CN110232953B - 一种7-[4-(5-芳基-1,3,4-噁二唑)]哌嗪衍生物抗菌活性预估方法 - Google Patents
一种7-[4-(5-芳基-1,3,4-噁二唑)]哌嗪衍生物抗菌活性预估方法 Download PDFInfo
- Publication number
- CN110232953B CN110232953B CN201910680057.3A CN201910680057A CN110232953B CN 110232953 B CN110232953 B CN 110232953B CN 201910680057 A CN201910680057 A CN 201910680057A CN 110232953 B CN110232953 B CN 110232953B
- Authority
- CN
- China
- Prior art keywords
- model
- oxadiazole
- aryl
- electrostatic potential
- surface electrostatic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 150000004885 piperazines Chemical class 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000000844 anti-bacterial effect Effects 0.000 title claims abstract description 20
- 238000005421 electrostatic potential Methods 0.000 claims abstract description 36
- 229940066771 systemic antihistamines piperazine derivative Drugs 0.000 claims abstract description 17
- 241000191967 Staphylococcus aureus Species 0.000 claims abstract description 10
- 238000004770 highest occupied molecular orbital Methods 0.000 claims description 14
- 238000004617 QSAR study Methods 0.000 description 23
- 230000003078 antioxidant effect Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 229940079593 drug Drugs 0.000 description 6
- 239000003814 drug Substances 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 244000063299 Bacillus subtilis Species 0.000 description 5
- 235000014469 Bacillus subtilis Nutrition 0.000 description 5
- 241000588724 Escherichia coli Species 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 5
- 230000000845 anti-microbial effect Effects 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 238000000338 in vitro Methods 0.000 description 3
- 230000009878 intermolecular interaction Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000001727 in vivo Methods 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000324 molecular mechanic Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004057 DFT-B3LYP calculation Methods 0.000 description 1
- 238000003775 Density Functional Theory Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013537 high throughput screening Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000002468 redox effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/30—Against vector-borne diseases, e.g. mosquito-borne, fly-borne, tick-borne or waterborne diseases whose impact is exacerbated by climate change
Landscapes
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Heterocyclic Carbon Compounds Containing A Hetero Ring Having Nitrogen And Oxygen As The Only Ring Hetero Atoms (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)
Abstract
本发明公开了一种7‑[4‑(5‑芳基‑1，3，4‑噁二唑)]哌嗪衍生物抗菌活性预估方法，建立了基于负表面静电势的全局最小值Vs，min和负表面静电势统计量σ2的7‑[4‑(5‑芳基‑1，3，4‑噁二唑)]哌嗪衍生物对阳性菌株Staphylococcus aureus subsp.Aureusd抗菌活性的预估模型。相比于现有预估模型，本发明的模型更适合于7‑[4‑(5‑芳基‑1，3，4‑噁二唑)]哌嗪衍生物对阳性菌株Staphylococcus aureus subsp.Aureusd抗菌活性的预估。
Description
技术领域
本发明涉及哌嗪衍生物抗氧化活性研究领域，具体涉及一种7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物抗菌活性预估方法。
背景技术
