Aplicación del Cribado Virtual en el Diseño de una Prueba Colorimétrica para la Identificación Preliminar de Canabinoides Sintéticos.

Resumen

Los cannabinoides sintéticos constituyen un grupo de Nuevas Sustancias Psicoactivas (NSP) que imitan los efectos de Cannabis sativa, ya que actúan sobre los mismos receptores cannabinoides. Actualmente representan el tercer grupo más grande de NSP. La detección preliminar de estas drogas se ha convertido en un verdadero desafío para los laboratorios forenses. En este contexto, el presente trabajo emplea la técnica de Cribado Virtual basado en ligandos para orientar la selección de moléculas con potencial actividad colorimétrica, mejorando el proceso de búsqueda de una prueba de color eficiente que contemple la identificación de la mayoría de los cannabinoides sintéticos, además de constituir una alternativa que requiere menores recursos financieros, infraestructura y tiempo de desarrollo. Para ello, se seleccionaron 4-dimetilaminobenzaldehído y 2,4-dinitrofenilhidrazina como compuestos químicos de referencia para el filtrado molecular en bases de datos químicas, obteniéndose respectivamente 13 y 20 estructuras químicas distintas entre sí. Estas sustancias fueron sometidas a metodologías de comparación por similitud molecular: Análisis de Componentes Principales (PCA) y Análisis de Clústeres, las cuales utilizan características moleculares específicas de los compuestos de referencia y las comparan con los descriptores correspondientes de las moléculas presentes en las bases de datos, empleando medidas de similitud química. De esta manera, fue posible identificar compuestos con mayor grado de similitud con las sustancias de referencia, indicando candidatos prometedores para la identificación preliminar de cannabinoides sintéticos.

Palabras clave

Canabinoides Sintéticos
Teste Colorimétrico
Triagem Virtual
Synthetic Cannabinoids
Colorimetric Test
Virtual Screening
Canabinoides Sintéticos
Prueba Colorimétrica
Cribado Virtual

