CN111329847A - 利用二氢查尔酮类化合物对胰岛素促泌性能进行预报的方法及应用 - Google Patents

利用二氢查尔酮类化合物对胰岛素促泌性能进行预报的方法及应用 Download PDF

Info

Publication number
CN111329847A
CN111329847A CN202010198834.3A CN202010198834A CN111329847A CN 111329847 A CN111329847 A CN 111329847A CN 202010198834 A CN202010198834 A CN 202010198834A CN 111329847 A CN111329847 A CN 111329847A
Authority
CN
China
Prior art keywords
dihydrochalcone
secretion promoting
insulin secretion
compounds
compound
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.)
Pending
Application number
CN202010198834.3A
Other languages
English (en)
Inventor
吕蔚
陆文聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Transpacific Technology Development Ltd
University of Shanghai for Science and Technology
Original Assignee
Beijing Transpacific Technology Development Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Transpacific Technology Development Ltd filed Critical Beijing Transpacific Technology Development Ltd
Priority to CN202010198834.3A priority Critical patent/CN111329847A/zh
Publication of CN111329847A publication Critical patent/CN111329847A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K31/00—Medicinal preparations containing organic active ingredients
    • A61K31/12—Ketones
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61P—SPECIFIC THERAPEUTIC ACTIVITY OF CHEMICAL COMPOUNDS OR MEDICINAL PREPARATIONS
    • A61P3/00—Drugs for disorders of the metabolism
    • A61P3/08—Drugs for disorders of the metabolism for glucose homeostasis
    • A61P3/10—Drugs for disorders of the metabolism for glucose homeostasis for hyperglycaemia, e.g. antidiabetics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
    • 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
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Diabetes (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Medicinal Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Emergency Medicine (AREA)
  • Endocrinology (AREA)
  • Hematology (AREA)
  • Obesity (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Chemical & Material Sciences (AREA)
  • Mathematical Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Organic Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Acyclic And Carbocyclic Compounds In Medicinal Compositions (AREA)

Abstract

本发明公开了一种利用二氢查尔酮类化合物对胰岛素促泌性能进行预报的方法，首先合成系列二氢查尔酮类化合物，确定其结构，计算其物理化学性质；再测定系列二氢查尔酮类化合物的胰岛素促泌性能，建立样本集；然后用采用基于CFS特征选择方法，处理样本集，形成降维后的分子描述符；再用支持向量机回归算法建立二氢查尔酮类化合物的胰岛素促泌活性；最后利用预报模型对新的二氢查尔酮类化合物进行胰岛素促泌活性预报。本发明涉及一种二氢查尔酮类化合物在制备降血糖药物中的应用，利用二氢查尔酮类化合物对胰岛素促泌性能进行预报，并将二氢查尔酮作为降血糖药物组分或原料使用。本发明模型能用于指导高活性新药物结构的设计，效率高，成本低。