QSAR关系是借助数理统计的方法对化合物的理化性质与结构特性之间的关系进行数据回归分析的一种方法。多元线性回归是QSAR常用的建模方法。目前，组合化学和高通量筛选方法的出现，特别是经量子化学计算得到的QSPR参数的引入和建模方法的发展，极大促进了QSPR在药学、材料科学、环境科学等诸多领域的广泛应用。
7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物抗氧化活性早已引起了人们的重视，已有QSAR方法对其活性的研究，但相关系数较小，计算机辅助描述符可靠性差。
本发明引入分子表面静电势及其统计学量作为因变量，具有较强的创造性，新颖性；提高了模型的相关系数，而且由于借助了计算机辅助设计，通过该方案能方便、快捷地了解7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物抗氧化活性，具有较强的实用性。
文献[Rajnish K et al.，European Journal of Medicinal Chemistry 46(2011)3543-3550]进行了7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物抗氧化活性预估模型研究。但文献有以下不足：(1)仅仅给出了pMIC与HOMO轨道能级的QSAR模型。(2)文献中分子的结构采用Hyperchem 8.0.5画出，然后借助分子力学MM+方法进行能量最小结构全优化。该方案的结构优化粗糙，不能给出精确的分子结构全局最低能量点，因而HOMO轨道的能级精确度不高，QSAR模型精度欠缺。
发明内容
为解决上述问题，本发明提供了一种7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物抗菌活性预估方法。
为实现上述目的，本发明采取的技术方案为：
一种7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物抗菌活性预估方法，基于负表面静电势的全局最小值Vs，min和负表面静电势统计量
的7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物对阳性菌株Staphylococcus aureus subsp.Aureusd抗菌活性的预估模型；所述预估模型为：
pMIC sa＝-21.81HOMO energy+0.04791Vs，min-136.40；
其中，R2＝0.6283，F＝17.9025，p＜0.0001，HOMO energy为HOMO轨道的能级，Vs，min为负表面静电势的全局最小值；
或，
其中，
为负表面静电势统计量。
由于考虑了负表面静电势的全局最小值Vs，min和负表面静电势统计量
相比现有预估模型，本发明的模型更适合于7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物对阳性菌株Staphylococcus aureus subsp.Aureusd抗菌活性的预估。
附图说明
图1为7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物结构图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
实施例
1研究对象及方法
以15种7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物为研究对象(见表1，图1)，采用QSAR(quantitative structureactivity relationship)方法，建立其抗氧化活性与前线轨道以及表面静电势的定量构效关系模型，以实现对7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物抗氧化活性的精确预测。
表1 7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物结构参数及前线轨道和表面静电势计算值
实验所得的浓度MIC(minimun inhibitory concentration，最低抑菌浓度)值的单位是μg/ml。所选MIC值是15种7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物进行体外抗菌活性测试的结果。测试的阳性菌株分别为：Staphylococcus aureus subsp.Aureus(标记为：sa)，Bacillus subtilis(标记为：bs)，Gram negative bacterium Escherichiacoli(标记为：ec)，使用稀释法得到MIC值。为了进行关联，将MIC值转换为摩尔单位，随后转换为其负对数的倒数，即log(1/MIC)(标记为：pMIC)，并作为QSAR模型的因变量。
由于药物的抗氧化活性不仅与其氧化还原性有关，而且与药物在体内外的环境密切相关。氧化还原性主要取决于分子的前线轨道能极差，特别是HOMO轨道的能级极大影响药物的氧化还原性的强度；药物在体内外的环境中容易与目标分子形成分子间相互作用，就药物分子本身而言，分子间相互作用与药物本身的表面静电势有关，特别是负表面静电势所标度的给电子能力与分子间相互作用线性相关。因此本模型选择HOMO轨道的能级、负表面静电势的全局最小值Vs，min及负表面静电势统计量
作为因变量。
文献[Rajnish K et a/.，European Journal of Medicinal Chemistry 46(2011)3543-3550]也进行了7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物抗氧化活性预估模型研究。我们的方法与文献有如下的不同：
(1)文献仅仅给出了pMIC与HOMO轨道能级的QSAR模型；而我们建立的QSAR模型不仅包含HOMO轨道的能级，而且将因变量负表面静电势的全局最小值Vs，min及负表面静电势统计量
引入QSAR模型，使其相关系数值提高。
(2)文献中分子的结构采用Hyperchem8.0.5画出，然后借助分子力学MM+方法进行能量最小结构全优化。该方案的结构优化粗糙，不能给出精确的分子结构全局最低能量点，因而HOMO轨道的能级精确度不高，QSAR模型精度欠缺。而我们建立的QSAR模型的分子结构借助当代较精确的量子化学方法得到，具体如下：所有计算均采用Gaussian 09程序包完成。借助B3LYP/6-311++G(2d，p)理论方法进行了分子的结构优化，稳定态采用“无虚频”标准进行判断。在结构优化基础上，进行了前线轨道和分子表面静电势计算与分析。我们的计算方法是在原子层次上对结构进行的几何构型优化，并充分考虑了分子结构的对称性及电子结构对称性，而且借助密度泛函理论，在详细考察极化函数和弥散函数对分子结构和电子结构影响的基础上，优选6-311++G(2d，p)基组进行的计算，因而大大提高了模型描述符包括HOMO轨道的能级、负表面静电势的全局最小值Vs，min及负表面静电势统计量
的计算精度。
