| Summary: | Pagrindinis šio darbo tikslas buvo kiekybinio struktūros ir aktyvumo ryšio modelių, prognozuojančių su vaistų metabolizmu susijusias savybes, kūrimas. Modeliai, prognozuojantys CYP3A4 slopinimą ir žmogaus kepenų mikrosomų katalizuojamo metabolizmo regioselektyvumą, buvo sukurti naudojant GALAS (angl. Global, Adjusted Locally According to Similarity; Globalus, lokaliai pakoreguotas pagal panašumą) modeliavimo metodą, kuris geba įvertinti prognozės patikimumą, taip apibrėždamas modelio pritaikymo sritį. Sukurtų modelių prognozės buvo tikrinamos naudojant eksperimentinius naujų cheminių junginių duomenis. Visų globalių modelių prognozės gerėjo po korekcijų pagal panašumą, o neteisingų spėjimų skaičius buvo ženkliai mažesnis tarp aukšto patikimumo prognozių. Visgi daugiau nei pusė išorinių duomenų nepatenka į šių modelių pritaikymo sritį. GALAS modeliai gali būti gana paprastai apmokomi, pridedant naujus duomenis į lokalią modelio dalį ir apskaičiuojant reikiamą korekciją. Po tokios apmokymo procedūros CYP3A4 slopinimo modelis prisitaikė prie PubChem duomenų bazės cheminių junginių ir taip pat prie vaistų, turinčių naują cheminį karkasą. Pridėjus naujų junginių ir apmokius regioselektyvumo modelį, jis pradėjo prognozuoti naujas metabolizmo vietas. Pastarasis modelis taip pat buvo pritaikytas atskirų fermentų katalizuojamo metabolizmo prognozavimui. === The main objective of this study was the development of QSAR models for drug metabolism-related properties. Novel GALAS (Global, Adjusted Locally According to Similarity) modeling method was used, which is a combination of baseline global QSAR model and local similarity based corrections. GALAS modeling method allows forecasting the reliability of prediction thus defining the model applicability domain. Models predicting CYP3A4 inhibition and regioselectivity of metabolism in human liver microsomes were developed and validated using external test sets. In all cases the baseline models already showed acceptable results, and the overall accuracy of predictions increased after the similarity based corrections. Moreover, the numbers of mispredictions reduced significantly when only results of higher reliability were taken into account. However, the original models are applicable only for less than a half of external datasets. Since the similarity correction procedure of GALAS modeling method allows simple model training, the possibility to expand the applicability domain has been tested. The CYP3A4 inhibition model was successfully adapted to PubChem data and compounds with a novel chemical scaffold. After training the regioselectivity model new metabolism sites could be identified in compounds of new chemical class. Moreover, this model was adapted for human cytochrome P450 isoform profiling.
|
|---|
