III Encuentro Nacional e Internacional de

Tecnología Química ENITEC-2018

Desarrollo tecnológico con sostenibilidad

DISEÑO Y DESARROLLO DE LIGANDOS EN FUNCIÓN DEL SUSTRATO DE

ACUERDO CON EL ANÁLISIS ESTADÍSTICO ASISTIDO POR
COMPUTADORA

A. F. Serna 1, A. J. Avendaño 1, S. Gómez 1, C. H. Gómez 1c

1
Universidad del Valle, Sede Yumbo
c
carlos.h.gomez@correounivalle.edu.co

La generación de nuevos fármacos es un proceso costoso y complejo por lo cual es necesario que
converjan diversas áreas del conocimiento. Actualmente el desarrollo de computadoras más
eficientes ha permitido generar metodologías y simulaciones que han optimizado y en cierto modo
modificado el panorama farmacéutico. A la fecha, dichos métodos han contribuido al análisis
eficiente de datos, la selección de ligandos para evaluación experimental, la generación de hipótesis
para ayudar a entender el mecanismo de acción de fármacos y el diseño de nuevas estructuras
químicas con acción biológica, conformando así un conjunto de técnicas que forman parte de la
denominada química computacional, por ello su enseñanza es fundamental en cursos de Química
Farmacéutica.

Una de las metodologías que relaciona numéricamente estructuras químicas con la actividad
biológica es la QSAR (Quantitative Structure-Activity Relationships) 1 2 la cual reune un conjunto de
técnicas computacionales relacionadas con diseño y visualización espacial virtual de moléculas ( in
sílico), cálculo de propiedades fisicoquímicas moleculares (Descriptores), bioinformática y
estadística, todo esto con el fin de hacer una predicción de la actividad biológica que permita el
diseño teórico de posibles futuros fármacos, evitando pasar por el proceso de prueba y error de
síntesis orgánica3.

En este trabajo se propone la combinación análisis prospectivo y retrospectivo, es decir análisis de

fármacos con estructuras semejantes, junto con el análisis estructural 4 y de actividad5, con esta
información se generan modelos de regresión múltiple que correlacionan estas propiedades para
predecir la actividad biológica de nuevos compuestos, así se sugiere un ciclo iterativo donde los
nuevos fármacos se evalúan y retroalimentan el análisis, mejorando las futuras predicciones.

Como ejemplo de uso de esta metodología se desarrollaron compuestos con propósitos

farmacéuticos, inicialmente sobre el receptor quinasa Beta-adrenérgico (PDB: 3CIK) 6. fármacos para
el tratamiento de la hipertensión arterial y depresión. También se realizó el análisis de fármacos que
inhiben la proteína topoisomerasa α y β, (PDB: 4FM9, 3QX3 respectivamente) 6 involucrados en el
tratamiento contra el cáncer

Las ventajas de esta metodología son su bajo costo, no se requiere de instrumentos ni reactivos de
laboratorio, algunos programas son gratuitos y disponibles en la red, así como bases de datos
accesibles, Statsgraphics, Excel, Pymol y servidores públicos, Swissdock 5, SwissADME7,
SwissTarget8; siendo determinante el alcance del conocimiento dispuesto por el estudiante y

Universidad del Valle - Santiago de Cali - octubre 31-noviembre 2, 2018

 III Encuentro Nacional e Internacional de
Tecnología Química ENITEC-2018
Desarrollo tecnológico con sostenibilidad
realizando consideraciones arraigadas a la química para diseñar adecuadamente los compuestos
arrojados por las consideraciones estadísticas propuestas en los programas ya mencionados.

Palabras clave: Diseño de fármacos, QSAR, Docking, Regresión lineal.

1. Gastciger, J. en Handbook of chemoinformatics 1532-1552 (Wiley-VCH, 2003).

2. Lozano-Aponte, J. & Scior, T. ¿Qué sabe Ud. acerca de...QSAR? Rev. Mex. ciencias Farm. 43, 82-84 (2012).
3. Saldívar-González, F., Prieto-Martínez, F. D. & Medina-Franco, J. L. Descubrimiento y desarrollo de fármacos:
un enfoque computacional. Educ. Quim. 28, 51-58 (2017).
4. Marrero, J. & Gani, R. Group-contribution based estimation of pure component properties. Fluid Phase Equilib.
183-184, 183-208 (2001).
5. Grosdidier, A., Zoete, V. & Michielin, O. SwissDock, a protein-small molecule docking web service based on
EADock DSS. Nucleic Acids Res. 39, 270-277 (2011).
6. Berman, H. M. et al. The Protein Data Bank. Nucleic Acids Research 235-242 (2000). Disponible en:
www.rcsb.org.
7. Daina, A., Michielin, O. & Zoete, V. SwissADME: A free web tool to evaluate pharmacokinetics, drug-likeness and
medicinal chemistry friendliness of small molecules. Sci. Rep. 7, 1-13 (2017).
8. Gfeller, D. et al. SwissTargetPrediction: A web server for target prediction of bioactive small molecules. Nucleic
Acids Res. 42, 32-38 (2014).

Universidad del Valle - Santiago de Cali - octubre 31-noviembre 2, 2018