借助Origin6.0软件进行多元线性回归(MLR)，采用内部验证与外部验证相结合的方法对模型进行验证。内部验证采用留一法交互验证(Ieave-one-out，L00)，同时使用测试集对模型进行外部验证。
2模型及其验证结果分析
所得到的7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物抗氧化活性预估模型见表2和表3。表2给出了7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物分别与三种阳性菌株抗菌性测试值pMIC与HOMO轨道的能级及负表面静电势的全局最小值Vs，min之间的QSAR模型；表3给出了7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物分别与三种阳性菌株抗菌性测试值pMIC与HOMO轨道的能级及负表面静电势统计量σ2之间的QSAR模型。对于如下得到的模型，除特别说明，参加回归分析的样本容量均为15。
表2 7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物分别与三种阳性菌株抗菌性测试值pMIC以及与负表面静电势的全局最小值Vs，min有关的计算
表3 7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物分别与三种阳性菌株抗菌性测试值pMIC以及与负表面静电势统计量
有关的计算
(1)阳性菌株Staphylococcus aureus subsp.Aureusd的QSAR模型
与阳性菌株Staphylococcus aureus subsp.Aureusd有关的QSAR模型分别见由表2数值得到的模型(sa-1)和表3数值得到的模型(sa-2)：
pMIC sa＝-21.81HOMO energy+0.04791Vs，min-136.40 (sa-1)
其中，R2＝0.6283，F＝17.9025，p＜0.0001
其中，R2＝0.6409，F＝19.0010，p＜0.0001
pMIC sa＝-3.6847HOMO energy-28.9669 (文献Rajnish)
其中，n＝21，R2＝0.538，F＝22.238，p＜0.0002
为验证模型的真实可靠性，使用留一法对模型(sa-1)和(sa-2)进行内部验证，模型具有可靠性，不存在过拟合现象。对于模型(sa-1)，由于化合物2、7、13和15的偏差值较大，任意去掉一个，R2的值大大增加。例如去掉15，R2的值变为0.6979。使用测试集(No.16～No.21)对模型进行外部验证，可得模型(sa-1)和(sa-2)平均预测绝对误差分别为0.236和0.307，具有较好的预测精度，该活性预测模型稳定可靠，同时具有较好的外部预测能力。
与文献模型[Rajnish K et al.，European Journal of Medicinal Chemistry46(2011)3543-3550]比较，模型(sa-1)和(sa-2)的R2值均较大，且p值结果小于文献模型。这表明，考虑了负表面静电势的全局最小值Vs，min和负表面静电势统计量
的QSAR方程更适合于7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物对阳性菌株Staphylococcus aureussubsp.Aureusd抗菌活性的预估。
(2)阳性菌株Bacillus subtilis的QSAR模型
与阳性菌株Bacillus subtilis有关的QSAR模型分别见由表2数值得到的模型(bs-1)和表3数值得到的模型(bs-2)：
pMIC bs＝-24.27HOMO energy+0.05518Vs，min-152.07 (bs-1)
其中，R2＝0.6824，F＝22.4860，p＜0.0001
其中，R2＝0.6127，F＝16.8203，p＜0.0001
pMIC bs＝-4.5854HOMO energy-36.7704 (文献Rajnish)
其中，n＝21，R2＝0.703，F＝45.159，p＜0.0001
为验证模型的真实可靠性，使用留一法对模型(bs-1)和(bs-2)进行内部验证，模型具有可靠性，不存在过拟合现象。对于模型(bs-1)，由于化合物1、4、8和13的偏差值较大，任意去掉一个，R2的值大大增加。例如去掉13，R2的值变为0.7324。使用测试集(No.16-No.21)对模型进行外部验证，可得模型(bs-1)和(bs-2)平均预测绝对误差分别为0.261和0.262，具有较好的预测精度，该活性预测模型稳定可靠，同时具有较好的外部预测能力。
与文献模型[Rajnish K et al.，European Journal of Medicinal Chemistry46(2011)3543-3550]比较，模型(bs-1)和(bs-2)的R2值均偏小。这表明，考虑了负表面静电势的全局最小值Vs，min和负表面静电势统计量
的QSAR方程使7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物对阳性菌株Bacillus subtilis抗菌活性的预估变得更差。因而，对于7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物对阳性菌株Bacillus subtilis抗菌活性的预估，可不用考虑表面静电势。
(3)阳性菌株Gram negative bacterium Escherichia coli的QSAR模型
与阳性菌株Gram negative bacterium Escherichia coli有关的QSAR模型分别见由表2数值得到的模型(ec-1)和表3数值得到的模型(ec-2)：
pMIC ec＝-11.74HOMO energy+0.01184Vs，min-72.70 (ec-1)
其中，R2＝0.4071，F＝7.86686，p＜0.0040
其中，R2＝0.4004，F＝7.6772，p＜0.0040
pMIC ec＝-4.2824HOMO energy-34.1193 (文献Rajnish)
其中，n＝21，R2＝0.562，F＝24.448，p＜0.0001
由模型(ec-1)和(ec-2)可以看出，R2过小。而且与文献模型[Rajnish K et al.，European Journal of Medicinal Chemistry 46(2011)3543-3550]比较，模型(ec-1)和(ec-2)的R2值均偏小。这表明，考虑了负表面静电势的全局最小值Vs，min和负表面静电势统计量
的的QSAR方程使7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物对阳性菌株Gramnegative bacterium Escherichia coli抗菌活性的预估变得更差。因而，对于7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物对阳性菌株Gram negative bacterium Escherichia coli抗菌活性的预估，可不用考虑表面静电势。
