Zeitschrift für Arzneimittelstoffwechsel und Toxikologie
Offener Zugang

Abstrakt

Genaues, schnelles und leicht verständliches Density Functional Tight Binding und Machine Learning QSAR für die DPPH- und ABTS-Antioxidantienaktivität von Phenolverbindungen basierend auf No-Code-Freeware

Andrés Halabi, Millaray Hernández und Hans Lenes2

In dieser Studie haben wir verschiedene Modelle zur quantitativen Struktur-Aktivitäts-Beziehung (QSAR) für die experimentellen Werte von 1,1-Diphenyl-2-picrylhydrazyl (DPPH) und 2,2-Azino-bis-3-ethylbenzthiazolin-6-sulfonsäure (ABTS) von 55 phenolischen Antioxidantien entwickelt, basierend auf konzeptionellen DFT-Deskriptoren, die mit der Density Functional Tight Binding (DFTB) GFN1-xľB berechnet wurden. Für die Merkmalsauswahl und Regressionsanalyse wurden Algorithmen des maschinellen Lernens verwendet und die Leave-One-Out-Kreuzvalidierung wurde sowohl für die multiple lineare Regression (MLR) als auch für die sequentielle minimale Optimierungsregression (SMOreg) verwendet. Für die ABTS-Aktivität wurden zwei Modelle mit einem Korrelationskoeffizienten von 0,94 (MLR) und 0,92 (SMOreg) erhalten. Für die DPPH-Aktivität wurden zwei Modelle mit einem Korrelationskoeffizienten von 0,93 (MLR) und 0,91 (SMOreg) erhalten. Die Anzahl der Phenolgruppen im Molekül, die Bindungsdissoziationsenthalpie und das Radikal-Fukui des aktivsten Phenolsauerstoffs reichten aus, um die Radikalfängeraktivität (RSA) von Phenolen richtig vorherzusagen. Beide entwickelten QSAR-Modelle wurden gemäß den Empfehlungen der Organisation für wirtschaftliche Zusammenarbeit und Entwicklung (OECD) zu QSAR-Modellen durchgeführt. Angesichts der Bedeutung antioxidativer Aktivitäten in der Medizin-, Pharma- und Lebensmittelindustrie schlägt diese Studie eine äußerst wertvolle und kostengünstige Methode vor. Sie ist außerdem äußerst leicht zu verstehen, da wir nur drei Deskriptoren benötigen, die in direktem Zusammenhang mit der bekannten Chemie der Substanzen stehen.