Application of Wavelet and Genetic Algorithms for QSAR Study on 5-Lipoxygenase Inhibitors and Design New Compounds

Fatemeh Bagheban Shahri*, Ali Niazi and Ahmad Akrami

Department of Chemistry, Arak Branch, Islamic Azad University, Arak, Iran Corresponding author. Email: f-baghban@iau-arak.ac.ir, f.baghebanshahri@gmail.com Fax: +98 86 34057336.

Received January 1^st, 2015; ]]> Accepted September 4^th, 2015.

Abstract

A quantitative structure-activity relationship (QSAR) modeling was carried out for the prediction of inhibitory activity of 1-phenyl[2H]-tetrahydro-triazine-3-one analogues as inhibitors of 5-lipoxygenase. Partial least squares (PLS) algorithm was employed to model the relationships between molecular descriptors and inhibitory activity of molecules using the genetic algorithm (GA) method as variable selection tool. Pre-processing methods such as wavelet transform (WT) were also used to enhance the predictive power of multivariate calibration methods. To evaluate the models applied in this study (PLS, GA-PLS and WT-GA-PLS), the inhibitory activities of several compounds, not included in the modeling procedure, were predicted. The results of models showed high prediction ability with root mean square error of prediction 0.194, 0.161 and 0.140 for PLS, GA-PLS and WT-GA-PLS, respectively. The WT-GA-PLS method was employed to predict the inhibitory activity of the new inhibitor derivatives.

Key words: 1-phenyl[2H]-tetrahydro-triazine-3-one analogues, genetic algorithms, wavelet transform, QSAR, PLS.

Resumen

Se realizó la modelación de una relación estructura-actividad (QSAR, por su siglas en inglés) para la predicción de la actividad inhibitoria de análogos del 1-fenil[2H]-tetrahidro-triazina-3-ona como inhibidores de la 5-lipoxigenasa. Se utilizó el algoritmo de mínimos cuadrados parciales (PLS, por sus siglas en inglés) para simular las relaciones entre los descriptores moleculares y la actividad inhibitoria de moléculas, usando el método de algoritmos genéticos (GA, por sus siglas en inglés) como herramienta de selección de variables. También se utilizaron métodos de preprocesamiento como transformada de ondeleta (WT, por sus siglas en inglés) para incrementar el poder predictivo de los métodos de calibración multivariable. Para evaluar los modelos aplicados en este estudio (PLS, GA-PLS y WT-GA-PLS), se evaluaron las actividades inhibitorias de varios compuestos no incluidos en el proceso de modelación. Los resultados de los modelos mostraron una alta capacidad predictiva con un error cuadrático medio en la predicción de 0.194, 0.161 y 0.140 para PLS, GA-PLS y WT-GA-PLS, respectivamente. Se utilizó el método WT-GA-PLS para predecir la actividad inhibitoria de nuevos derivados inhibidores.

Palabras clave: Análogos del 1-fenil[2H]-tetrahidro-triazina-3-ona, algoritmos genéticos, transformada de ondeleta, QSAR, PLS.

References

1. Camargo, A. B.; Marchevsky, E.; Luco, J. M. J. Agric. Food Chem. 2007, 55, 3096-3103.         [ Links ]

2. Zhou, Y. P.; Jiang, J. H.; Lin, W. Q.; Zou, H. Y.; Wu, H. L.; Shen, G. L.; Yu, R. Q. Eur. J. Pharm. Sci. 2006, 28, 344-353.         [ Links ]

3. Ioele, G.; Luca, M. D.; Oliverio, F.; Ragno, G. Talanta 2009, 79, 1418-1424.         [ Links ]

4. Cui, W.; Yan, X. Chemomtr. Intell. Lab. Syst. 2009, 98, 130-135.         [ Links ]

5. Ghasemi, J. B.; Ahmadi, S. H.; Brown, S. D. Environ. Chem. Lett. 2011, 9, 87-96.         [ Links ]

6. Hocking, R. R. Biometrics. 1976, 32, 1-49.         [ Links ]

7. Shen, Q.; Lu, Q. Z.; Jiang, J. H.; Shen, G. L.; Yu, R. Q. Eur. J. Pharm. Sci. 2003, 20, 63-71.         [ Links ]

8. Leardi, R. J. Chemom. 1994, 8, 65-79.         [ Links ]

9. Depczynski, U.; Frost, V. J.; Molt, K. Anal. Chim. Acta. 2000, 420, 217-227.         [ Links ]

10. Hibbert, D. B. Chemom. Intell. Lab. Syst. 1993, 19, 277-293.         [ Links ]

11. Leardi, R. J Chemom. 2000, 14, 643-655.         [ Links ]

12. Leardi, R. J. Chemom. 2001, 15, 559-569.         [ Links ]

13. Ghasemi, J. B.; Niazi, A.; Leardi, R. Talanta 2003, 59, 311-317.         [ Links ]

14. Leardi, R.; Boggia, R.; Terrile, M. J. Chemom. 1992, 6, 267-281.         [ Links ]

15. Kompany-Zareh, M. Acta Chim Slov. 2003, 50, 259-273.         [ Links ]

16. Narasimhan, B.; Judge, V.; Narang, R.; Ohlan, R.; Ohlan, S. Bioorg. Med. Chem. Lett. 2007, 17, 5836-5845.         [ Links ]

17. Hemmateenejad, B.; Safarpour, M. A.; Taghavi, F. J. Mol. Struc. 2003, 635, 183-190.         [ Links ]

18. Niazi, A.; Jameh-Bozorghi, S.; Nori-Shargh, D. Turk. J. Chem. 2006, 30, 619-628.         [ Links ]

19. Joreskog, K. G.; Wold, H. System Under Indirect Observations, Amsterdam, North Holland, 1982.         [ Links ]

20. Blessie, A. A.; Nalini, J.; Ramesh, S. C. Int. J. Comput. Sci. Issues. 2011, 8, 449-453.         [ Links ]

21. Kennard, R. W.; Stones, L. A. Technometrics. 1969, 11, 137-148.         [ Links ]

22. Daszykowski, M.; Walczak, B.; Massart, D. L. Anal. Chim. Acta. 2002, 468, 91-103.         [ Links ]

23. Ahmadi, M.; Shahlaei, M. Res. Pharm. Sci. 2015, 10, 307-325.         [ Links ]

24. Mallat, S. A. Wavelet Tour of Signal Processing, Academic Press, San Diego, 1998.         [ Links ]

25. Ghasemi, J. B.; Niazi, A. Talanta 2005, 65, 1168-1173.         [ Links ]

26. Haaland, D. M.; Thomas, E. V. Anal. Chem. 1988, 60, 1193-1202.         [ Links ]

27. Niazi, A.; Leardi, R. J. Chemom. 2012, 26, 345-351.         [ Links ]

28. Cherkasov, A.; et al. J. Med. Chem. 2014, 57, 4977-5010.         [ Links ]

29. Tropsha, A. Mol. Inf. 2010, 29, 476-488.         [ Links ]

30. Tropsha, A.; Gramatica. P.; Vijay, K.G. QSAR. Com. Sci. 2003, 22, 69-77.         [ Links ]

31. Golbraikh, A.; Tropsha, A. J. Mol. Graph. Model. 2002, 20, 269-276.         [ Links ]

32. Richon, A. B. Drug Discov. Today 2008, 13, 659-664.         [ Links ]

33. Clark, D. E. Exp. Opin. Drug Discov. 2006, 1, 103-110.         [ Links ]