Description

利用二氢查尔酮类化合物对胰岛素促泌性能进行预报的方法 及应用
技术领域
本发明涉及一种化合物的生理活性预报方法及其化合物的应用，特别是涉及一种二氢查尔酮类化合物的生理活性预报方法及其化合物的应用，应用于药物开发技术领域。
背景技术
化合物的活性预报是现代药物开发流程中开发具有特定高生理活性化合物的一个必要步骤，在天然来源的具有生物活性的先导化合物的基础上，合成一系列类似结构的衍生物，建立其分子构效关系模型，应用于新结构的药物活性预报，能够降低药物开发成本、缩短开发周期。
二氢查尔酮(dihydrochalcone，DHC)是自然界中普遍存在的黄酮类化合物的一个亚家族，目前已从百合科、菊科、杜鹃花科、蔷薇科的苹果属等植物中分离得到，至今共发现二氢查尔酮类化合物十多种，在天然产物中的含量较低。近年来发现二氢查耳酮具有多种生理、药理活性，在降血糖、抗自由基、抗氧化、抗肿瘤、镇痛等方面起着一定的作用。
糖尿病是由于体内胰岛素缺乏或拮抗胰岛素的激素增加，或胰岛素在靶细胞内不能发挥正常生理作用而引起的葡萄糖、蛋白质及脂质代谢紊乱的一种综合病症。随着对糖尿病基础理论的深入研究，多种作用机制的抗糖尿病药物已用于临床评价与治疗，其中胰岛素促泌剂受到很大关注。在以血清化学理论为指导的动物血清药化学及药代动力学的基础研究中，发现二氢查耳酮类化合物，在服用安全性的前提下，对实验小鼠具有良好的降血糖功能。
经检索，将二氢查尔酮化合物作为降血糖药物还未见报道。二氢查尔酮类化合物在降血糖方面的研究还处在初步阶段，虽然有降血糖作用的少量报道，却机理不清，结构与药效的关系不明，基本还停留在作为甜味剂使用，只有搞清楚二氢查尔酮类化合物结构与促胰岛素分泌性能的构效关系，才能更好的开发相关新药。
二氢查尔酮分子中含有两个苯环以及中间由一个饱和的三碳连接，具有1,3-二苯基-1- 丙酮基本化学结构，即C6-C3-C6化学骨架，其结构式如下：
Figure BDA0002417145360000011
与大多数黄酮类化合物不同的是，二氢查尔酮没有常见的C环，而且两个芳环——A环和B环是由一段具有α，β两个饱和碳原子的酮羰基链连接，这种具有柔性的分子结构导致二氢查尔酮类化合物的构象多变，也使得生物活性和强度有差别。二氢查尔酮类化合物通常与天然产物中其他一些类黄酮物质共生而难于分离，用传统的分离提取方法很难满足药物应用的要求，只能通过化学合成才能提供一定样本数的不同结构的二氢查尔酮衍生物。
二氢查尔酮母体上常常连接的取代基有羟基和甲氧基(-OH、-OCH3)等，取代基是二氢查尔酮类化合物的重要活性中心，通过对二氢查尔酮的羟基和甲氧基的官能团数目和位置进行变化，可以得到一系列的二氢查尔酮异构体，为生物活性筛选提供物质基础。但按照传统的药物开发流程，为得到最高活性的目标化合物，必须合成海量的二氢查尔酮衍生物进行胰岛素促泌性能的评价筛选，工作量巨大，效率低下。
尽管支持向量机回归算法已用于很多新药的构效关系研究，但经检索，未发现利用支持向量机回归算法对于二氢查尔酮类化合物与促胰岛素分泌活性预报的报道。
发明内容
为了解决现有技术问题，本发明的目的在于克服已有技术存在的不足，提供一种利用二氢查尔酮类化合物对胰岛素促泌性能进行预报的方法及应用，在合成的一系列二氢查尔酮衍生物及其胰岛素促泌性能的基础上，采用支持向量机回归的算法，寻找二氢查尔酮衍生物的分子描述符与其胰岛素促泌性能的关系，建立构效关系预报模型，此模型能够用于指导高活性新药物结构的设计，获得降血糖药物开发流程中开发具有特定高生理活性化合物，并实现二氢查尔酮化合物作为降血糖药物的应用，进而开发降血糖新药，制药成本低，易于实现，为更多糖尿病患者带来福音。
为达到上述发明创造目的，本发明采用如下技术方案：
一种利用二氢查尔酮类化合物对胰岛素促泌性能进行预报的方法，基于支持向量机回归的算法，寻找二氢查尔酮衍生物的物理化学性质与胰岛素促泌性能的关系，建立构效关系预报模型，对胰岛素促泌性能进行预报；具体如下：
首先合成系列二氢查尔酮类化合物，确定其结构，计算各化合物的物理化学性质参数；再测定系列二氢查尔酮类化合物的胰岛素促泌性能数据，建立样本集；然后采用基于CFS特征选择方法，处理样本集，形成降维后的分子描述符；再用支持向量机回归算法，建立二氢查尔酮类化合物对胰岛素促泌活性进行预报的预报模型；最后利用预报模型对待测的二氢查尔酮类化合物进行胰岛素促泌活性预报。
作为本发明优选的技术方案，利用二氢查尔酮类化合物对胰岛素促泌性能进行预报的方法，包括如下步骤：
a.制备系列二氢查尔酮类化合物，并确定各化合物的分子结构，计算各化合物的物理化学性质参数，形成分子描述符；
b.完成各化合物对胰岛细胞胰岛素促泌活性测定，随机选择设定数量的化合物及其促泌活性数据，建立训练集与测试集，形成样本集；
c.采用基于CFS特征选择方法，处理在所属步骤b中建立的样本集，并对在所述步骤a 中获得的分子描述符进行降维，以样本子集的最大相关性-最小冗余性作为描述子集优劣的评判标准，形成降维后的分子描述符，得到分子描述符的子集；
d.利用在所述步骤c中获取的降维后的分子描述符，利用支持向量机回归(SVR)算法，建立系列二氢查尔酮类化合物对胰岛细胞胰岛素促泌活性进行预报的预报模型；
e.采用留一法交叉验证的方法，确定在所述步骤d中建立的预报模型的核函数类型以及函数参数，并优化参数，得到预报性能为最优的预报模型；
f.采用在所述步骤e中优化后的预报模型，预报测试集的二氢查尔酮类化合物对胰岛细胞胰岛素促泌活性。本发明还可通过利用二氢查尔酮类化合物对胰岛素促泌性能进行预报的方法验证预报模型的泛化能力，进而为开发以二氢查尔酮化合物组分为基础的药物开拓道路。
作为本发明优选的技术方案，在所述步骤a中，采用Claisen-Schmidt酮醛缩合法，将具有不同-OCH3和-OH取代基的苯乙酮和苯甲醛经过基团保护、酮醛缩合，得到不同位置不同个数-OCH3和-OH取代基的系列查尔酮化合物，再将系列查尔酮类化合物在Pd/C作催化剂的条件下，于甲醇溶液中加氢，去保护得到系列二氢查尔酮类化合物；然后通过紫外、红外核磁共振以及质谱的方法确定其分子结构。
作为本发明优选的技术方案，在所述步骤a中，对于制备得到的系列二氢查尔酮类化合物，采用ChemOffice软件绘制分子结构并进行优化，计算系列二氢查尔酮类化合物的物理化学参数，形成分子描述符，所计算的分子描述符分为以下类别：电负性参数、立体参数和热力学参数。
作为本发明优选的技术方案，在所述步骤c中得到分子描述符的子集含有的分子描述符类别包括电子能量、疏水性、摩尔折射率和分子直径。
作为本发明优选的技术方案，在所述步骤b中，随机选择不少于30个二氢查尔酮类化合物及其促泌活性数据，建立样本集。
一种二氢查尔酮类化合物在制备降血糖药物中的应用，采用权利要求1所述利用二氢查尔酮类化合物对胰岛素促泌性能进行预报的方法，预报二氢查尔酮类化合物对胰岛素的促泌性能，并将促泌性能最优的二氢查尔酮类化合物作为降血糖药物组分或原料使用。
本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：
1.本发明采用支持向量机算法对系列二氢查尔酮类化合物胰岛细胞胰岛素促泌活性数据进行回归建模评估，建立二氢查尔酮类化合物胰岛素促泌活性预报模型，促泌活性计算值和试验预报值平均相对误差低；
2.本发明采用建立的二氢查尔酮类化合物胰岛素促泌活性预报模型对系列二氢查尔酮类化合物样本进行预报，得到了很好的效果，促泌活性计算值和试验预报值的平均相对误差低；
3.本发明在合成的一系列二氢查尔酮衍生物及其胰岛素促泌性能的基础上，采用支持向量机回归的算法，寻找二氢查尔酮衍生物的分子描述符与其胰岛素促泌性能的关系，建立构效关系预报模型，此模型能够用于指导高活性新药物结构的设计，对新药的构效关系研究具有重要的参考价值；
4.本发明方法简单易行，减轻了繁重的药物筛选工作，效率高，成本低，适合推广使用。
具体实施方式
以下结合具体的实施例子对上述方案做进一步说明，本发明的优选实施例详述如下：
实施例一：
在本实施例中，利用二氢查尔酮类化合物对胰岛素促泌性能进行预报的方法，步骤如下：
(1)采用Claisen-Schmidt酮醛缩合法，将具有不同-OCH3和-OH取代基的苯乙酮和苯甲醛经过基团保护、酮醛缩合，得到不同位置不同个数-OCH3和-OH取代基的系列查尔酮，再将查尔酮在Pd/C作催化剂的条件下，于甲醇溶液中加氢，去保护得到系列二氢查尔酮，通过紫外、红外、核磁共振以及质谱的方法确定其分子结构。
(2)将步骤(1)得到的系列二氢查尔酮类化合物，采用ChemOffice软件绘制分子结构并优化，并计算它们的物理化学参数，即分子描述符。所计算的分子描述符可分为以下三类：电负性参数、立体参数和热力学参数，具体见下表1：
表1.分子描述符的类别与名称表
Figure BDA0002417145360000041
Figure BDA0002417145360000051
(3)采用大鼠离体的胰岛细胞作为试样，进行大鼠胰岛细胞胰岛素促泌活性测定，将上述步骤(1)中得到的系列二氢查尔酮类化合物，与成年雄性SD大鼠分离和纯化的胰岛细胞进行孵育，测定胰岛细胞的胰岛素分泌量。
(4)基于步骤(2)中得到的系列二氢查尔酮类化合物分子描述符和步骤(3)中得到的系列二氢查尔酮类化合物大鼠胰岛细胞胰岛素促泌活性数据，建立系列二氢查尔酮类化合物胰岛素促泌活性样本集，包括建立训练集与测试集，参见表2和表3。
(5)采用基于CFS特征选择方法，以步骤(4)中得到的样本集的最大相关性-最小冗余性作为描述子集优劣的评判标准，最终得到一个含有4个分子描述符的子集，它们分别为：电子能量(Electronic energy)，疏水性(LogP)，摩尔折射率(molar refractivity，MR)和分子直径(Diameter)，形成降维后的分子描述符。
(6)对步骤(5)中得到的4个分子描述符，用支持向量机回归(SVR)的算法建立系列二氢查尔酮类化合物大鼠胰岛细胞胰岛素促泌活性的预报模型。
支持向量机(support vector machine，简称SVM)是数学家Vladimir N.Vapnik等建立在统计学习理论(statistical learning theory，SLT)基础上的机器学习新方法，包括支持向量分类(support vector classification，SVC)算法和支持向量回归(supportvector regression，SVR)算法。该方法较好地分析了“过拟合”和“欠拟合”问题，并提出了相应的解决方法，特别适用于小样本集情况下的数据建模，能最大限度地提高预报可靠性。
支持向量机的算法为：
设样本集为：(y1,x1),…,(yl,xl),x∈Rn，y∈R，回归函数用下列线性方程来表示：
f(x)＝wTX+b
最佳回归函数通过求以下函数的最小极值得出，
Figure BDA0002417145360000061
其中C为设定的惩罚因子值，ζi和ζi *为松弛变量的上限和下限。
Vapnik提出运用下列不敏感损耗函数：
Figure BDA0002417145360000062
通过下面的优化方程：
Figure BDA0002417145360000063
在下面的约束条件下：
0≤αi≤C，i＝1，……l
0≤αi *≤c，i＝1，……l
Figure BDA0002417145360000071
求解：
Figure BDA0002417145360000072
由此可得拉格朗日方程的待定系数αi和αi *，从而得到回归系数和常数项：
Figure BDA0002417145360000073
Figure BDA0002417145360000074
(7)为获得最佳的泛化能力，SVR在建模过程中需要优化相应的模型参数。对于同一数据，SVR模型预报能力在很大程度上，首先取决于所采用的核函数(kernel function)的类型，核函数决定了输入向量在高维空间的分布以及所要找的最优超平面。
采用留一法交叉验证的方法，以预报模型随C和不敏感损失函数ε变化形成的均方根误差(RMSE)值作为步骤(6)中得到的预报模型优劣的判据。均方根误差(RMSE)值最小时，核函数为径向基核函数，其表达式如下：
Figure BDA0002417145360000075
(8)可调参数容忍因子(C)也是控制SVR模型预报性能的另一个重要参数，它可以控制最大化边界和最小化训练误差之间的平衡。不敏感损失函数(ε)也会影响SVR模型预报能力。径向基核函数的gamma值很大程度上影响支持向量的数量，因而同训练时间密切相关。此外，gamma值控制了RBF核的宽度，从而决定了SVR的总体性能。
为获得最优的预报性能，采用留一法交叉验证的方法，对步骤(7)中得到的基于径向基核函数的预报模型进行优化，当C＝8.2，ε＝0.1和g＝0.01时，均方根误差(RMSE)取得最小值，此时的模型预报性能为最优。
