Journal of Ilam University of Medical Sciences

fa مطالعۀ ارتباط کمی ساختار- فعالیت برخی از داروهای مهارکنندۀ آنزیم مبدل آنژیوتانسین I در کنترل فشارخون بر اساس روش بهینه‌سازی مونت‌کارلو Quantitative structure-activity relationship study of some angiotensin-converting enzyme inhibitor drugs in the treatment of hypertension based on Monte Carlo optimization method آمار زیستی biostatistics پژوهشي Research <div style="text-align: justify;">مقدمه: فشارخون به‌عنوان یکی از جدی‌ترین بیماری‌های قلبی عروقی مطرح است که تأثیر نامطلوبی بر سلامت انسان دارد. کنترل و پیشگیری از این عارضه برای سلامت جهان حیاتی تلقی شده است. مهارکننده‌های آنزیم مبدل آنژیوتانسین گروهی از داروها هستند که عمدتاً در کنترل بیماری‌های قلبی عروقی استفاده می‌شوند. هدف از این کار توسعۀ مدل‌‌های ارتباط کمی ساختار-فعالیت برای پیش‌بینی فعالیت برخی ترکیبات شیمیایی، به‌عنوان مهارکنندۀ آنزیم مبدل آنژیوتانسین I در کنترل فشارخون، بر اساس روش بهینه‌سازی مونت‌کارلو بود. مواد و روشها: در این مطالعه، ارتباط کمی ساختار-فعالیت برای پیش‌بینی فعالیت مهارکنندگی مجموعه داده، شامل 255 ترکیب شیمیایی مهارکنندۀ آنزیم مبدل آنژیوتانسین I، بر اساس الگوریتم مونت‌کارلو مطالعه شد. فایل ورودی نرم‌افزار CORAL شامل ساختار‌های ترکیبات به نماد SMILES به همراه فعالیت مهارکنندگی آن‌ها است که به‌طور تصادفی به چهار گروه شامل آموزش فعال، آموزش غیرفعال، کالیبراسیون و اعتبارسنجی تقسیم گردیدند. این تقسیم‌بندی سه بار به‌صورت تصادفی تکرار شد و برای هر تقسیم‌بندی یک مدل جداگانه ایجاد گردید. یافته های پژوهش: توصیفگرهای بهینه از مدل هیبریدی حاصل از ترکیب میان توصیفگرهای SMILES و گراف مولکولی بدون هیدروژن برای ساخت مدل‌های QSAR به‌کار برده شد. چهار تابع هدف یعنی TF0 (WIIC=WCII=0)، (WIIC=0.3) TF1، TF2 (WIIC=0, WCII=0.3)  و TF3 (WIIC=WCII=0.3) برای ساخت 12 مدل QSAR استفاده گردید. نتایج آماری هر تابع هدف با یکدیگر مقایسه شد. بحث و نتیجه‌گیری: در این مطالعه، مدل‌سازی داده‌های تجربی برخی از ترکیبات شیمیایی به‌عنوان مهارکنندۀ آنزیم مبدل آنژیوتانسین I انجام گردید. کیفیت آماری مدل ارتباط کمی ساختار-فعالیت ایجادشده با استفاده از تابع هدف TF3 برای شکاف 2 بهتر از مدل‌های دیگر بود؛ بنابراین، به‌عنوان بهترین مدل در نظر گرفته شد. با استفاده از مدل به‌دست‌آمده، ویژگی‌‌های ساختاری مسئول افزایش و کاهش فعالیت مهارکنندگی شناسایی گردید.</div> <div style="text-align: justify;">Introduction:  Hypertension is a severe cardiovascular disease affecting human health, and its control and prevention are crucial for global health. Angiotensin-converting-enzyme inhibitors are primarily used in treating this condition. The aim of this work was to develop quantitative structure-activity relationship (QSAR) models to predict the activity of some chemical compounds as angiotensin I-converting enzyme inhibitors using CORAL software. Materials & Methods: In this study, quantitative structure-activity relationship to predict the inhibitory activity of the data set containing 255 angiotensin-converting enzyme inhibitor compounds based on the algorithm Monte Carlo was studied. The input file of CORAL software contains the structures of compounds with SMILES symbols along with their inhibitory activity, which were randomly divided into four sets, including active training, passive training, calibration and validation sets. The whole data set is randomly divided into three splits, and an individual model was created for each division. Results: A hybrid optimal descriptor computed from SMILES and molecular hydrogen-suppressed graphs is employed to construct QSAR models. Four target functions, i.e., TF0 (WIIC = WCII = 0), TF1 (WIIC = 0.3 and WCII = 0), TF2 (WIIC = 0 and WCII = 0.3), and TF3 (WIIC = WCII = 0.3), are employed to build 12 QSAR models. Conclusion: The study analyzed experimental data on chemical compounds as inhibitors of angiotensin I-converting enzyme. The QSAR model of split 2 calculated by TF3 was found to be the best model, and it identified structural attributes responsible for the increase and decrease of inhibitory activity.</div> مدل QSAR, مهارکنندۀ آنزیم مبدل آنژیوتانسین I, بیماری فشارخون, نرم‌افزار کورال QSAR models, Angiotensin-converting enzyme inhibitors, Hypertension disease, CORAL software 26 44 http://sjimu.medilam.ac.ir/browse.php?a_code=A-10-8097-1&slc_lang=fa&sid=1 Shahram Lotfi شهرام لطفی Sh.lotfi@pnu.ac.ir 9600319475328460049303 9600319475328460049303 Yes Dept of Chemistry, Payame Noor University (PNU), Tehran, Iran گروه شیمی، دانشگاه پیام نور، تهران، ایران Shahin Ahmadi شهین احمدی ahmadi.chemometrics@gmail.com 9600319475328460049304 9600319475328460049304 No Dept of Pharmaceutical Chemistry, Faculty of Pharmaceutical Chemistry, Tehran Medical Sciences, Islamic Azad University, Tehran, Iran گروه شیمی، واحد علوم پزشکی تهران، دانشگاه آزاد اسلامی، تهران، ایران Ali Azimi علی عظیمی azimi.alii70@gmail.com 9600319475328460049305 0009-0005-9544-4409 No Dept of Chemistry, Science and Research Branch, Islamic Azad University, Tehran, Iran گروه شیمی، واحدعلوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران