UNIVERSIDAD TECNICA PARTICULAR DE LOJA

UNIVERSIDAD TECNICA PARTICULAR DE LOJA

Autora: Vanessa JiménezTutora: PhD. Silvia González

DISEÑO DE UN MODELO MOLECULAR PARA PREDECIR ACTIVIDADES INHIBIDORAS DE

ACETILCOLINESTERASA

Introducción: • La enfermedad de Alzheimer

produce pérdida de memoria por la degradación de acetilcolina. El tratamiento para esta afección depende del bloqueo de la acetilcolinesterasa para inhibir la degradación de los neurotransmisores (acetilcolina).

En Ecuador existe una gran diversidad de flora. En el cantón Saraguro de la provincia de Loja, se ha encontrado una variedad de plantas de la familia Lycopodiaceae del género Huperzia, en las cuales se ha encontrado principios activos inhibidores de acetilcolinesterasa. En dichas plantas están presentes ciertas moléculas para las cuales no se encontrado estudios en la literatura científica.

Objetivo:

Diseñar un modelo computacional (QSAR) relacionando la estructura de una serie de moléculas con su actividad inhibidora de acetilcolinesterasa para incluir en el modelo la estructura de las moléculas que se desconocen, presentes en las plantas mencionadas anteriormente.

Metodología:

• Se utilizó la base de datos NCI• Se tomó un gran numero de moléculas,

de las cuales se obtuvieron la estructura y actividad biológica (inhibidores de acetilcolinesterasa)

• Se usó el método de QSAR en donde se realizó una correlación entre estructura-actividad

• Para tomar las moléculas de esta base de datos hemos tomado en cuenta su actividad inhibidora, para ello deben tener en común un grupo amino, y ser alcaloides.

• Es decir en esta parte de las moléculas se encuentra el sitio activo.

• Dentro del método QSAR se encuentra el software DRAGON con el cual se encontrará los descriptores más adecuados, para que puedan ser clasificados con respecto a la estructura de cada molécula.

• Por medio de MATLAB se utiliza el mejor método de correlación con respecto a la actividad, para así obtener el diseño mas óptimo.

Resultados:Se ha logrado tener una gran cantidad de moléculas (alrededor de 90), pero hasta ahora no se ha conseguido el diseño más adecuado. Los resultados más cercanos han sido los siguientes:

• Los descriptores obtenidos mediante el software DRAGON fue de 624.

NSC Nombre IUPAC Actividad biológica

NSC11857.mol4-(trimethyl-lambda~5~-azanyl)-5,6,7,8-

tetrahydro-1-naphthalenyl methylcarbamate 0,815

NSC35355.mol1-(4-chlorobenzyl)-5-methyl-1lambda~5~-pyridin-

3-yl methylcarbamate 0,735NSC634577.mol Huperzine A, 6-.beta.-hydroxy- 0,827NSC85799 .mol 6-methoxy-1-methyl-4,9-dihydro-3H-beta-carboline 0,292

NSC296533 .mol2,9-dimethyl-2,3,4,9-tetrahydro-1H-beta-carbolin-

1-one 0,282NSC600645 .mol 1-benzyl-1,4-dihydro-4-pyridinecarboxamide 0,21

NSC406295 .molN~1~-(5,6-dimethoxy-8-quinolinyl)-N~6~,N~6~-

diethyl-1,6-hexanediamine 0,208

NSC30782 .mol

1,3a,8-trimethyl-1,2,3,3a,8,8a-hexahydropyrrolo[2,3-b]indol-5-yl

methylcarbamate 0,986

NSC679759 .mol1-methyl-1lambda~5~-pyridin-3-yl dimethylcarbamate hydrobromide 0,892

NSC167720 .mol2-bromo-N-(1,2,3,4-tetrahydro-9-

acridinyl)acetamide 0,533NSC381408 .mol 2-ethoxy-9-acridinamine 0,53

CONCLUSIONES:

• Los descriptores encontrados hasta el momento para cada una de las moléculas, han demostrado ser los más óptimos para las estructuras utilizadas.

Trabajo a futuro:

• Para seguir con este proyecto se está ampliando la cantidad de moléculas y buscando el mejor método de correlación donde se pueda obtener un modelo deseado.

GRACIAS POR SU ATENCIÓN