Modelamiento molecular de análogos al fármaco fluoxetina que actúa como inhibidor selectivo de recaptación de serotonina (ISRS) mediante relaciones cuantitativas estructura - actividad (QSAR)
Cargando...
Fecha
2019
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
Descripción
La depresión es considerada una de las enfermedades más importantes a nivel mundial en cuanto a trastornos mentales, ya que en los últimos años se ha evidenciado un alto crecimiento en sus cifras de afectación. (OMS, 2018) Por esta razón, se crean fármacos antidepresivos con el fin de mitigar los efectos que causa este trastorno; sin embargo, su efectividad en todos sus aspectos no es la suficiente generando así poca eficiencia y una gran cantidad de efectos secundarios. De aquí se da la creación de nuevos fármacos, en este caso antidepresivos de la clase ISRS (inhibidores selectivos de la recaptación de la Serotonina), los cuales buscan generar menos efectos secundarios y cómo su nombre lo dice, tener mayor selectividad para la recaptación de Serotonina. A pesar de esto, la creación de nuevos fármacos requiere una gran cantidad de gastos y de tiempo; requiriendo así de manera análoga, no solo la creación de nuevos fármacos, sino también la invención de nuevas metodologías para este proceso.
Para esta investigación se utilizó la metodología QSAR, la cual tiene el fin último de diseñar teóricamente posibles futuros nuevos fármacos, a partir de la unión de conjuntos de técnicas computacionales; con el objetivo de hallar, un análogo de la clase ISRS el cual presente potencialmente una mayor afinidad por el sitio activo de SERT, proteína recaptadora de Serotonina. (Lozano & Scior, 2012) De aquí, se siguió todo el proceso que requería la metodología; la cual contempla un proceso de virtual screening y uno de machine learning; considerando diferentes técnicas in sílico de modelado molecular, datos de actividad biológica, propiedades fisicoquímicas, estadística y bioinformática; incorporadas entre en si para la creación teórica del nuevo fármaco de la clase ISRS con potencial mayor afinidad por su sitio de interacción.
Abstract
Depression is considered one of the most important diseases worldwide in terms of mental disorders, because since in recent years there has been a high growth in its digit of affectation. (OMS, 2018) For this reason, antidepressant drugs are created in order to mitigate the effects caused by this disorder; however, its effectiveness in all its aspects is not enough, thus generating little efficiency and a large number of side effects. This is where the creation of new drugs, in this case antidepressants of the SSRIs class (Selective serotonin reuptake inhibitors), which search to generate fewer side effects and as the name says, have greater selectivity for the reuptake of Serotonin In spite of this, the creation of new drugs requires a great amount of expenses and time; thus requiring analogously, not only the creation of new drugs, but also the invention of new methodologies for this process.
For this research, the QSAR methodology was used, which has the ultimate goal of theoretically designing possible future new drugs, from the union of sets of computational techniques; with the aim of finding an analog of the SSRIs class which potentially presents a greater affinity for the active site of SERT, a serotonin reuptake protein. (Lozano & Scior, 2012) From here, the whole process that required the methodology was followed; which includes a process of virtual screening and one of machine learning; considering different molecular modeling techniques, biological activity data, physicochemical properties, statistics and bioinformatics; incorporated into each other for the theoretical creation of the new drug of the SSRIs class with potential greater affinity for its interaction site.
Palabras clave
ISRS, QSAR, Docking molecular, Depresión
Keywords
SSRIs, QSAR, Molecular docking, Depression
Temáticas
Fluoxetina
Serotonina
Antidepresivos
Serotonina
Antidepresivos