Português
|
|
Edilson
Grünheidt Borges (PG), Márcia M. C. Ferreira (PQ)
Dep.
Físico Química, Instituto de Química - UNICAMP
Métodos de QSAR (Relações
Quantitativas de Estrutura-Atividade) têm
sido
utilizados para
estudos farmacológicos em geral.
Estes modelos de QSAR fornecem
correlações
estatísticas entre o efeito da
concentração (atividade) de um
conjunto de
compostos e
um ou mais descritores físico-químicos
ou estruturais (estrutura) destes
compostos. Para
que um modelo de QSAR deja válido
é necessário que os compostos
considerados tenham
um modo de ação comum ou ao menos similar.
Em geral a toxicologia aquática considera
dois grandes grupos de poluentes que
possuem modos
de ação similares: narcosis polares e
narcosis apolares. Grande parte dos
poluentes aquáticos
pode ser considerada da classe 1 (narcosis apolar).
Os compostos da
classe 2 (narcosis
polar) são mais tóxicos e constituem-na fenóis,
anilinas e e spécies polares
similares.
Neste trabalho o conjunto de dados consta de 172 compostos diferentes,
sendo 50 da
classe 1, 122 da classe
2 e 13 com toxidez desconhecida. Os parâmetros químicos
quânticos
utilizados foram:
energia do HOMO, energia do LUMO,
eletronegatividade, dureza,
momento de
dipolo, polarizabilidade, área superficial molecular,
volume molecular, carga
sobre o hidrogênio
mais positivo (Q+) e carga sobre o átomo mais
negativo (Q-). Também
foi utilizado
KOW como descrito não quântico3.
Para construção dos modelos QSAR e de classificação
dos grupos foram treinadas
Redes Neurais
(RN). O método de treinamento de RN foi escolhido
porque permite que se
obtenha os melhores
resultados, para o conjunto de dados utilizado4.
Os parâmetros variados
na otimização
das RN são o número de
neurônios na segunda camada, o índice de não
linearidade da rede,
o coeficiente de combinação de uma função
linear à rede treinada, o
limite de erro
para cada iteração de treinamento, e a taxa de
variação dos valores durante o
treinamento.
Foram otimizadas redes treinadas por retropropagação e pelo
método de reconstrução
e aprendizado.
A resposta utilizada para otimização foi a melhor
reprodução dos grupos de
cada um dos compostos.
A rede melhor treinada foi utilizada para prever a
atividade de 13
compostos para os
quais não se tem o valor da atividade, e que não participam
da elaboração
do modelo em momento
algum. Todos os resultados foram obtidos
utilizando o programa
PSDD5.
((FAPESP)
_______________________________
3Journal of Chemometrics 10,
149-162 (1996).
4Borges E. G.; Silva S. L. F., Ferreira M.
M. C., 'Estudo da toxidez basal e aguda em poluentes
aquáticos com metodologia de regressão
multivariada'. Resumos da 22a
SBQ, Volume 1,
MD-029 (1999).
3Ichikawa, H.: 'QCPE 615. PSDD: Perceptron-type Neural
Network Simulator'; Hoshi
College of Pharmacy, 2-4-41 Ebara Shinagawa, Tokyo 142,
Japan.
English
|
|
Edilson
Grünheidt Borges (PG), Márcia M. C. Ferreira (PQ)
Dep.
Físico Química, Instituto de Química - UNICAMP
In general, QSAR (Quantitative Structure-Activity Relationships)
methods have been
used in pharmacological
study. These QSAR models provide statistical correlations
between
the concentration
effect (the activity) of a set of
compounds and one or more physico-
chemical or structural
(the structure) descriptors of these compounds. To have a valid
QSAR
model, it is
necessary that the studied compounds have at least similar
or common mode of
action.
Aquatic toxicology studies two large groups of poluentes
that have similar mode of
action: polar
narcotics and nonpolar narcotics. A large
part of aquatic poluents may be
considered as belonging
to the class 1 (nonpolar narcotics). The compounds from the
class 2
(polar narcotics)
are more toxic and include phenols,
anilines and similar polar species.
In this work, the data set consists of 172 compounds, 50 belonging
to the class 1, 122
to the class 2, and
13 with unknown activity. The used quantum chemical parameters
were:
HOMO energy,
LUMO energy, electronegativity, hardness, dipole
moment, polarizability,
molecular surface
area, molecular volume, the charge of the most positive hydrogen (Q+)
and
the charge of the
most negative atom (Q-). KOW
was also used as a non quantum chemical
descriptor3.
The neural networks (NN) were trained
for construction of QSAR models and
classification of
the compounds. The training method for NN
was selected to obtain the
best results for the
used data set4. The
varied parameters in the NN optimization were the
number of neurons
in the second layer, the network non-linearity
index, the coefficient of
the combination of
linear function to a trained network, the
error limit for each iteration in
the training,
and the level of variation of the values during the training.
The trained networks were optimized by means of retropropagation
and the method
of reconstruction
and learning. The response used for optimization
was that one which
reproduces the groups
of each of the compounds in the best way. The best trained
network
was used to predict
the activity of 13 compounds without known activitiy
values and which
were not
used in building the models. Os results
were obtained by using the program
PSDD5.
((FAPESP)
_______________________________
3Journal of Chemometrics 10,
149-162 (1996).
4Borges E. G.; Silva S. L. F., Ferreira M.
M. C., 'Estudo da toxidez basal e aguda em poluentes
aquáticos com metodologia de regressão
multivariada' ['Study of basal and acute toxicity in
aquatic poluents by means of multivarite regression'].
Resumos da 22a SBQ [Abstracts
of the
22th SBQ], Volume 1, MD-029 (1999).
3Ichikawa, H.: 'QCPE 615. PSDD: Perceptron-type Neural
Network Simulator'; Hoshi
College of Pharmacy, 2-4-41 Ebara Shinagawa, Tokyo 142,
Japan.