Professional Documents
Culture Documents
Dizajniranje 1
Dizajniranje 1
Farmaceutsko-zdravstveni fakultet
Travnik
Seminarski rad
SAR i QSAR, ZNAAJ, PREDNOSTI I NEDOSTACI
Smjer: Farmacija
Predmet: Dizajniranje lijekova i procesna kontrola
Student: Mentor:
1
SADRAJ:
1.UVOD......................................................................................................................................3
2. ZNAAJ QSAR I SAR TEHNIKA........................................................................................4
1.1 QSAR modeliranje............................................................................................................5
1.2 Modeli u QSAR................................................................................................................6
1.3 Viestruka linearna regresija.............................................................................................6
1.4. Kako provjeriti predvianja QSAR-a?.............................................................................7
3.PREDNOSTI I NEDOSTACI QSAR I SAR TEHNIKE.........................................................8
4. ZAKLJUAK.........................................................................................................................9
5. LITERATURA......................................................................................................................10
2
1.UVOD
3
2. ZNAAJ QSAR I SAR TEHNIKA
Oekuje se da procjena prve tri gore navedene toke bude ukljuena u registracijski dosje ako
se svojstva tvari predviaju uporabom modela (Q)SAR.
Openito, preporuuje se rezultate (Q)SAR-a upotrijebiti kao dio pristupa koji se temelji na
teini dokaza ili kao potkrepljujue informacije. Primjerice, predvianja (Q)SAR-a mogu
potkrijepiti rezultate ispitivanja koja nisu provedena sukladno dobroj laboratorijskoj praksi
(DLP) ili sukladno prihvaenim smjernicama, ako se ta predvianja podudaraju s
eksperimentalnim rezultatima. Skup nekoliko predvianja nepripisive kvalitete ne moe, sam
po sebi, omoguiti prilagodbu. Pri uporabi (Q)SAR-ova, preporuuje se provesti sve modele
(Q)SAR koji su podnositelju registracije dostupni za krajnu toku koju treba popuniti,
posebice ako su modeli neovisni jedan o drugom (npr. algoritmi se temelje na razliitim
deskriptorima, strukturnim upozorenjima ili skupovima podataka za uenje modela). Slaganje
predvianja nastalih na temelju neovisnih i znanstveno valjanih modela (Q)SAR uveava
pouzdanost oslanjanja na ova predvianja. Predvianja koja ispunjavaju samo neke uvjete
naznaene u Prilogu XI. (1.3) Uredbi REACH trebalo bi zanemariti ili bi razlog navoenja
ovih predvianja trebalo objasniti ako se smatra da postoje neke koristi od navoenja ovih
predvianja. Ako preostala (valjana i prikladna) predvianja pokazuju male kvantitativne
razlike, za daljnje se razmatranje treba uzeti najkonzervativniji rezultat. Ako ta preostala
predvianja pokazuju znaajne kvantitativne razlike, podnositelj registracije mora odluiti
mogu li ove razlike utjecati na procjenu rizika (za pokazivanje sigurne uporabe) i/ili na
razvrstavanje i oznaivanje. Ako je ishod predvianja (Q)SAR-a kvantitativni rezultat, vodite
rauna o injenici da to je predvieni rezultat blii regulatornom pragu to tonije mora biti
predvianje. Primjerice, ako model (Q)SAR predvia LC50 (za ribu u 96 sati) od 1,2 mg/l,
tada ova predviena vrijednost treba biti potpuno pouzdana kako bi se osiguralo da stvarni
4
LC50 tvari nije ispod regulatornog praga od 1 mg/l utvrenog Uredbom CLP. Suprotno tomu,
ako svi rezultati (Q)SAR-a (ak i oni za najgori sluaj/pretjerano konzervativni) ne prelaze
primjenjivi regulatorni prag, to moe govoriti u prilog izbjegavanju eksperimentalnog
ispitivanja.
5
Modeli raspoznavanja uzoraka
Definiranom krajnjom tokom: model mora predvidjeti istu krajnju toku kao i ona
koja bi bila izmjerena kako bi bili zadovoljeni zahtjevi navedeni u Prilozima VII. do
X. Uredbi REACH. Primjerice, predvianja modela kojim se generiki predvia
mutagenost ne mogu se kao takva prihvatiti. Model treba predvidjeti ishod
konkretnog testa kao pozitivan, negativan ili vieznaan u odreivanju
bakterijske reverzne mutacije (tj. Amesov test koji se zahtijeva Uredbom REACH, u
Prilogu VII., toki 8.4.1). Drugi primjer krajnje toke koja je preiroka predstavlja
6
globalno predvianje najnie koncentracije pri kojoj je ponavljanim izlaganjem
opaen tetan uinak (LOAEL) iz LOAEL skupa podataka za uenje, na temelju
razliitih naina djelovanja, ciljnih organa, vrsta ili ispitnih protokola. Ovo je naelo
povezano s prikladnou predvianja to je opisano u nastavku dokumenta.
Algoritmom koji se ne moe protumaiti na vie naina: algoritam ugraen u temelj
modela mora biti dostupan kako bi osigurao transparentnost i ponovljivost izrauna.
