Advance Methodologies in Linear and Nonlinear Quantitative Structure-Activity Relationships (QSARs): from Drug Design to In Silico Toxicology Applications

Novel computational strategies are continuously being demanded by the pharmaceutical industry to assist, improve and speed up the drug discovery process. In this scenario chemoinformatics provide reliable mathematical tools to derive quantitative structure-activity relationships (QSARs), able to describe the correlation between molecular descriptors and various experimental profiles of the compounds. In the last years, nonlinear machine learning approaches have demonstrated a noteworthy predictive capability in several QSAR applications, confirming their superiority over the traditional linear methodologies. Particularly the feasibility of the classification approach has been highlighted in solving complex tasks. Moreover, the introduction of the autocorrelation concept in chemistry allows the structural comparison of the molecules by using a vectorial fixed-length representation to serve as effective molecular descriptor. In the present thesis we have deeply investigated the wide applicability and the potentialities of nonlinear QSAR strategies, especially in combination with autocorrelation molecular electrostatic potential descriptors projected on the molecular surface. Our intent is arranged in six different case studies that focus on crucial problems in pharmacodynamics, pharmacokinetics and toxicity fields. The first case study considers the estimation of a physicochemical property, the aqueous solvation free energy, that strictly relates to the pharmacokinetic profile and toxicity of chemicals. Our discussion on pharmacodynamics deals with the prediction of potency and selectivity of human adenosine receptor antagonists (hAR). The adenosine receptor family belongs to GPCR (G protein-coupled receptors) family A, including four different subtypes, referred to as A1, A2A, A2B and A3, which are widely distributed in the tissues. They differentiate for both pharmacological profile and effector coupling. Intensive explorative synthesis and pharmacological evaluation are aimed at discovering potent and selective ligands for each adenosine receptor subtype. In the present thesis, we have considered several pyrazolo-triazolo-pyrimidine and xanthine derivatives, studied as promising adenosine receptor antagonists. Then, a second case study focuses on the comparison and the parallel applicability of linear and nonlinear models to predict the binding affinity of human adenosine receptor A2A antagonists and find a consensus in the prediction results. The following studies evaluate the prediction of both selectivity and binding affinity to A2AR and A3R subtypes by combining classification and regression strategies, to finally investigate the full adenosine receptor potency spectrum and human adenosine receptor subtypes selectivity profile by applying a multilabel classification approach. In the field of pharmacokinetics, and more specifically in metabolism prediction, the use of multi- and single-label classification strategies is involved to analyze the isoform specificity of cytochrome P450 substrates. The results lead to the identification of the appropriate methodology to interpret the real metabolism information, characterized by xenobiotics potentially transformed by multiple cytochrome P450 isoforms. As final case study, we present a computational toxicology investigation. The recent regulatory initiatives due to REACH (Registration, Evaluation, Authorization and Restriction of Chemicals) require the ecotoxicological and risk assessment of chemicals for safety. Most of the current evaluation protocols are based on costly animal experiments. So, chemoinformatic tools are heartily recommended to facilitate the toxicity characterization of chemical substances. We describe a novel integrated strategy to predict the acute aquatic toxicity through the combination of both toxicokinetic and toxicodynamic behaviors of chemicals, by using a machine learning classification method. The goal is to assign chemicals to different levels of acute aquatic toxicity, providing an appropriate answer to the new regulatory requirements. As preliminary validation of our approach, two toxicokinetic and toxicodynamic models have been applied in series to inspect both aquatic toxicity hazard and mode of action of a set of chemical substances with unknown or uncertain toxicodynamic information, assessing the potential ecological risk and the toxic mechanism.