(9)采用步骤(8)中建立的预报模型预报新的系列二氢查尔酮类化合物大鼠胰岛细胞胰岛素促泌活性。
本实施例建立系列二氢查尔酮类化合物胰岛素促泌活性样本集，包括建立训练集与测试集，参见表2和表3。
表2.训练集表
Figure DEST_PATH_IMAGE001
Figure DEST_PATH_IMAGE002
建模结果:
采用支持向量机算法对19个二氢查尔酮类化合物大鼠胰岛细胞胰岛素促泌活性数据进行回归建模，建立二氢查尔酮类化合物胰岛素促泌活性预报模型，促泌活性计算值和试验预报值平均相对误差10.67％。
表3.测试集表
Figure DEST_PATH_IMAGE003
Figure DEST_PATH_IMAGE004
Figure DEST_PATH_IMAGE005
预报结果：
采用建立的二氢查尔酮类化合物胰岛素促泌活性预报模型对另外19个二氢查尔酮类化合物样本进行预报，得到了很好的效果，促泌活性计算值和试验预报值的平均相对误差 11.63％。
本实施例利用二氢查尔酮类化合物对胰岛素促泌性能进行预报的方法，包括如下步骤：制备系列二氢查尔酮类化合物，并确定各化合物的分子结构；计算各化合物的物理化学参数，即分子描述符；完成各化合物对大鼠胰岛细胞胰岛素促泌活性测定。随机选择一定数量的化合物及其促泌活性，建立训练集与测试集；采用基于CFS特征选择方法，得到的样本子集的最大相关性-最小冗余性作为描述子集优劣的评判标准，形成降维后的分子描述符；利用降维后的分子描述符，用支持向量机回归(SVR)的算法建立系列二氢查尔酮类化合物大鼠胰岛细胞胰岛素促泌活性的预报模型；采用留一法交叉验证的方法，确定模型的核函数类型并优化参数；
采用优化后的预报模型来预报测试集的二氢查尔酮类化合物对大鼠胰岛细胞胰岛素促泌活性，从而验证本实施例预报模型的泛化能力。本实施例在合成的一系列二氢查尔酮衍生物及其胰岛素促泌性能的基础上，采用支持向量机回归的算法，寻找二氢查尔酮衍生物的分子描述符与其胰岛素促泌性能的关系，建立构效关系预报模型，此模型能够用于指导高活性新药物结构的设计，对新药的构效关系研究具有重要的参考价值；本实施例方法简单易行，减轻了繁重的药物筛选工作，效率高，成本低，适合推广使用。
实施例二：
本实施例与实施例一基本相同，特别之处在于：
在本实施例中，2,4,4’-三甲氧基-2-羟基二氢查耳酮合成工艺过程和步骤如下：
步骤一：2-苄氧基-4-甲氧基苯乙酮的合成：
在100mL三口瓶中加入0.01mol 2-羟基-4-甲氧基苯乙酮，用10mL无水乙醇溶解后，加入0.007mol K2CO3,机械搅拌下，缓慢滴加0.012mol苄氯，滴加完成后，加热回流反应， TLC跟踪反应至对羟基苯乙酮点消失。旋转蒸发回收乙醇,加水、乙酸乙酯萃取。萃取液用 5％的NaOH洗至中性，无水MgSO4干燥。旋转蒸发蒸去溶剂和过量的苄氯。用乙酸乙酯重结晶得1.82g白色晶体。
步骤二：2,4,4’-三甲氧基-2-苄氧基查耳酮的合成：
在N2保护的三口瓶中，加入0.005mol 2-苄氧基-4-甲氧基苯乙酮，0.005mol 2,4-二甲氧基苯甲醛，在搅拌状态下加入由42mL乙醇和4.6g KOH配成的溶液。加热回流反应，TLC 跟踪反应。原料点完全消失后结束反应，滤出反应过程中析出的黄色固体物质，用水洗涤后，粗品用乙醇重结晶得到黄色针状晶体1.58g。
步骤三：2,4,4’-三甲氧基-2-羟基二氢查耳酮的合成：
在三口瓶(带汞封)中加入0.003mol 2,4,4’-三甲氧基-2–苄氧基查耳酮，用200mL乙醇溶解，加入20mL1mol/L NaOH溶液，0.8g 10％Pd/C催化剂。密闭体系后，通入氢气使汞柱保持10mmHg。室温剧烈搅拌反应，TLC检测反应终点。过滤除去催化剂，旋转蒸去乙醇，用盐酸调pH至中性。乙酸乙酯萃取，萃取液浓缩后重结晶，得到浅黄色晶体0.58g。
对本实施例制备的2,4,4’-三甲氧基-2’-羟基二氢查耳酮进行结构鉴定，
紫外光谱数据：UVλmax(MeOH)202nm(logε4.25)，335nm(logε4.19)，
红外光谱数据：IRσ/cm-1，max(KBr)3177,2961,2934,2833，1661,1591,1520,1506,14,51， 1301,1275,1205,1182,1151，1182，1032cm-1。
1H NMR(500MHz,CDCl3)数据：2.71(2H,m,H-β)，2.88(2H,m,H-α)，3.83(9H,s,2’-OMe, 4-OMe and 4’-OMe)，5.35(H,s,2-OH)，6.50(1H,s,H-5')，6.62(H,d,J＝6.5,H-3)，6.63(H, d,J＝6.5,H-5)，6.64(H,d,J＝6.5,H-3')，7.07(H,d,J＝8.5,H-6’)，7.69(H,d,J＝6.5,H-6)。
13C NMR(500MHz,CDCI3)数据：203.8(C＝O)，165.5(C-2)，166.4(C-4)，158.8(C-4’)，158.3 (C-2’)，131.2(C-6)，129.7(C-6’)，120.9(C-1’)，114.1(C-1)，106.8(C-5)，106.5(C-5’)，103.2(C-3)，100.3(C-3’)，56.1(2'-OMe)，55..8(4-OMe and 4’-OMe)，44.5(C-α)，26.2(C-β)。 MS m/z：316(37)，165(9)，151(100)，134(37)，121(116),91(25)55(31)。
综合以上数据及分析，确定该化合物结构为2,4,4’-三甲氧基-2’-羟基二氢查耳酮，其结构式如下：
Figure BDA0002417145360000131
本实施例制备了2,4,4’-三甲氧基-2-羟基二氢查耳酮，为进行后续的基于支持向量机回归的二氢查尔酮类化合物胰岛素促泌性能的预报提供了基础。
实施例三：
本实施例与前述实施例基本相同，特别之处在于：
在本实施例中，进行二氢查耳酮大鼠胰岛细胞胰岛素促泌活性试验，过程和步骤如下：
(1)从成年雄性SD大鼠分离和纯化获取胰岛细胞，将离体胰岛细胞作为试样，按文献DTZ染色法进行鉴定，进行胰岛细胞计量和纯度计算以及活性测定，纯度约90％左右，每只大鼠可分离到423±91个胰岛细胞，细胞存活率高。用葡萄糖刺激下的胰岛素分泌实验进行胰岛功能鉴定，胰岛素释放指数SI为(2.55±0.55)，表明分离纯化的胰岛细胞功能良好，符合实验基本条件，可进行胰岛细胞胰岛素促泌活性试验。
(2)经试验，选择化合物浓度为5μg/ml时，胰岛素分泌量最高。确定取化合物浓度5μg/ml为实验浓度；经试验，当化合物浓度为5μg/ml时，选择胰岛细胞孵育4小时时，实验数据稳定。
(3)用γ放射免疫计数器，大鼠胰岛素放射免疫分析试剂盒，在化合物(浓度5μg/ml) 与胰岛细胞孵育4小时后的基本条件下，检测在化合物作用下胰岛细胞的胰岛素分泌量。
(4)所有数据采用均数±标准差(±s)表示，两组均数间比较采用独立样本t检验(Independent-Sample T Test)，以P<0.05为具有统计学意义。
本实施例进行了二氢查耳酮大鼠胰岛细胞胰岛素促泌活性检测，为进行后续的基于支持向量机回归的二氢查尔酮类化合物胰岛素促泌性能的预报提供了基础。
实施例四：
本实施例与前述实施例基本相同，特别之处在于：
在本实施例中，一种二氢查尔酮类化合物在制备降血糖药物中的应用，利用二氢查尔酮类化合物对胰岛素促泌性能进行预报，并将促泌性能最优的二氢查尔酮类化合物作为降血糖药物组分或原料使用。本实施例在合成的一系列二氢查尔酮衍生物及其胰岛素促泌性能的基础上，采用支持向量机回归的算法，寻找二氢查尔酮衍生物的分子描述符与其胰岛素促泌性能的关系，建立构效关系预报模型，此模型能够用于指导高活性新药物结构的设计，获得降血糖药物药物开发流程中开发具有特定高生理活性化合物，并实现二氢查尔酮化合物作为降血糖药物的应用，进而开发降血糖新药，制药成本低，易于实现，为更多糖尿病患者带来福音。
上面对本发明实施例进行了说明，但本发明不限于上述实施例，还可以根据本发明的发明创造的目的做出多种变化，凡依据本发明技术方案的精神实质和原理下做的改变、修饰、替代、组合或简化，均应为等效的置换方式，只要符合本发明的发明目的，只要不背离本发明利用二氢查尔酮类化合物对胰岛素促泌性能进行预报的方法及应用的技术原理和发明构思，都属于本发明的保护范围。

