Search

Over the last decades fungal infections have become an increasing health problem, especially for immunocompromised patients. Unfortunately, the gold standard prophylactic therapy for such ailment is based on azole derivatives, which are fungistatic rather than fungicidal against C. neoformans and cause hepatotoxicity. Aiming at circumvent these problems, non-azole CYP51 inhibitors were designed. Herein a comprehensive structure-activity relationships study was carried out for a dataset of 110 molecules by means of hologram- and descriptor-based QSAR studies. The best descriptor-based QSAR model (r² = 0.92, q² = 0.90, 6 LVs and r²pred =0.86) suggests that resonance effects (ESpm08r) play a major role for antifungal activity. The hologram-based QSAR (r² = 0.87, q² = 0.81, 6 LVs and r²pred = 0.84) supports this hypothesis and hints at steric properties that should also contribute to non-azole inhibitors potency. The insights provided by the integrated analysis of QSAR models, along with their good predictive power prove their usefulness to future drug design efforts. Durante as últimas décadas as infecções fúngicas têm se tornado um crescente problema de saúde, especialmente para pacientes imunocomprometidos. Infelizmente, o padrão-ouro de terapia profilática para tal doença é baseada em derivados azólicos, que são mais fungistáticos do que fungicidas contra C. neoformans e causam hepatotoxicidade. Objetivando contornar estes problemas, inibidores não-azólicos de CYP51 foram planejados. Aqui, um abrangente estudo de relação estrutura-atividade foi executado para uma série de 110 moléculas através de um estudo de QSAR baseado em hologramas e descritores moleculares. O melhor modelo de QSAR baseado em descritores (r² = 0,92, q² = 0,90, 6 LVs e r²pred =0,86) sugere que o efeito de ressonância (ESpm08r) desempenha um papel principal para a atividade antifúngica. O modelo de QSAR baseado em hologramas (r² = 0,87, q² = 0,81, 6 LVs e r²pred = 0,84) sustenta esta hipótese. Estas percepções obtidas pelas análises integradas dos modelos de QSAR, juntamente com o bom poder preditivo comprovam sua utilidade para futuros esforços em planejamento de fármacos.

Despite advances in the development of antifungal drugs, there has been an upsurge of cryptococosis infections that poorly respond to fluconazole (first choice drug). Hence, it is paramount to investigate the chemical properties of azole derivatives that are active against resistant C. neoformans. In order to achieve this goal, the susceptibility profile of a clinical isolate of resistant C. neoformans against 33 commercial azole derivatives was evaluated along with their potency (minimum inhibitory concentration, MIC). These data were employed to build SIMCA (soft independent modeling of class analogies) models that pinpoint the importance of electronic features (JGI10) to separate active from inactive compounds and hologram-QSAR models that have good fit but insufficient predictive power (HQSAR, r² = 0.85, q² = 0.35 and r²pred = 0.38). Conversely, 2D QSAR models built from topological descriptors improved the statistical quality (r² = 0.95, q² = 0.86, r²pred = 0.72) and highlight that charge distribution (GGI1) and topological electronegativity (GATS1e and MATS2e) should be modulated to overcome the C. neoformans resistance. Apesar dos avanços no desenvolvimento de antifúngicos, tem ocorrido um aumento de casos de criptococose que não respondem de forma adequada a fluconazol (fármaco de primeira escolha). Portanto, é de suma importância investigar as propriedades químicas de derivados azólicos que sejam ativos contra cepas de Cryptococcus neoformans resistentes a fluconazol. Visando alcançar esse objetivo, o perfil de suscetibilidade de um isolado clínico de C. neoformans resistente contra 33 derivados azólicos comerciais foi avaliado junto com as suas respectivas concentrações inibitórias mínimas (MIC). Esses dados foram utilizados para construir modelos SIMCA (modelagem independente flexível por analogias de classes) que destacam a importância de propriedades eletrônicas (JGI10) para separar as moléculas ativas das inativas e para construir modelos de holograma-QSAR que apresentam bom ajuste, mas capacidade preditiva baixa (HQSAR, r² = 0.85, q² = 0.35 e r²pred = 0.38). Por outro lado, modelos de QSAR 2D desenvolvidos a partir de descritores topológicos apresentaramm boa qualidade estatística (r² = 0.95, q² = 0.86, r²pred = 0.72) e destacam que a distribuição de cargas (GGI1) e a eletronegatividade topológica (GATS1e e MATS2e) devem ser modulados para contornar a resistência de C. neoformans.