3模型的用途
由于考虑了负表面静电势的全局最小值Vs，min和负表面静电势统计量
与以往文献相比，该模型更适合于7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物对阳性菌株Staphylococcus aureus subsp.Aureusd抗菌活性的预估。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (1)
1.一种7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物抗菌活性预估方法，其特征在于：采用基于负表面静电势的全局最小值Vs，min和负表面静电势统计量
的7-[4-(5-芳基-1，3，4-噁二唑)]哌嗪衍生物对阳性菌株Staphylococcus aureus subsp.Aureusd抗菌活性的预估模型；所述预估模型为：
pMIC sa＝-21.81HOMO energy+0.04791Vs，min-136.40；
其中，R2＝0.6283，F＝17.9025，p＜0.0001，HOMO energy为HOMO轨道的能级，Vs，min为负表面静电势的全局最小值；
或，
其中，
为负表面静电势统计量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910680057.3A CN110232953B (zh) | 2019-07-26 | 2019-07-26 | 一种7-[4-(5-芳基-1,3,4-噁二唑)]哌嗪衍生物抗菌活性预估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910680057.3A CN110232953B (zh) | 2019-07-26 | 2019-07-26 | 一种7-[4-(5-芳基-1,3,4-噁二唑)]哌嗪衍生物抗菌活性预估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110232953A CN110232953A (zh) | 2019-09-13 |
| CN110232953B true CN110232953B (zh) | 2023-05-02 |
Family
ID=67855202
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910680057.3A Active CN110232953B (zh) | 2019-07-26 | 2019-07-26 | 一种7-[4-(5-芳基-1,3,4-噁二唑)]哌嗪衍生物抗菌活性预估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110232953B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112885415B (zh) * | 2021-01-22 | 2024-02-06 | 中国科学院生态环境研究中心 | 基于分子表面点云的雌激素活性快速筛查方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103467381A (zh) * | 2013-09-06 | 2013-12-25 | 中北大学 | 一种1-甲基-3,4-二硝基吡唑的制备方法 |
| CN103971030A (zh) * | 2014-04-18 | 2014-08-06 | 中国科学院烟台海岸带研究所 | 一种预测生物标志物p53与有机磷酸酯阻燃剂相互作用亲和力的方法 |
| CN107563146A (zh) * | 2017-10-17 | 2018-01-09 | 天津工业大学 | 一种评价超滤膜与小分子有机污染物结合强度的方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| MX2015007778A (es) * | 2012-12-18 | 2015-09-04 | Genentech Inc | Prediccion de bioactivacion molecular. |
| US11150185B2 (en) * | 2017-06-23 | 2021-10-19 | Northwestern University | Control of the electrostatic potential of nanoparticles |
-
2019
- 2019-07-26 CN CN201910680057.3A patent/CN110232953B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103467381A (zh) * | 2013-09-06 | 2013-12-25 | 中北大学 | 一种1-甲基-3,4-二硝基吡唑的制备方法 |
| CN103971030A (zh) * | 2014-04-18 | 2014-08-06 | 中国科学院烟台海岸带研究所 | 一种预测生物标志物p53与有机磷酸酯阻燃剂相互作用亲和力的方法 |
| CN107563146A (zh) * | 2017-10-17 | 2018-01-09 | 天津工业大学 | 一种评价超滤膜与小分子有机污染物结合强度的方法 |
Non-Patent Citations (4)
| Title |
|---|
| QSPR/QSAR models for prediction of the physicochemical properties and biological activity of polybrominated diphenyl ethers;Xu Hui-Ying;《Chemosphere》;20060908;第66卷;1998-2010 * |
| Synthesis, antibacterial evaluation and QSAR studies of 7-[4-(5-aryl-1,3,4-oxadiazole-2-yl)piperazinyl] quinolone derivatives;Rajnish Kumar;《European Journal of Medicinal Chemistry》;20110429;第46卷;3543-3550 * |
| The QSAR study for antibacterial activity of structurally diverse nitroaromatics;Jonas Šarlauskas;《CHEMIJA》;20190404;第30卷;41-48 * |