Claims (7)

1.一种利用二氢查尔酮类化合物对胰岛素促泌性能进行预报的方法，其特征在于：基于支持向量机回归的算法，寻找二氢查尔酮衍生物的物理化学性质与胰岛素促泌性能的关系，建立构效关系预报模型，对胰岛素促泌性能进行预报；具体如下：
首先合成系列二氢查尔酮类化合物，确定其结构，计算各化合物的物理化学性质参数；再测定系列二氢查尔酮类化合物的胰岛素促泌性能数据，建立样本集；然后采用基于CFS特征选择方法，处理样本集，形成降维后的分子描述符；再用支持向量机回归算法，建立二氢查尔酮类化合物对胰岛素促泌活性的预报模型；最后利用预报模型对待测的二氢查尔酮类化合物进行胰岛素促泌活性预报。
2.根据权利要求1所述利用二氢查尔酮类化合物对胰岛素促泌性能进行预报的方法，其特征在于，包括如下步骤：
a.制备系列二氢查尔酮类化合物，并确定各化合物的分子结构，计算各化合物的物理化学性质参数，形成分子描述符；
b.完成各化合物对胰岛细胞胰岛素促泌活性测定，随机选择设定数量的化合物及其促泌活性数据，建立训练集与测试集，形成样本集；
c.采用基于CFS特征选择方法，处理在所属步骤b中建立的样本集，并对在所述步骤a中获得的分子描述符进行降维，以样本子集的最大相关性-最小冗余性作为描述子集优劣的评判标准，形成降维后的分子描述符，得到分子描述符的子集；
d.利用在所述步骤c中获取的降维后的分子描述符，利用支持向量机回归(SVR)算法，建立系列二氢查尔酮类化合物对胰岛细胞胰岛素促泌活性进行预报的预报模型；
e.采用留一法交叉验证的方法，确定在所述步骤d中建立的预报模型的核函数类型以及函数参数，并优化参数，得到预报性能为最优的预报模型；
f.采用在所述步骤e中优化后的预报模型，预报测试集的二氢查尔酮类化合物对胰岛细胞胰岛素促泌活性。
3.根据权利要求2所述利用二氢查尔酮类化合物对胰岛素促泌性能进行预报的方法，其特征在于：在所述步骤a中，采用Claisen-Schmidt酮醛缩合法，将具有不同-OCH3和-OH取代基的苯乙酮和苯甲醛经过基团保护、酮醛缩合，得到不同位置不同个数-OCH3和-OH取代基的系列查尔酮化合物，再将系列查尔酮类化合物在Pd/C作催化剂的条件下，于甲醇溶液中加氢，去保护得到系列二氢查尔酮类化合物；然后通过紫外、红外、核磁共振以及质谱的方法确定其分子结构。
4.根据权利要求2所述利用二氢查尔酮类化合物对胰岛素促泌性能进行预报的方法，其特征在于：在所述步骤a中，对于制备得到的系列二氢查尔酮类化合物，采用ChemOffice软件绘制分子结构并进行优化，计算系列二氢查尔酮类化合物的物理化学参数，形成分子描述符，所计算的分子描述符分为以下类别：电负性参数、立体参数和热力学参数。
5.根据权利要求2所述利用二氢查尔酮类化合物对胰岛素促泌性能进行预报的方法，其特征在于：在所述步骤c中得到分子描述符的子集含有的分子描述符类别包括电子能量、疏水性、摩尔折射率和分子直径。
6.根据权利要求2所述利用二氢查尔酮类化合物对胰岛素促泌性能进行预报的方法，其特征在于：在所述步骤b中，随机选择不少于30个二氢查尔酮类化合物及其促泌活性数据，建立样本集。
7.一种二氢查尔酮类化合物在制备降血糖药物中的应用，其特征在于：采用权利要求1所述利用二氢查尔酮类化合物对胰岛素促泌性能进行预报的方法，预报二氢查尔酮类化合物对胰岛素的促泌性能，并将促泌性能最优的二氢查尔酮类化合物作为降血糖药物组分或原料使用。
CN202010198834.3A 2020-03-19 2020-03-19 利用二氢查尔酮类化合物对胰岛素促泌性能进行预报的方法及应用 Pending CN111329847A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010198834.3A CN111329847A (zh) 2020-03-19 2020-03-19 利用二氢查尔酮类化合物对胰岛素促泌性能进行预报的方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010198834.3A CN111329847A (zh) 2020-03-19 2020-03-19 利用二氢查尔酮类化合物对胰岛素促泌性能进行预报的方法及应用

