Advance Methodologies in Linear and Nonlinear Quantitative Structure-Activity Relationships (QSARs): from Drug Design to In Silico Toxicology Applications

Nuove strategie computazionali vengono continuamente richieste dall'industria farmaceutica per assistere, migliorare e velocizzare il processo di scoperta dei farmaci. In questo scenario la chemoinformatica fornisce affidabili strumenti matematici per ottenere relazioni quantitative struttura-attività (QSAR), in grado di descrivere la correlazione tra descrittori molecolari e vari profili sperimentali dei composti. Negli ultimi anni approcci non lineari di machine learning hanno dimostrato una notevole capacità predittiva in diverse applicazioni QSAR, confermando la loro superiorità sulle tradizionali metodologie lineari. E' stata evidenziata particolarmente la praticabilità dell'approccio di classificazione nel risolvere compiti complessi. Inoltre, l'introduzione del concetto di autocorrelazione in chimica permette il confronto strutturale delle molecole attraverso l'uso di una rappresentazione vettoriale di lunghezza fissa che serve da efficace descrittore molecolare. Nella presente tesi abbiamo studiato approfonditamente l'ampia applicabilità e le potenzialità delle strategie QSAR non lineari, soprattutto in combinazione con i descrittori autocorrelati potenziale elettrostatico molecolare proiettato sulla superficie molecolare. Il nostro intento si articola in sei differenti casi studio, che si concentrano su problemi cruciali nei campi della farmacodinamica, farmacocinetica e tossicologia. Il primo caso studio considera la valutazione di una proprietà fisico-chimica, l'energia libera di solvatazione acquosa, che è strettamente connessa con il profilo farmacocinetico e la tossicità dei composti chimici. La nostra discussione in farmacodinamica riguarda la predizione di potenza e selettività di antagonisti del recettore adenosinico umano (hAR). La famiglia del recettore adenosinico appartiene alla famiglia A di GPCR (recettori accoppiati a proteine G), che include quattro diversi sottotipi, cui ci si riferisce come A1, A2A, A2B e A3, ampiamente distribuiti nei tessuti. Si differenziano sia per profilo farmacologico che per effettore cui sono accoppiati. Le intense sintesi esplorativa e valutazione farmacologica hanno lo scopo di scoprire ligandi potenti e selettivi per ogni sottotipo del recettore adenosinico. Nella presente tesi abbiamo considerato diversi derivati pirazolo-triazolo-pirimidinici e xantinici, studiati come promettenti antagonisti del recettore adenosinico. Quindi, un secondo caso studio si focalizza sul confronto e l'applicabilità in parallelo di modelli lineari e non lineari per predire l'affinità di legame di antagonisti del recettore adenosinico A2A umano e trovare un consenso nei risultati di predizione. Gli studi successivi valutano la predizione sia della selettività che dell'affinità di legame ai sottotipi A2AR e A3R combinando strategie di classificazione e regressione, per studiare infine il completo spettro di potenza del recettore adenosinico e il profilo di selettività per i sottotipi hAR mediante l'applicazione di un approccio di classificazione multilabel. Nel campo della farmacocinetica, e più specificamente nella predizione del metabolismo, è coinvolto l'uso di strategie di classificazione multi- e single-label per analizzare la specificità di isoforma di substrati del citocromo P450. I risultati conducono all'identificazione della metodologia appropriata per interpretare la reale informazione sul metabolismo, caratterizzata da xenobiotici potenzialmente trasformati da multiple isoforme del citocromo P450. Come caso studio finale, presentiamo un'indagine in tossicologia computazionale. Le recenti iniziative regolatorie dovute al REACH (Registration, Evaluation, Authorization and Restriction of Chemicals) richiedono l'accertamento ecotossicologico e del rischio dei composti chimici per la sicurezza. La maggiorparte dei correnti protocolli di valutazione è basata su costosi esperimenti animali. Così, gli strumenti chemoinformatici sono caldamente raccomandati per facilitare la caratterizzazione della tossicità di sostanze chimiche. Noi descriviamo una nuova strategia integrata per predire la tossicità acquatica acuta attraverso la combinazione di entrambi i comportamenti tossicocinetico e tossicodinamico dei composti chimici, utilizzando un metodo di classificazione machine learning. L'obbiettivo è assegnare i composti chimici a diversi livelli di tossicità acquatica acuta, fornendo un'appropriata risposta alle nuove esigenze regolatorie. Come validazione preliminare del nostro approccio, due modelli tossicocinetico e tossicodinamico sono stati applicati in serie per esaminare sia il rischio di tossicità acquatica che il modo d'azione di un set di sostanze chimiche con informazione tossicodinamica sconosciuta o incerta, valutandone il potenziale rischio ecologico ed il meccanismo tossico.