| 喹诺酮药物的定量结构-活性关系;赵文娜等;《浙江大学学报(理学版)》;20090125(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110232953A (zh) | 2019-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Onufriev et al. | Water models for biomolecular simulations | |
| Bannan et al. | Blind prediction of cyclohexane–water distribution coefficients from the SAMPL5 challenge | |
| Micheletti et al. | Accurate and efficient description of protein vibrational dynamics: comparing molecular dynamics and Gaussian models | |
| Bucher et al. | On the use of accelerated molecular dynamics to enhance configurational sampling in ab initio simulations | |
| Yin et al. | MedusaScore: an accurate force field-based scoring function for virtual drug screening | |
| Adasme-Carreño et al. | Performance of the MM/GBSA scoring using a binding site hydrogen bond network-based frame selection: the protein kinase case | |
| Bustad et al. | Parametric and nonparametric population methods: their comparative performance in analysing a clinical dataset and two Monte Carlo simulation studies | |
| Konovalov et al. | Robust cross-validation of linear regression QSAR models | |
| Saccenti | Correlation patterns in experimental data are affected by normalization procedures: consequences for data analysis and network inference | |
| Rantalainen et al. | Kernel‐based orthogonal projections to latent structures (K‐OPLS) | |
| Nezbeda* | Towards a unified view of fluids | |
| Ahmadi et al. | 3D-QSAR and docking studies of the stability constants of different guest molecules with beta-cyclodextrin | |
| Young et al. | Molecular structures and momentum transfer cross sections: the influence of the analyte charge distribution | |
| Ramanathan et al. | An online approach for mining collective behaviors from molecular dynamics simulations | |
| CN110232953B (zh) | 一种7-[4-(5-芳基-1,3,4-噁二唑)]哌嗪衍生物抗菌活性预估方法 | |
| Ma et al. | Transfer learning of memory kernels for transferable coarse-graining of polymer dynamics | |
| Wang et al. | Thermodynamic properties of liquid water: an application of a nonparametric approach to computing the entropy of a neat fluid | |
| Radak et al. | Assessment of metal-assisted nucleophile activation in the hepatitis delta virus ribozyme from molecular simulation and 3D-RISM | |
| Fang et al. | Revisiting nuclear tunnelling in the aqueous ferrous–ferric electron transfer | |
| Masutani et al. | Free-energy analysis of the hydration and cosolvent effects on the β-sheet aggregation through all-atom molecular dynamics simulation | |
| Stahura et al. | Differential Shannon entropy analysis identifies molecular property descriptors that predict aqueous solubility of synthetic compounds with high accuracy in binary QSAR calculations | |
| Cantrell et al. | Machine learning to design antimicrobial combination therapies: Promises and pitfalls | |
| Joshi et al. | An epidemiological introduction to human metabolomic investigations | |
| Kleinman et al. | A maximum likelihood framework for protein design | |
| Ouyang et al. | Application of sparse linear discriminant analysis for metabolomics data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |