CV en función del ligando: En estos casos solo se conoce la estructura de la

molécula objeto de estudio. A su vez se pueden subdividir en dos metodologías:

2.1. Superposición de farmacóforos: se necesita conocer las características químicas y geométricas de las moléculas con el fin de poder superponer sus conformaciones en 3D y determinar cuál es el farmacóforo (Escalona et al., 2003). Presenta un coste computacional elevado debido a que el sistema calcula la conformación energética activa de cada molécula que no siempre resulta ser la más termodinámicamente más estable (Willett et al., 1998).

2.2. Descriptores: según Talevi y Bruno-Blanch (2010), un descriptor es una variable que refleja algún aspecto de la estructura molecular. A partir de estos descriptores se diseñan los modelos QSAR (Quantitative Structure-Activity Relationship), métodos para la obtención de modelos matemáticos y/o computacionales cuyo fin es encontrar una correlación estadísticamente significativa entre estructura y actividad empleando un técnica quimiométrica. En otras palabras, la estructura química de un compuesto va a permitir conocer las propiedades del mismo. A través de los modelos QSAR se

61

busca estudiar la correlación entre descriptores y afinidad de unión, actividad o toxicidad empleando métodos quimiométricos (Verma et al., 2010).

a) Los modelos QSAR-3D requieren un análisis conformacional de todas las estructuras moleculares que formen parte de la serie de entrenamiento. Estos modelos emplean descriptores 3D, también definidos como dependientes, entre los que destacan el método CoMFA (Comparative Molecular Field Analysis) y el método CoMSIA (Comparative Molecular Similarity Indices Analysis) (Verma et al., 2010). Ambas técnicas QSAR-3D han sido empleadas en la búsqueda de nuevas cabezas de serie empleando el MTZ como estructura principal para la búsqueda de alternativas frente a aislados T. vaginalis resistentes (Kumar et al., 2012b). El inconveniente principal de estas técnicas basadas en descriptores 3D es que se requiere optimizar la geometría de todas las moléculas de la serie de entrenamiento, siendo necesario un número mínimo adecuado de moléculas activas conocidas para poder generar el modelo QSAR (Talevi y Bruno-Blanch, 2010).

b) A pesar de la ventaja que presentan los modelos 3D en cuanto a diferenciación de isómeros ópticos, la dificultad computacional de estos estudios ocasiona que los modelos más ampliamente utilizados por su mayor sencillez y bajo coste, sean los modelos basados en descriptores independientes, como los topológicos (2D) y los

constitucionales, que dependen solo de la fórmula química, como el peso

molecular o el número de heteroátomos. Estos modelos QSAR-2D permiten analizar bases de datos compuestas por millones de moléculas en un tiempo corto al no tener en cuenta la conformación de la molécula. Sin embargo, a veces pueden presentar problemas para diferenciar isómeros ópticos así como la interpretación de los propios modelos en función de los descriptores 2D que se hayan empleado para su diseño. Siguiendo esta línea el equipo de Marrero-Ponce ha diseñado un software (TOMOCOMD-CARDD®_{) capaz de generar modelos}

virtuales a partir del cálculo de descriptores topológicos. A través de este software, en los últimos años se han diseñado modelos de CV que han permitido la selección racional de compuestos potencialmente activos frente a distintos parásitos como Plasmodium falciparum (Marrero-Ponce et al., 2005; Montero- Torres et al., 2006), Trypanosoma cruzi (Montero-Torres et al., 2005; Vega et al., 2006; Castillo-Garit et al., 2011, 2012) o Trichomonas vaginalis (Marrero-Ponce et

al., 2005; Meneses-Marcel et al., 2005; Marrero-Ponce et al., 2006; Marrero-Ponce et al., 2008; Meneses-Marcel et al., 2008; Rivera-Borroto et al., 2009). Los

modelos generados han mostrado porcentajes de sensibilidad y especificidad por encima del 82,8 % y del 75 %, respectivamente.

2.3. Similitud: Para poder diseñar un modelo QSAR, se requiere crear una serie de entrenamiento que esté conformada por un número mínimo de ligandos conocidos que presenten la actividad buscada. Sin embargo, existen casos en los que no se puede disponer de suficientes entidades moleculares con la propiedad deseada. Es por ello por lo que se han diseñado metodologías basadas en la similitud química entre compuestos. Esta metodología se basa en la cuantificación del grado de relación entre estructuras. Este tipo de CV está fundamentado en el Principio de Propiedad Similar

62

enunciado por Johnson y Maggiora en los años 90. Este principio enuncia que aquellas moléculas que sean estructuralmente similares es probable que también presenten propiedades similares (Willett, 2006). El principal inconveniente de este tipo de CV es que no da información precisa sobre las propiedades moleculares y farmacocinéticas más adecuadas para la mejor interacción ligando-diana (Talevi y Bruno-Blanch, 2010). Este tipo de CV basado en la similitud estructural a partir de ligando ha sido empleado por el grupo de Pérez-Villanueva generando mapas SAS (Structure-Activity

Similarity) a partir de una colección de benzimidazoles ya ensayados, con el fin de

encontrar estructuras consenso con actividad potencial frente a T. vaginalis y Giardia

intestinalis (Pérez-Villanueva et al., 2010).

