1. Repositório Institucional da UFMG
  2. Publicações Científicas e Culturais
  3. Artigo de Periódico
Use este identificador para citar o ir al link de este elemento: http://hdl.handle.net/1843/78071
Registro completo de metadatos
Campo DCValorIdioma
dc.creatorMateus Sá Magalhães Serafimpt_BR
dc.creatorSimone Queiroz Pantaleãopt_BR
dc.creatorElany Barbosa da Silvapt_BR
dc.creatorJames Hobson McKerrowpt_BR
dc.creatorAnthony J. O'Donoghuept_BR
dc.creatorBruno Eduardo Fernandes Motapt_BR
dc.creatorKathia Maria Honoriopt_BR
dc.creatorVinícius Gonçalves Maltarollopt_BR
dc.date.accessioned2024-11-16T17:14:51Z-
dc.date.available2024-11-16T17:14:51Z-
dc.date.issued2023-07-25-
dc.citation.volume3pt_BR
dc.citation.spage1pt_BR
dc.citation.epage18pt_BR
dc.identifier.doihttps://doi.org/10.3389/fddsv.2023.1237655pt_BR
dc.identifier.issn2674-0850pt_BR
dc.identifier.urihttp://hdl.handle.net/1843/78071-
dc.description.abstractAbordagens de design de medicamentos assistido por computador (CADD), como aquelas que empregam métodos de relação quantitativa estrutura-atividade (QSAR), são conhecidas por sua capacidade de descobrir novos dados de grandes bancos de dados. Essas abordagens podem ajudar a aliviar a falta de dados biológicos e químicos, mas algumas previsões não geram informações positivas suficientes para serem úteis para triagens biológicas. Modelos QSAR são frequentemente empregados para explicar dados biológicos de produtos químicos e para projetar novos produtos químicos com base em suas previsões. Nesta revisão, discutimos a importância do tamanho do conjunto de dados com foco em acertos falsos para abordagens QSAR. Avaliamos os desafios e a confiabilidade de uma estratégia in silico inicial para a triagem virtual de moléculas bioativas. Por fim, apresentamos um estudo de caso relatando uma abordagem combinada de modelos de relação quantitativa estrutura-atividade (HQSAR) baseados em holograma e QSAR baseado em floresta aleatória (RF-QSAR), com base nas estruturas 3D de 25 inibidores sintéticos de SARS-CoV-2 Mpro, para rastrear virtualmente novos compostos para potenciais inibidores da atividade enzimática. Neste estudo, modelos ótimos foram selecionados e empregados para prever inibidores de Mpro do banco de dados Brazilian Compound Library (BraCoLi). Vinte e quatro compostos foram então avaliados contra SARS-CoV-2 Mpro a 10 µM. No momento deste estudo (março de 2021), a disponibilidade de inibidores de Mpro variados e diferentes que foram relatados definitivamente afetou a confiabilidade do nosso trabalho. Como nenhum acerto foi obtido, o tamanho do conjunto de dados, os parâmetros empregados, as validações externas, bem como o domínio de aplicabilidade (AD) puderam ser considerados em relação à contribuição de dados de acertos falsos, visando aprimorar o design e a descoberta de novas moléculas bioativas.pt_BR
dc.description.resumoComputer-Aided Drug Design (CADD) approaches, such as those employing quantitative structure-activity relationship (QSAR) methods, are known for their ability to uncover novel data from large databases. These approaches can help alleviate the lack of biological and chemical data, but some predictions do not generate sufficient positive information to be useful for biological screenings. QSAR models are often employed to explain biological data of chemicals and to design new chemicals based on their predictions. In this review, we discuss the importance of data set size with a focus on false hits for QSAR approaches. We assess the challenges and reliability of an initial in silico strategy for the virtual screening of bioactive molecules. Lastly, we present a case study reporting a combination approach of hologram-based quantitative structure-activity relationship (HQSAR) models and random forest-based QSAR (RF-QSAR), based on the 3D structures of 25 synthetic SARS-CoV-2 Mpro inhibitors, to virtually screen new compounds for potential inhibitors of enzyme activity. In this study, optimal models were selected and employed to predict Mpro inhibitors from the database Brazilian Compound Library (BraCoLi). Twenty-four compounds were then assessed against SARS-CoV-2 Mpro at 10 µM. At the time of this study (March 2021), the availability of varied and different Mpro inhibitors that were reported definitely affected the reliability of our work. Since no hits were obtained, the data set size, parameters employed, external validations, as well as the applicability domain (AD) could be considered regarding false hits data contribution, aiming to enhance the design and discovery of new bioactive molecules.pt_BR
dc.description.sponsorshipCNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológicopt_BR
dc.description.sponsorshipFAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas Geraispt_BR
dc.description.sponsorshipCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superiorpt_BR
dc.format.mimetypepdfpt_BR
dc.languageengpt_BR
dc.publisherUniversidade Federal de Minas Geraispt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentFAR - DEPARTAMENTO DE ANÁLISES CLÍNICAS E TOXICOLÓGICASpt_BR
dc.publisher.departmentFAR - DEPARTAMENTO DE PRODUTOS FARMACÊUTICOSpt_BR
dc.publisher.initialsUFMGpt_BR
dc.relation.ispartofFrontiers in Drug Discovery-
dc.rightsAcesso Abertopt_BR
dc.subjectEnzymatic inhibitionpt_BR
dc.subjectHQSARpt_BR
dc.subjectMpropt_BR
dc.subjectQSARpt_BR
dc.subjectSARS-CoV-2pt_BR
dc.subject.otherInibidores enzimáticospt_BR
dc.subject.otherRelação quantitativa estrutura-atividadept_BR
dc.subject.otherDesenho de fármacospt_BR
dc.subject.otherSARS-CoV-2pt_BR
dc.titleThe importance of good practices and false hits for QSAR-driven virtual screening real application: a SARS-CoV-2 main protease (Mpro) case studypt_BR
dc.typeArtigo de Periódicopt_BR
Aparece en las colecciones:Artigo de Periódico

archivos asociados a este elemento:
archivo Descripción TamañoFormato 
The importance of good practices and false hits for QSAR-driven virtual screening real application a SARS-CoV-2 main protease (Mpro) case study.pdf1.9 MBAdobe PDFVisualizar/Abrir
Mostrar registro simple del elemento Visualizar estadísticas


Los elementos en el repositorio están protegidos por copyright, con todos los derechos reservados, salvo cuando es indicado lo contrario.