QSAR modellemesi ile Benzimidazole türevlerinin trikomoniasis için etkili inhibitörler olarak kullanılması

QSAR modeling of benzimidazole derivatives as potent inhibitors of trichomoniasis

Abstract

objective: Trichomoniasis can increase the risk of getting or spreading other sexually transmitted infections. it can cause genital inflammation that can increase the likelihood of infection with HiV or passing HiV on to a sex partner. The present study used QSAR modeling to study benzimidazole derivatives as potent inhibitors of trichomonicidal activity. A set of 10 compounds was randomly removed from the dataset to be used as the prediction set (PSET). The remaining 60 compounds were utilized as the training set (TSET).Methods: Genetic algorithms, artificial neural networks (ANN), multiple linear regression (MLR), partial least squares (PLS), principal component regression (PCR) and a least absolute shrinkage and selection operator (LASSo) were used to create the QSAR models. Geometry optimization of compounds was carried out using the B3LYP method employing a 6–31G (2d) basis set. HyperChem, Gaussian 03W and dragon (version 5.5) software were used for geometric optimization of the molecules and calculation of the quantum chemical descriptors. Unscrambler was used for analysis of data.Results: The MLR method obtained a root mean square error (RMSE) for calibration of 0.0803 and R2 of 0.99. The R2 and RMSE of calibration using PCR were 0.58 and 0.5236, respectively.Conclusion: The results found that the ANN and MLR models were the most favorable of the methods tested and are suitable for use in QSAR models

Özet

Amaç: Trikomoniasis diğer cinsel yolla bulaşan enfeksiyonların bulaşıcılığını ve yayılmacılığını arttırabiliyor. Sebep olduğu jenital enflamasyon nedeniyle HiV virüsünün bulaşma veya başka birine aktarılma ihtimalini yükseltiyor. Bu araştırmada QSAR modellemesi ile incelenen Benzimidazol türevlerinin trikomonisidal faaliyetinde etkili inhibitörler olduğu görüşmüştür. Veri setinden gelişigüzel olarak 10 bileşik seti çıkarılmış ve öngörü seti olarak ayrılmıştır. (PSET) Kalan 60 bileşik çalışma seti olarak kullanılmıştır (TSET).Metod: Malzemeler ve yöntemler: Genetik algoritmalar, yapay nöron ağları/nöral ağlar (ANN), çoklu dikey regresyon (MLR), kısmi en az kareler (PLS), baş bileşen regresyonları (PCR) ve En Küçük Mutlak Çekme ve Seçme operatörü (LASSo) kullanılarak QSAR modelleri oluşturuldu. Bileşiklerin geometric optimizasyonu 6-31G (2d) baz seti kullanılarak B3LYP metodu ile yapıldı. Kuantum kimyasal hesaplamaları ve moleküllerin optimizasyonları için HyperChem, Gaussian 03W ve dragon (version 5.5) yazılımları kullanıldı. Veri analizi için de Unscrambler yazılımı kullanılmıştır.Bulgular: 0.0803 ve 0.99 R2. R2 and RMSE'nin PCR kullanılarak hesaplamaları sırası ile 0.58 and 0.5236 olarak bulundu.Sonuç: Sonuçlara göre ANN ve MLR modelleri en iyi sonuçları veren yöntemler olmuştur ve QSAR modellerinde kullanmak için uygundur