Todos los métodos de CV presentan distintas ventajas e inconvenientes, no existiendo ninguno que destaque frente a otro. La elección del método de CV más adecuado dependerá de los conocimientos que existan sobre la diana y el ligando. En los últimos años se ha producido un incremento en el número de artículos científicos en el campo de la Química Médica en los que se incluyen CV. El objetivo del empleo de descriptores farmacocinéticos es descartar aquellas estructuras que puedan mostrar futuros problemas de biodisponibilidad o toxicidad, considerando que más de un 90% de los fármacos retirados del mercado lo son por efectos tóxicos y que un tercio de las moléculas que presentan una actividad relevante en los ensayos in vitro, deben ser descartadas durante las fases I a III de los ensayos clínicos a causa de la toxicidad o problemas farmacocinéticos (Schuster et al., 2005).

Figura 25: Esquema de los principales métodos de CV desarrollados para el cribado in

63

Todo estudio QSAR requiere seguir una serie de pasos generales: 1) Planteamiento del problema

2) Previsión de las propiedades estructurales a determinar

3) Elección del modelo QSAR, muchas veces determinado por el tipo de compuesto que se busca

4) Generación de las series

5) Cálculo de los descriptores moleculares (DM) 6) Análisis estadístico y validación de los modelos 7) Validación de los modelos generados

Determinación computacional de parámetros farmacocinéticos: existen programas

bioinformáticos capaces de calcular descriptores relacionados con propiedades fisicoquímicas que van a condicionar la absorción, distribución, metabolismo y/o excreción (ADME) de esa molécula. La absorción de un compuesto químico depende de la solubilidad de dicha molécula y de la permeabilidad intestinal. Aunque existen procesos de absorción mediados por transportadores activos, los parámetros que se pueden predecir virtualmente hacen referencia a la capacidad de la molécula para ser absorbida mediante difusión pasiva a través de membrana.

Existen numerosos estudios que hacen referencia a estas propiedades farmacocinéticas siendo la regla de Lipinski o regla de los 5 (RO5 = Rule of 5), descrita por Lipinski y colaboradores en 1997 (Lipinski et al., 2001), la más conocida. En ese trabajo, el equipo de Lipinski llevó a cabo un estudio pormenorizado de distintas propiedades de un número de moléculas significativo, con el objetivo de definir los parámetros teóricos que sugieren si una molécula va a presentar una absorción y permeabilidad baja. En la tabla 10, se muestran los valores más adecuados que una molécula tenga una buena biodisponibidad oral y una adecuada permeabilidad a nivel intestinal.

Tabla 10: Propiedades fisicoquímicas estimadas por la RO5 para que una molécula presente

una buena biodisponibilidad oral y permeabilidad intestinal.

Propiedad Abreviatura Límite Observación

Peso molecular PM ≤ 500

Un compuesto químico de gran tamaño encuentra dificultades para atravesar la

membrana intestinal y la hematoencefálica Aceptores de puentes

de H Ha ≤ 10 Recuento del número de oxígenos y nitrógenos Donadores de puentes

de hidrógeno Hd ≤ 5 Sumatorio del número de enlaces NH y OH Coeficiente de partición CLogP ≤ 5

Coeficiente de la solubilidad en medio orgánico (octanol) y medio acuoso. Define la lipofilia de la molécula y con

64

Área de superficie polar TPSA < 120 Å2

Superficie ocupada por todos los átomos polares, principalmente N y O, así como los hidrógenos polares unidos a estos dos átomos. Puede limitar la difusión pasiva a

nivel intestinal

Posteriormente, Lipinski (2004) publicó las propiedades teóricas de las moléculas que atraviesan la barrera hematoencefálica (BHE) y cuya diana farmacológica se encontrase en el SNC (Tabla 11).

Tabla 11: Propiedades fisicoquímicas necesarias para lograr una buena permeabilidad a

través de la BHE.

Abreviatura Límite

TPSA < 60-70 Å2

Ha ≤ 5

CLogP - Ha > 0

En la actualidad se está promoviendo el uso de estas herramientas computacionales durante el proceso inicial de búsqueda de cabezas de serie o hits frente a una patología. El trabajo multidisciplinar de los equipos de predicción in silico, los de síntesis y los de ensayos in vitro e in vivo permiten un diseño racional de nuevas moléculas más eficaz. En la actualidad, se han diseñado diversos softwares capaces de determinar empíricamente las propiedades fisicoquímicas de un compuesto en función de su estructura mediante cálculos computacionales.