5.5 Classification Network Design
6.1.2 Nonlinear Autoregressive Network with Exogenous Inputs
En la tabla 4 aparecen los valores de tiempo antes y tiempo de reacción (tiempo después) para cada compuesto evaluado (1,3 y 4), morfina y vehículo a las dosis de 50, 100 y 150 mg/kg. Se calculó la desviación estándar y el por ciento de analgesia en cada caso.
Tabla 4. Tiempo de reacción en el modelo de Placa Caliente para los compuestos aislados de Boldoa purpurascens Cav, Morfina y el vehículo.
Morfina 7.5 0 min 7.84 ± 0.24 30 min 18.66 ± 0.45 60 min 16.38 ± 0.40 90 min 14.56 ± 0.41 120 min 12.78 ± 0.21 Vehíc ulo 100 8 ± 0.55 9.06 ± 0.20 8.88 ± 0.26 8.98 ± 0.37 9 ± 0.25 DMR 1 50 7.08 ± 2.98 9.56 ±4.20* 8.98 ±3.83* 9.38 ±3.89* 11.46 ±4.94* DMR 1 100 6.28 ± 2.91 7.52 ± 3.12 9.48 ± 3.88* 11.38 ± 4.75* 12.42 ±5.30* DMR 1 150 5.88 ± 2.48 9.72 ± 4.13* 10.94 ± 4.59* 11.7 ± 4.82* 14 ± 5.83* DMR 2 50 6.76 ±2.94 9.42 ±3.97* 10.6 ± 4.37* 11.44 ± 4.70* 14.38 ± 5.88* DMR 2 100 6.21 ±2.55 9.68 ±4.02* 12.98 ±5.34* 14.1 ± 5.77* 15.26 ± 6.27* DMR 2 150 6.4 ±2.70 9.84 ±4.15* 13.48 ± 5.56* 14.28 ± 5.84* 14.76 ± 6.03* DMR 3 50 7.65 ±3.35 11.12 ± 4.76* 12.38 ± 5.21* 13.14 ±5.52* 13.58 ±5.71* DMR 3 100 5.79±2.37 12.28±5.05* 13.16±5.44* 14.18±5.88* 15.1±6.35* DMR 3 150 5.8±2.39 12.5±5.12* 13.26±5.44* 14.32±5.87* 15.78±6.52* DMR 4 50 6.06±2.92 9.04±3.78* 10.82±4.42* 11.38±4.65* 11.94±4.88* DMR 4 100 5.57±2.33 9.5±4.00* 11.12±4.55* 11.62±4.76* 12.16±4.97* DMR 4 150 5.48±2.34 9.54±3.95* 11.18±4.57* 11.9±4.86* 12.2±4.98*
52 En las figuras 9, 10 y 11 se muestran los por cientos de analgesia para los compuestos aislados de Boldoa purparescens (1, 3 y 4), Morfina (fármaco de referencia) y vehículo. A una dosis de 50 mg/kg (Figura 9) se observan diferencias entre todos los compuestos y el vehículo. A los 60 minutos existen diferencias significativas entre el compuesto 1 y el resto, a esta dosis, así como entre los compuestos 3 y 4. El compuesto 4 no presenta diferencias con respecto a la Morfina a esta dosis a los 90 min. Los compuestos, 3 y 4 superan a la Morfina a los 120 min.
Figura 9.Por ciento de analgesia para compuestos, morfina y vehículo a 50 mg/kg.
A una dosis de 100 mg/kg (Figura 10) todos los compuestos presentan diferencias significativas con respecto al vehículo, excepto el 1 a los 30 min. Con respecto a la Morfina (fármaco de referencia) los compuestos 3 y 4 presentan por cientos de analgesia superiores a partir de los 90 min. (126.3 y 99.5% respectivamente). A dicha dosis se aprecian diferencias significativas entre el compuesto 3, 1 y 4.
0 20 40 60 80 100 120 140 160 30 60 90 120 % A na lg e si a tiempo (min)
% Analgesia para compuestos, morfina y
vehículo a 50 mg/kg.
Compuesto 1 Compuesto 3 Compuesto 4 Morfina Vehículo53
Figura 10.Por ciento de analgesia para compuestos, morfina y vehículo a 100 mg/kg.
En la figura 11, se presentan los por cientos de analgesia de los compuestos evaluados para una dosis de 150 mg/kg. Todos estos compuestos presentan diferencias a todos los tiempos con respecto al vehículo. A partir de los 60 min el compuesto 3 supera la Morfina (fármaco de referencia) y el compuesto 4 mantiene un comportamiento similar a este tiempo. El compuesto 3 muestra el mayor por ciento de analgesia (146,5) siendo significativamente superior al resto. Se aprecia a partir de los 90 min que todos los compuestos presentan por cientos de analgesia superiores a la morfina.
0 20 40 60 80 100 120 140 160 180 30 60 90 120 % A n a lg e s ia tiempo (min) % Analgesia para compuestos, morfina y vehículo a 100
mg/kg. Compuesto 3 Compuesto 1 Compuesto 4 Morf ina Vehiculo
54
Figura 11.Por ciento de analgesia para compuestos, morfina y vehículo a 100 mg/kg.
A la dosis de 150 mg/kg se alcanza la mayor analgesia para todos los compuestos (1,3 y 4) con porcientos de analgesia de 138.09 %, 172.06 % y 122.6 % respectivamente. De forma general al comparar los tres compuestos de origen natural el compuesto 3 es el que alcanza un mayo r efecto analgésico a la dosis de 150 mg /kg (172.06 %). Estos flavonoides constituyen nuevas estructuras aisladas a partir de la Boldoa purpurascens Cav, que pueden ser candidatos a fármacos analgésicos. Existen otros flavonoides aislados de esta planta pero son éstos los que resultan por vez primera con efectos analgésicos. Algunos flavonoides han mostrado efecto analgésico en diferentes modelos animales (77-79). En su estructura se evidencia la presencia de grupos hidroxilos y aromaticidad que resultan importantes para la actividad analgesica.