Citas

  1. J.A. Velho; G.C. Geiser; A. Espindula. Ciências forenses: uma introdução às principais áreas da criminalística moderna, Millennium, Brasil (2017) 505.
  2. R.C.A. Isaacs. A structure-reactivity relationship driven approach to the identification of a color test protocol for the presumptive indication of synthetic cannabimimetic drugs of abuse. Forensic Sciense International 242: 135-141 (2014).
  3. A.T. Bruni; J.A. Velho; M.F. Oliveira. Fundamentos de química forense, Millenium, Brasil (2019) 380.
  4. M.O.B. Arrieiro. Desenvolvimento de um método de triagem simples e rápido para determinação da Eutilona em amostras forenses. Dissertação de Mestrado, Departamento de Química, Universidade Federal dos Vales do Jequitinhonha e Mucuri (2021).
  5. A.M.N. Santos. Análise Toxicológica de canabinóides sintéticos em contexto forense. Dissertação de Mestrado, Departamento de Ciências Farmacêuticas, Universidade Fernando Pessoa (2018).
  6. Polícia Cientifica do Pará, Laboratório da Superintendência Regional II em Marabá, (2024). https://www.pc.pa.gov.br/delegacias#. Acesso em 03/05/2023).
  7. S.J. Macalino; V. Gosu; S. Hong; S. Choi. Role of computeraided drug design in modern drug discovery. Archives Pharmacal Research 38: 1686-1701 (2015).
  8. Y. Chen; J. Kirchmair. Cheminformatics in natural product-based drug discovery. Molecular Informatics 39: 2000-2171 (2020).
  9. V. Auwarter; S. Dresen; W. Weinmann; M. Muller; M. Putz; N. Ferreirós. ‘Spice’ and other herbal blends: harmless incense or cannabinoid designer drugs? Journal of Mass Spectrometry 44: 832-837 (2009).
  10. H. Durmus; S. Durmazel; A. Üzer; B. Gökdere; E. Erçag; R. Apak. Colorimetric Determination of (Aminoalkyl)índole-containing Synthetic Cannabimetics. Analytical Sciences 10: 1419-1425 (2018).
  11. https://pubchem.ncbi.nlm.nih.gov/. Acesso em 02/10/2023.
  12. Open Moleculares. Osires Data Warrior. Disponível em: http:/www.openmoleculares.org/datawarrior. Acesso em 09/06/2023.
  13. A. A. Shelat; R.K. Guy. Scaffold composition and biological relevance of screening libraries. Nature Chemicas Biology 3: 442-446 (2007).
  14. A. Cereto-Massagué; M. J. Ojeda; C. Valls; M. Mulero; S. Garcia-Vallvé; G.Pujadas. Molecular fingerprint similarity search in virtual screening. Methods 71: 58-63 (2015).
  15. G. Glenner; R.D. Lillie. The histochemical demonstration of índole derivatives by the post-coupled p-dimethylaminobenzylidene reaction. Journal of Histochem Cytochem 5: 279-296 (1957).
  16. N.R. Campbell. The use of 2,4-dinitrophenylhydrazine as a reagent for carbonyl compounds. The Analyst 61: 723-756 (1936).
  17. O.L. Brady; G.V. Elsmie. O uso de 2:4-dinitrofenilidrazina como reagente para aldeídos e cetonas. Analista 51: 77-78 (1926).
  18. J. Tristão; M.M. dos Santos; J. V. Paveski; M. Bolzan; T. Foppa. Validação de metodologia analítica para realização de teste preliminar de identificação de maconha (Cannabis sativa spp) para fins forenses. Extensão em Foco 6: 2317-9791 (2018).
  19. R.P. Rodrigues; S.P. Mantoani; J.R. de Almeida; F.R. Pinsetta; E.P. Semighini; V.B. da Silva; C.H.P. da Silva. Estratégias de triagem virtual no Planejamento de fármacos. Revista Virtual de Química 4: 739-776 (2012).
  20. S. Kim; J. Chen; T. Cheng; A. Gindultye; J. He; S. He; Q. Li; B.A. Shoemaker; P.A. Thiessen. PubChem update: improved access to chemical data. Nucleic acids research 47: 1102-1109 (2019).
  21. Q. Li; T. Cheng; Y. Wang; S.H. Bryant. PubChem as a public resource for drug discovery. Drug Discovery Today 15: 23-24 (2010).
  22. T.I. Oprea; J. Gottfries. Chemography: the art of navigating in chemical space. Journal of Combinatorial Chemistry 3: 157-166 (2001).
  23. T.K. Nguyen; C.B. Lorenz; V.D. Ruud; J.L. Reymond. Classification of organic molecules by molecular quantum numbers. ChemMedChem 4: 1805-1805 (2009).
  24. P.D. Leeson; S.A. ST-Gallay; M.C. Wenlock. Impacto f ion class and time on oral drug molecular properties. Medicinal Chemistry Communications 2: 91-105 (2011).
  25. T. Sander; J. Freyss; M. von Korff; C. Rufener. Data Warrior: na open-source program for chemistry aware data visualization and analysis. Journal of Chemical Information and Modeling 23: 460-473 (2015).
  26. J.B. Russel. Química geral. Makron. Brasil (1996) 516-555.
  27. J. Arnott; S. Planey. The influence of lipophilicity in drug Discovery and design. Expert Opinion on Drug Discovery 7: 863-875 (2012).