Publications (1)

Publication Number Publication Date
CN111329847A true CN111329847A (zh) 2020-06-26

Family

ID=71174599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010198834.3A Pending CN111329847A (zh) 2020-03-19 2020-03-19 利用二氢查尔酮类化合物对胰岛素促泌性能进行预报的方法及应用

Country Status (1)

Country Link
CN (1) CN111329847A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111704536A (zh) * 2020-06-15 2020-09-25 上海大学 天然产物Loureirin B类似物、其制备方法和应用
CN113506598A (zh) * 2021-07-15 2021-10-15 中节能万润股份有限公司 一种通过建立qsar模型预测液晶分子双折射率的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003040949A1 (en) * 2001-11-07 2003-05-15 Biowulf Technologies, Llc Pre-processed Feature Ranking for a support Vector Machine
US20060142303A1 (en) * 2004-12-22 2006-06-29 Ram Pratap Oxy substituted chalcones as antihyperglycemic and antidyslipidemic agents
US20080233576A1 (en) * 1998-05-01 2008-09-25 Jason Weston Method for feature selection in a support vector machine using feature ranking
CN101329699A (zh) * 2008-07-31 2008-12-24 四川大学 基于支持向量机的药物分子药代动力学性质和毒性预测方法
CN101972245A (zh) * 2010-09-28 2011-02-16 上海大学 具有促进胰岛素分泌及抑制高级糖基化终产物生成作用的组合物
CN110516701A (zh) * 2019-07-12 2019-11-29 上海大学 基于数据挖掘快速预测钙钛矿居里温度的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080233576A1 (en) * 1998-05-01 2008-09-25 Jason Weston Method for feature selection in a support vector machine using feature ranking
WO2003040949A1 (en) * 2001-11-07 2003-05-15 Biowulf Technologies, Llc Pre-processed Feature Ranking for a support Vector Machine
US20060142303A1 (en) * 2004-12-22 2006-06-29 Ram Pratap Oxy substituted chalcones as antihyperglycemic and antidyslipidemic agents
CN101329699A (zh) * 2008-07-31 2008-12-24 四川大学 基于支持向量机的药物分子药代动力学性质和毒性预测方法
CN101972245A (zh) * 2010-09-28 2011-02-16 上海大学 具有促进胰岛素分泌及抑制高级糖基化终产物生成作用的组合物
CN110516701A (zh) * 2019-07-12 2019-11-29 上海大学 基于数据挖掘快速预测钙钛矿居里温度的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王雪源 等: "基于支持向量机的乙酰胆碱酯酶抑制剂的构效关系研究", 《计算机与应用化学》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111704536A (zh) * 2020-06-15 2020-09-25 上海大学 天然产物Loureirin B类似物、其制备方法和应用
CN113506598A (zh) * 2021-07-15 2021-10-15 中节能万润股份有限公司 一种通过建立qsar模型预测液晶分子双折射率的方法

Similar Documents

Publication Publication Date Title
CN111329847A (zh) 利用二氢查尔酮类化合物对胰岛素促泌性能进行预报的方法及应用
Lindsey 316. The structure of cyclotriveratrylene (10, 15-dihydro-2, 3, 7, 8, 12, 13-hexamethoxy-5 H-tribenzo [a, d, g] cyclononene) and related compounds
CN108530434A (zh) 卡格列净的杂质化合物及其制备方法
CN100556895C (zh) 川芎嗪的制备方法
CN102731562B (zh) 一种三苯基锡配位化合物及其制备方法与应用
CN112898178A (zh) 一种N-Boc-反式-1,4-环己二胺的制备方法
CN115677583A (zh) 一种基于苯肼的天然产物光亲和探针反应子及其制备方法和应用
Kaushik et al. Synthesis, Biological Evaluation, and QSAR Studies of 3-Iodochromone Derivatives as Potential Fungicides
Orazi et al. Substitution in the hydrantoin ring—I: Aminomethylation
CN107814809B (zh) 一种含苯基三氮唑的补骨脂素衍生物和用途
CN112294781A (zh) 丁内酯代谢酮i在制备抗肿瘤药物中的应用
CN106831736A (zh) 一种制备帕罗西汀杂质的方法
EP1634878A1 (en) Coumarins compounds, the preparation and the use thereof
CN111892486B (zh) 一种羟基取代的二苯甲酮类化合物及其制备方法和应用
CN114315779B (zh) 一类具有降血糖作用的α-吡喃酮衍生物的制备及其用途
CN112094177B (zh) 一种丁香酚二聚体b的制备方法及应用
CN115403587B (zh) 一类中草药肝损伤相关生物标志物的化学合成方法
CN110156687B (zh) 一种检测二价铜离子的荧光探针及其制备方法和用途
CN114507201B (zh) 一种水黄皮籽素衍生物及其制备方法和应用
CN111943830B (zh) 一种新的二苯甲酮类化合物及其制备方法和应用
CN111138477B (zh) 一种三环己基锡喹啉-6-甲酸酯配合物的制备方法与应用
KOMATSU et al. Structures of new flavonoids, sophoradochromene and sophoranochromene, from Sophora subprostrata
CN112661762A (zh) 一种依匹斯汀杂质a的制备方法
CN112321425A (zh) 一种4-(3-溴丙基)苯甲酸甲酯的合成方法
CN118146157A (zh) 一种氢溴酸依他佐辛杂质标准品的合成和精制方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200626