachusetts, pp. 9–23, Chapter 8.
Devillers, J., 1999. Autocorrelation descriptors for modelling (eco)toxicological endpoints. In: Devillers, J., Balaban, A.T. (Eds.), Topological Indices and Related Descriptors in QSAR and QSPR. Gordon and Breach Science Publishers, pp. 595–612.
Devillers, J., Domine, D., 1997. Comparison of rehability of log P values calculated from a group contribution approach and from the autocorrelation method. SAR QSAR Environ. Res. 7, 195–232.
Dewar, M.J.S., Zoebisch, E.G., Healy, E.T., Stewart, J.J.P., 1985. AME: New general purpose quantum mechanical molecular model. J. Am. Chem. Soc. 107, 3902–3910.
Frank, J., 1993. Seiler Research Laboratory, MOPAC version 6.0. U.S. Air Force Academy.
Gasteiger, J., Zupan, J., 1995. Neural networks in chemistry. Angew. Chem. Int. Ed. Engl. 32, 503–527.
Gasteiger, J., Li, X., 1994. Abbildung elektrostatischer Potentiale muscarinischer und nicotinischer Agonisten mit künstlichen neuronalen Netzen. Angew. Chem. 106, 671–674.
Geary, R.F., 1954. The contiguity ratio and statistical mapping. Incorp. Stat. 5, 115–145.
González, M.P., Helguera, A.M., González-Díaz, H., 2004. A TOPS-MODE approach to predict permeability coefficients. Polymer 45, 2073–2079.
González, M.P., Terán, C., 2004a. A TOPS-MODE approach to predict adenosine kinase inhibition. Bioorg. Med. Chem. Lett. 14, 3077–3079.
González, M.P., Terán, C., 2004b. QSAR study of N6-(substituted-phenylearbamoyl) adenosine-5′-uronamides as agonist for A1 adenosine receptors. Bull. Math. Biol. 66, 907–920.
Guo-Zheng, L., Jie, Y., Hai-Feng, S., Shang-Sheng, Y., Wen-Cong, L., Nian-Yi, C., 2004. Semiempirical quantum chemical method and artificial neural networks applied for λmax. Computation of some azo dyes. J. Chem. Inform. Comput. Sci. 44, 2047–2050.
Haberer, G., Kieber, J.J., 2002. Cytokinins, new insights into a classic ophytohormone. Plant Physiol. 128, 354–362.
Havlíček, I., Hanuš, J., Veselý, J., Leclere, S., Meijer, I., Shaw, G., Strnad, M., 1997. Cytokinin-derived cyclin-dependent kinase inhibitors: Synthesis and cdc2 inhibitory activity of olomoucine and related compounds. J. Med. Chem. 40, 408–412.
Hawkins, D.M., 2004. The problem of overfitting. J. Chem. Inform. Comput. Sci. 44, 1–12.
Hemmateenejad, B., Akhond, M., Miri, R., Shamsipur, M., 2003. Genetic algorithm applied to the selection of factors in principal component-artificial neural networks: Application to QSAR study of calcium channel antagonist activity of 1,4-dihydropyridines (nifedipine analogous). J. Chem. Inform. Comput. Sci. 43, 1328–1334.
Kohonen, T., 1982. Self-organized formation of topologically correct feature maps. Biol. Cybernet. 43, 59–69.
Kolmogorov, A.N., 1957. Doklady Akademiia Nauk SSSR. 114, 953–954.
Kowalsky, R.B., Wold, S., 1982. Pattern recognition in chemistry. In: Krishnaiah, P.R., Kamal, L.N. (Eds.), Handbook of Statistics. North-Holland, Amsterdam, pp. 673–697.
Kubinyi, H., 1993. QSAR: Hansch Analysis and Related Approaches. VCH, New York.
Meijer, L., Raymond, E., 2003. Roscovitine and other purines as kinase inhibitors from starfish oocytes to clinical trials. Acc. Chem. Res. 36, 417–425.
Meijer, L., Leelere, S., Leost, M., 1999. Properties and potential applications of chemical inhibitors of cyclin-dependent kinases. Pharmacol. Ther. 82, 279–284.
Mok, M.C., Martin, R.C., Mok, D.W., 2000. Cytokinins: Biosynthesis, metabolism and perception. In Vitro Cell. Dev. Biol. Plant. 36, 102–107.
Moran, P.A.P., 1950. Notes on continuous stochastic processes. Biometrika 37, 17–23.
Moreau, G., Broto, P., 1980a. Autocorrelation of a topological structure: A new molecular descriptor. Nouv. J. Chim. 4, 359–360.
Moreau, G., Broto, P., 1980b. Autocorrelation of Molecular structures: Application to SAR studies. Nouv. J. Chim. 4, 757–764.
So, S., Richards, W.G., 1992. Application of neural network: Quantitative structure–activity relationships of the derivatives of 2,4-diamino-5-(substituted-benzyl)pyrimidines as DHFR inhibitors. J. Med. Chem. 35, 3201–3207.
StatSoft Inc, 2001. STATISTICA (data analysis software system), version 6. www.statsoft.com.
StatSoft Inc, 2004. Electronic Statistics Textbook. StatSoft, Tulsa, OK, web: http://www.statsoft.com/textbook/stathome.html.
Sumpter, B.G., Getino, C., Noid, D.W., 1994. Theory and applications of neural computing in chemical science. Annu. Rev. Phys. Chem. 45, 439–481.
The MathWorks Inc. (2002). MATLAB version 6.5. www.mathworks.com.
Todeschini, R., Consonni, V., 2000. Handbook of Molecular Descriptors. Wiley-VCH, Weinheim.
Todeschini, R., Consonni, V., Pavan, M., 2003. DRAGON, version 2.1.
Vanyúr, R., Héberger, K., Jakus, J., 2003. Prediction of anti-HIV-I activity of a series of tetrapyrrole molecules. J. Chem. Inform. Comput. Sci. 43, 1829–1836.
Wagener, M., Sadowski, J., Gasteiger, J., 1995. Autocorrelation of molecular properties for modelling corticosteroid binding globulin and cytosolic Ah receptor activity by neural networks. J. Am. Chem. Soc. 117, 7769–7775.
Werner, T., Motyka, V., Strnad, M., Schmülling, T., 2001. Regulation of plant growth by cytokinin. Proc. Natl. Acad. Sci. U.S.A. 98, 10487–10492.
Yasri, A., Hartsough, D., 2001. Toward an optimal procedure for variable selection and QSAR model building. J. Chem. Inform. Comput. Sci. 41, 1218–1227.
Zahouily, M., Rhihil Bazoui, A., Sebti, S., Zakarya, D., 2002. Structure–cytotoxicity relationships for a series of HEPT derivatives. J. Mol. Model. 8, 168–172.