2D chemometric studies of a series of azole derivatives active against fluconazole-resistant Cryptococcus gattii

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.