Nuove strategie computazionali vengono continuamente richieste dall'industria farmaceutica per assistere, migliorare e velocizzare il processo di scoperta dei farmaci. In questo scenario la chemoinformatica fornisce affidabili strumenti matematici per ottenere relazioni quantitative struttura-attività (QSAR), in grado di descrivere la correlazione tra descrittori molecolari e vari profili sperimentali dei composti. Negli ultimi anni approcci non lineari di machine learning hanno dimostrato una notevole capacità predittiva in diverse applicazioni QSAR, confermando la loro superiorità sulle tradizionali metodologie lineari. E' stata evidenziata particolarmente la praticabilità dell'approccio di classificazione nel risolvere compiti complessi. Inoltre, l'introduzione del concetto di autocorrelazione in chimica permette il confronto strutturale delle molecole attraverso l'uso di una rappresentazione vettoriale di lunghezza fissa che serve da efficace descrittore molecolare. Nella presente tesi abbiamo studiato approfonditamente l'ampia applicabilità e le potenzialità delle strategie QSAR non lineari, soprattutto in combinazione con i descrittori autocorrelati potenziale elettrostatico molecolare proiettato sulla superficie molecolare. Il nostro intento si articola in sei differenti casi studio, che si concentrano su problemi cruciali nei campi della farmacodinamica, farmacocinetica e tossicologia. Il primo caso studio considera la valutazione di una proprietà fisico-chimica, l'energia libera di solvatazione acquosa, che è strettamente connessa con il profilo farmacocinetico e la tossicità dei composti chimici. La nostra discussione in farmacodinamica riguarda la predizione di potenza e selettività di antagonisti del recettore adenosinico umano (hAR). La famiglia del recettore adenosinico appartiene alla famiglia A di GPCR (recettori accoppiati a proteine G), che include quattro diversi sottotipi, cui ci si riferisce come A1, A2A, A2B e A3, ampiamente distribuiti nei tessuti. Si differenziano sia per profilo farmacologico che per effettore cui sono accoppiati. Le intense sintesi esplorativa e valutazione farmacologica hanno lo scopo di scoprire ligandi potenti e selettivi per ogni sottotipo del recettore adenosinico. Nella presente tesi abbiamo considerato diversi derivati pirazolo-triazolo-pirimidinici e xantinici, studiati come promettenti antagonisti del recettore adenosinico. Quindi, un secondo caso studio si focalizza sul confronto e l'applicabilità in parallelo di modelli lineari e non lineari per predire l'affinità di legame di antagonisti del recettore adenosinico A2A umano e trovare un consenso nei risultati di predizione. Gli studi successivi valutano la predizione sia della selettività che dell'affinità di legame ai sottotipi A2AR e A3R combinando strategie di classificazione e regressione, per studiare infine il completo spettro di potenza del recettore adenosinico e il profilo di selettività per i sottotipi hAR mediante l'applicazione di un approccio di classificazione multilabel. Nel campo della farmacocinetica, e più specificamente nella predizione del metabolismo, è coinvolto l'uso di strategie di classificazione multi- e single-label per analizzare la specificità di isoforma di substrati del citocromo P450. I risultati conducono all'identificazione della metodologia appropriata per interpretare la reale informazione sul metabolismo, caratterizzata da xenobiotici potenzialmente trasformati da multiple isoforme del citocromo P450. Come caso studio finale, presentiamo un'indagine in tossicologia computazionale. Le recenti iniziative regolatorie dovute al REACH (Registration, Evaluation, Authorization and Restriction of Chemicals) richiedono l'accertamento ecotossicologico e del rischio dei composti chimici per la sicurezza. La maggiorparte dei correnti protocolli di valutazione è basata su costosi esperimenti animali. Così, gli strumenti chemoinformatici sono caldamente raccomandati per facilitare la caratterizzazione della tossicità di sostanze chimiche. Noi descriviamo una nuova strategia integrata per predire la tossicità acquatica acuta attraverso la combinazione di entrambi i comportamenti tossicocinetico e tossicodinamico dei composti chimici, utilizzando un metodo di classificazione machine learning. L'obbiettivo è assegnare i composti chimici a diversi livelli di tossicità acquatica acuta, fornendo un'appropriata risposta alle nuove esigenze regolatorie. Come validazione preliminare del nostro approccio, due modelli tossicocinetico e tossicodinamico sono stati applicati in serie per esaminare sia il rischio di tossicità acquatica che il modo d'azione di un set di sostanze chimiche con informazione tossicodinamica sconosciuta o incerta, valutandone il potenziale rischio ecologico ed il meccanismo tossico.