عنوان

مطالعه رابطه کمی ساختار-فعالیت ترکیبات مهارکننده پروتئاز شبه پاپائین به منظور بکارگیری در مهارویروس کووید-19

Number

پ۲۵۰۸۸

.Language of Text, Soundtrack etc

per

Title Proper

مطالعه رابطه کمی ساختار-فعالیت ترکیبات مهارکننده پروتئاز شبه پاپائین به منظور بکارگیری در مهارویروس کووید-19

First Statement of Responsibility

الهام زمانی

Name of Publisher, Distributor, etc.

علوم طبیعی

Date of Publication, Distribution, etc.

۱۴۰۰

Specific Material Designation and Extent of Item

۹۹ص.

Accompanying Material

سی دی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

زیست شناسی جانوری گرایش: بیو شیمی

Date of degree

۱۴۰۰/۰۶/۲۷

Text of Note

چکیدهبیماری کرونا در حال حاضر چالش برانگیزترین پاندمی این قرن است. با توجه به مرگ و میر زیاد و بروز سریع آن، طراحی داروی مناسب برای کنترل این پاندمی ضروری است. رابطه کمی ساختار - فعالیت QSAR) ) یک روش مناسب با عملکرد بسیار مهمی در جهت تولید ترکیبات جدید و بالقوه و صرفه جویی در زمان و هزینه برای پیش گویی ترکیبات جدید با فعالیت بهینه محسوب می شود. آنزیم PLpro (پروتئاز شبه پاپائین) کرونا ویروسی یک آنزیم ضروری در تکثیر انواع ویروسهای کرونا است طوری که با کرونا ویروس کووید-19 بیش از 92 درصد شباهت سکانس آمینو اسیدی و بیش از 99 درصد شباهت ساختاری با rmsd اختلاف ساختاری حدود 1.2 آنگستروم دارد. فلذا طراحی مهار کننده های مناسب پروتئاز شبه پاپائین می¬تواند در مهار این ویروس موثر باشد. در این مطالعه، ابتدا تعداد 92 ترکیب با پتانسیل مهار آنزیم PLpro از منابع علمی استخراج شد. ترکیبات مورد نظر ابتدا با نرم افزار ChemDraw ترسیم شدند. سپس تمام ترکیبات در دو سطح مکانیک مولکولی و کوانتومی نیمه تجربی با استفاده از نرم افزار Hyperchem بهینه ساختاری انجام شد. تعداد 1558 توصیف گر (descriptor) مناسب و غیر تکراری در 22 گروه مختلف مربوط به تمامی ساختار های بهینه شده با بکارگیری نرم افزار Dragon 5.5 محاسبه گردید. در ادمه با استفاده از سیستم¬های هوشمند متشکل از سیستم استنتاج فازی، مدل عصبی فازی و شبکه های عصبی، مقدار pIC50 بر اساس ورودی های انتخاب شده از 1558 توصیف کننده تخمين زده شد. در نتیجه، شش توصیف کننده به عنوان ورودی بهینه برای ساخت مدل های هوشمند استفاده شد. در بین تک تک سیستم های مورد استفاده، شبکه عصبی با ضریب همبستگی و خطای میانگین مربع 843/0 و 015/0 از مدل¬های منطق عصبی فازی و فازی برتری دارد. برای افزایش دقت برآورد pIC50، خروجی¬های سه روش هوشمند مورد استفاده در روش ماشین گروهی ترکیب شدند. ماشین گروهی با میانگین¬گیری ساده میانگین مربع خطا 019/0 و ضريب همبستگی 756/0 را به دست آورد. بهترین عملکرد توسط ماشین گروهی با میانگین وزنی بدست آمد که ضریب همبستگی و خطای آن به ترتیب 86/0 و مقدار خطا 121/0 است. این مدل می تواند در طراحی و توسعه داروهای جدید برای کنترل بیماری کووید-19 بکار گرفته شود.

Text of Note

AbstractCorona desease is currently the most challenging pandemic of the century. Due to its high mortality and rapid incidence, it is necessary to design an appropriate drug to control this pandemic. Quantitative structure-activity relationship (QSAR) is a convenient method with very important performance in order to produce new and potential compounds and save time and budget to predict new compounds with optimal activity. Corona virus PLpro (papain-like protease) enzyme is an essential enzyme in the replication of various coronaviruses, with coronavirus-19 having more than 92% similarity in amino acid sequence and more than 99% structural similarity to rmsd with a structural difference of about 1.2 angstroms. Therefore, designing appropriate Papain-like protease inhibitors can be useful in controlling this virus. In this study, initially 92 sets with PLpro enzyme inhibitory potential were extracted from scientific sources. The collections were first drawn with ChemDraw software. Afterwards, for all compounds at both molecular and quantum mechanical levels, structural optimization was performed using Hyperchem software. A total of 1558 appropriate and non-repetitive descriptors in 22 different groups related to all optimized structures were calculated using Dragon 5.5 software. Then, using intelligent systems consisting of fuzzy inference system, fuzzy neural model and neural networks, the pIC50 values were estimated based on selected inputs from 1558 descriptors. As a result, six descriptors were used as optimal inputs to build intelligent models. Among each of the individual systems used, the neural network with correlation coefficient and mean square error of 0.843 and 0.015 is superior to fuzzy and neuro-fuzzy models, respectively. To increase the accuracy of pIC50 estimation, the outputs of the three intelligent methods used in the group machine method were combined. Committee machine with simple averaging model showed mean squared error of 0.019 and correlation coefficient of 0.756. The best performance was achieved by a committee machine with weighted averaging whose correlation coefficient and error values are 0.86 and 0.121, respectively. This model can be used in the design and development of new drugs to control Covid-019 disease.

Variant Title

Quantitative structure-activity relationship study of some Papain-like protease (PLpro) inhibitor to inhibit Covid-19 virus.

Entry Element

‏زمانی،

Part of Name Other than Entry Element

‏ الهام

Relator Code

تهيه کننده

Entry Element

‏دهقان،

Entry Element

‏ برزگر،

Entry Element

‏صادقی،

Part of Name Other than Entry Element

‏ غلامرضا

Part of Name Other than Entry Element

‏ ابولفضل

Part of Name Other than Entry Element

‏ ليلا

Dates

استاد راهنما

Dates

استاد راهنما

Dates

استاد مشاور

Entry Element

‏ تبریز