Predvianja dobivena modelom s algoritmom koji nije dostupan (Agenciji ECHA)
kako bi se provjerilo njegovo djelovanje i ponovila predvianja teko mogu biti
prihvaena. Posebice su potrebne posebne mjere opreza ako su za izradu modela
(Q)SAR upotrijebljene netransparentne metode i metode koje je teko ponoviti (npr.
umjetne neuronske mree s mnogo strukturnih deskriptora).
Definiranim podrujem primjene: mora biti opisano podruje primjene i ogranienja
modela kako bi se omoguila procjena podruja primjene specifinog predvianja
(vidjeti dio 3.2. ovog dokumenta). Najei naini za opisivanje podruja primjene
sastoje se u tome da se uzmu u obzir rasponi pojedinanih deskriptora i prisutnost
strukturnih fragmenata u skupu podataka za uenje. Predvianja modela bez
informacija o podruju primjene ne mogu se prihvatiti.
Odgovarajuim mjerilima podudarnosti s pretpostavljenim vrijednostima, robusnosti i
predvidljivosti: ovim naelom izraava se potreba statistike provjere valjanosti
modela. Na raspolaganju mora biti statistika o unutarnjoj provjeri valjanosti
(podudarnost i robusnost) i vanjskoj provjeri (predvidljivost). Primjerice, za
regresijske modele, statistika o regresijskom modelu moe biti iskazana koeficijentom
korelacije (R2), krino provjerenim (npr. postupak izostavi jedno) koeficijentom
korelacije ((Q2) i modelom standardne pogreke (s). Valja napomenuti da R2 manji od
0,7; Q2 manji od 0,5 ili s vii od 0,3 treba korisnika (Q)SAR-a upozoriti na
potencijalnu slabost modela (Q)SAR. Vanjsku provjeru valjanosti trebalo je provesti
predvianjem spojeva izmvanjskog skupa, tj. onog koji nije upotrijebljen za izradu
modela. Statistika o vanjskoj provjeri valjanosti korisna je za procjenu nesigurnosti
povezane s predvianjima.
Mehanicistikim tumaenjem, ako je mogue: obrazloenje o uzrono-posljedinoj
vezi izmeu deskriptora upotrijebljenih u modelu i predvienih krajnjih toaka
poveava sigurnost u pouzdanost predvianja, primjerice model SAR koji predvia
izazivanje preosjetljivosti koe moe se temeljiti na strukturnim upozorenjima. Ako je
dan argument kako su strukturna upozorenja povezana s izazivanjem osjetljivosti koe
7
(npr. obuhvaaju elektrofilne skupine koje se mogu vezati na proteine), tada se
poveava pouzdanost u predvianje zbog mogunosti tumaenja ishoda modela.
Pogrene korelacije koje mogu nastati zbog biolokih podataka koji su uzrok eksperimentalne
greke se navodi kao nedostatak ovih tehnika. Ako broj ispitivanih jedinjenja nije dovoljno
veliki prikupljeni podaci ne odraavaju osobine cijele grupe, te moe doi do statistike
greke. Posljedino, QSAR se ne moe koristiti za pouzdano predvidjanje jedinjenja najbolje
aktivnosti a 3D struktura liganda koja se vezuje za receptor nije uvijek poznata pa se
istraivanje najee izvodi sa najjednostavnijom strukturom koja ne mora biti adekvatan
reprezent. Iako postoji veliki broj uspjenih predvidjanja ne treba oekivati da su QSAR
studije uvek tane.
8
4. ZAKLJUAK
QSAR nalazi primjenu unutar mnotva znanstvenih disciplina i podruja poput farmaceutske
industrije pri odreivanju uinkovitosti lijekova, zatite okolia odreivanjem akutnih
toksinosti (koncentracije dovoljne za pojavu pomora riba), analitike kemije pri odreivanju
ovisnosti izmeu fizikalno-kemijskih i/ili strukturalnih svojstava i vremena zadravanja
unutar tekuinske kromatografije. Quantitative Structure-Activity Relationships (QSAR)
novija je metoda praktino razvijena poetkom ezdesetih godina prolog stoljea uvoenjem
dvaju ekstratermodinamikih metoda. Navedene ekstratermodinamike metode su: LFER
(linear free energy relationships) metoda izmeu biolokih aktivnosti strukturalno slinih
lijekova i kemijskih supstituenata na zajednikoj molekuli te Free-Wilson analiza temeljena
na zbrajanju doprinosa razliitih supstitucijskih grupa i viestrukih poloaja supstituenata na
bioloku aktivnost. QSAR metoda se openito temelji na odreivanju relacija izmeu
specifine promjenjive veliine (aktivnosti) i fizikalno-kemijskih i/ili strukturalnih svojstava
odreenih vrijednostima koje nazivamo deskriptori.
9
5. LITERATURA
Sovi I, Pikorec M, anadi I (2010) Nova robusna metoda za QSAR analizu temeljena na
multivarijantnoj regresiji L1, Sveuilite u Zagrebu, Zagreb
Roy K (2007) On some aspects of validation of predictive QSAR models. Expert Opin Drug
Discov,University of Oxford, London
Zhou, J. J and Wang, T. (2001). Methods of molecular modeling in drug design, Scinece Press,
Beijing
Worth, A.P., Bassan, A., De Bruijn, J., Gallegos Saliner, A., Netzeva, T., Patlewicz, G., Pavan,
M., Tsakovska, I., and Eisenreich, S. (2007) SAR and QSAR in Environmental Research
10