  28. Z.Y. Yang; J.H. He; A.P. Lu; T.J. Hou; D.S. Cao. Application of Negative Design a More Desirable Virtual Screening Library. Journal of Medicinal Chemistry 63: 4411-4429 (2020).
  29. J. Kelder; P.D. Grootenhuis; D.M. Bayada; L.P. Delbressine; J.P. Ploemen. Polar Molecular Surface as a Dominating Determinant for Oral Absorption and Brain Penetration of Drugs. Pharmaceutical Research 16: 1514-1519 (1999).
  30. D.F. Veber; S.R. Johnson; H.Y. Cheng; B.R. Smith; K.W. Ward; K.D. Kopple. Molecular properties that influence the oral bioavailability of drug candidates. Journal of Medicinal Chemistry 45: 2615-2623 (2002).
  31. H. Yang; L. Sun; W. Li; G. Liu; Y. Tang. In silico prediction of chemical toxicity for drug design using machine learning methods and structural alerts. Frontiers in Chemistry 6: 129 (2018).
  32. J. Velkoborsky; D. Hoksza. Scaffold analysis of PubChem database as background for hierarchical scaffold-based visualization. Journal of Cheminformatics 8: 74, (2016).
  33. A. Schuffenhauer; P. Ertl; S. Roggo; S. Wetzel; M.A. Koch; H. Waldmann. The scaffold tree-visualization of the scaffold universe by hierarchical scaffold classification. Journal of Chemical Information and Modeling 1: 47-58 (2007).
  34. D. Bajusz; A. Rácz; K. Héberger. Why is Tanimoto index an appropriate choice for fingerprint-based similarity calculations?. Journal of Cheminformatics 7: 20 (2015).
  35. L. Kaufman; P. J. Rousseeuw. Finding Groups in Data: Na Introduction to Cluster Analysis. Wiley Interscience. England (1990) 1618-1620.
  36. M.G. Maggiora; J. Bajorath. Chemical space networks: a powerful new paradigma for the description of chemical space. Journal of Computer-Aided Molecular Design 28: 795-802 (2014).
  37. R. Kunimoto; J. Bajorath. Combining similarity searching and network analysis for the identification of active compounds. ACS Omega 3: 3768-3777 (2018).
  38. B.F. Domingues. 3D-Pharma: uma ferramenta para triagem virtual baseada em fingerprints de farmacofóros. Tese de Doutorado, Departamento de bioquímica e imunologia, Universidade Federal do Rio Grande do Sul, (2001).
  39. A. Rácz; D. Bajusz; K. Héberger. (2018). Life beyond the Tanimoto coefficient: similarity measures for interaction fingerprints. Journal of Cheminform 10: 48 (2018).
  40. I.T. Jolliffe. Principal Component Analysis, Series: Springer Series in Statistics. Springer 2: 28 (2002).
  41. L.O. Magalhães. Desenvolvimento de métodos quimiométricos para triagem de novas substâncias psicoativas em selos utilizando técnicas espectroscópicas na região do infravermelho. Tese de Doutorado, Departamento de Química, Universidade de Brasília, (2019).
  42. D. Granato; J.S. Santos; G.B. Escher; B.L. Ferreira; R. Maggio. Use of principal componente analysis (PCA) and hierarchical cluster analysis (HCA) for multivariate association between bioactive compounds and functional properties in foods: A critical perspective. Journal Trends in Food Science and Technology 72: 83-90 (2018).
  43. S. Ekins; J. Mestres; B. Testa. In silico pharmacology for drug discovery: methods for virtual ligand screening and profiling. British Journal of Pharmacology 152: 9-20 (2007).
  44. B.O. Gohlke; T. Overkamp; A. Richter; P.T. Daniel; B. Gillissen; R. Preissner. 2D and 3D similarity landscape analysis identifies PARP as a novel off-target for the drug Vatalanib. BMC Bioinformatics 16: 308 (2015).
  45. D. Giganti; H. Guillemain; J.L. Spadoni; M. Nilges; J.F. Zagury; M. Montes. Comparative evaluation of 3D virtual ligand screening methods: impact of the molecular alignment on enrichment. Journal of Chemical Information and Modeling 50: 992-1004 (2010).
  46. K. Santana; L.D. do Nascimento;A.L. e Lima; V. Damasceno; C. Nahum; R.C. Braga; J. Lameira. Applications of virtual screening in bioprospecting: facts, shifts, and perspectives to explore the chemo-structural diversity of natural products. Frontiers in Chemistry 9: 662-688 (2021).
  47. S. Riniker; G.A. Landrum. Similarity maps–a visualization strategy for molecular fingerprints and machine-learning methods. J. Cheminform 5: 43 (2013).
  48. Y. Hu; D. Stumpfe; J. Bajorath. Exploração computacional de estruturas moleculares em química medicinal. Journal of Medical Chemistry 5: 17-46 (2016).
  49. B.F.J. Manly. Multivariate statistical methods: a primer. Chapman & Hall 2: 215 (1994).
Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

Derechos de autor 2024 Revista Brasileña de Criminalística

Compartir

Descargar

pdf (Português (Brasil))

Autor(es)