Se evidencia la buena correlación teórica con los resultados experimentales obtenidos. De esta manera quedan evidenciadas las potencialidades del software WEKA en la predicción de la actividad analgésica. No obstante, se hace necesaria la corroboración
0 20 40 60 80 100 120 140 160 180 200 30 60 90 120 % A n a lg e s ia tiempo (min) % Analgesia para compuestos, morfina y vehículo a 150
mg/kg. Compuesto 3 Compuesto 1 Compuesto 4 Morf ina Vehiculo
55 in vitro para dilucidar el mecanismo de acción por el cual se explica el efecto analgésico observado.
56
Conclusiones
Se obtuvo un modelo QSAR utilizando descriptores moleculares implementados en el programa WEKA con buenos parámetros estadísticos.
Se validó el modelo empleando estrategias de validación interna y externa.
Se realizó un cribado virtual a moléculas aisladas de Boldoa purpuracens identificándose 10 compuestos como prometedores analgésicos.
Se demostró la actividad analgésica in vivo mediante el Test de Placa Caliente de tres de los compuestos identificados en el cribado virtual.
57
Recomendaciones
Evaluar experimentalmente los siete compuestos restantes identificados en el cribado virtual.
58
Anexos
59
60
61
Bibliografía
1. Anand KJ, Craig KD. New perspectives on the definition of pain. Pain-Journal of the International Association for the Study of Pain. 1996;67(1):3-6.
2. López-Gómez M, Malmierca E, de Górgolas M, Casado E. Cancer in developing countries: the next most preventable pandemic. The global problem of cancer. Critical reviews in oncology/hematology. 2013;88(1):117-22.
3. Wilsey BL, Fishman SM, Tsodikov A, Ogden C, Symreng I, Ernst A. Psychological comorbidities predicting prescription opioid abuse among patients in chronic pain presenting to the emergency department. Pain Medicine. 2008;9(8):1107-17.
4. Lema MJ, Foley KM, Hausheer FH. Types and epidemiology of cancer-related neuropathic pain: the intersection of cancer pain and neuropathic pain. The oncologist. 2010;15(Supplement 2):3-8. 5. de Leon CFM, Freedman VA. Measuring disability, physical functions and cognitive abilities of adults: Survey enhancements and options for a new panel study. Journal of Economic and Social Measurement. 2015;40(1-4):397-425.
6. Romero J, Gálvez R, Ruiz S. ¿ Se sostiene la Escalera Analgésica de la OMS? Revista de la Sociedad Española del Dolor. 2008;15(1):1-4.
7. Modi C, Mody S, Patel H, Dudhatra G, Kumar A, Avale M. Toxicopathological overview of analgesic and anti-inflammatory drugs in animals. 2012.
8. Inturrisi CE. Clinical pharmacology of opioids for pain. The Clinical journal of pain. 2002;18(4):S3- S13.
9. Hann M, Green R. Chemoinformatics—a new name for an old problem? Current Opinion in Chemical Biology. 1999;3(4):379-83.
10. Ooms F. Molecular modeling and computer aided drug design. Examples of their applications in medicinal chemistry. Current medicinal chemistry. 2000;7(2):141-58.
11. Estrada E. Spectral moments of the edge adjacency matrix in molecular graphs. 1. Definition and applications to the prediction of physical properties of alkanes. Journal of chemical information and computer sciences. 1996;36(4):844-9.
12. Hall M, Frank E, Holmes G, Pfahringer B, Reutemann P, Witten IH. The WEKA data mining software: an update. ACM SIGKDD explorations newsletter. 2009;11(1):10-8.
13. Todeschini R, Consonni V, Mauri A, Pavan M. DRAGON 5.5 for Windows. Talete srl, Milan, Italy. 2008.
14. Forniés AL, de Diego FIG, Sierra MC, de Landázuri JGO. Concepto de dolor. Tratado de geriatría para residentes Capítulo.71:721-31.
15. Evans C, Hoggarth A, Lanigan C. Pharmacology of pain management in general practice. InnovAiT. 2016;9(12):742-52.
16. Dionne CE, Dunn KM, Croft PR. Does back pain prevalence really decrease with i ncreasing age? A systematic review. Age and Ageing. 2006;35(3):229-34.
17. Fillingim RB. Sex, gender, and pain. Principles of Gender-Specific Medicine (Third Edition): Elsevier; 2017. p. 481-96.
18. Rioufol M-O. Fisiologia del dolor. Nosocomio: revista para el técnico en cuidados de Enfermería. 2009(59):20-1.
19. Puebla Díaz F. Tipos de dolor y escala terapéutica de la OMS: Dolor iatrogénico. Oncología (Barcelona). 2005;28(3):33-7.
62
20. Kumar KH, Elavarasi P. Definition of pain and classification of pain disorders. Journal of Advanced Clinical & Research Insights. 2016;3:87-90.
21. Goodman Gilman A, Hardman JG, Limbird LW. Goodman & Gilman las bases farmacológicas de la terapéutica: McGraw-Hill; 2003.
22. Flórez J, Armijo JA, Mediavilla Á. Farmacología humana: Elsevier Masson; 2008.
23. Center MP. Pharmacology of opioids in the treatment of chronic pain syndromes. Pain physician. 2011;14:E343-E60.
24. Trescot AM, Datta S, Lee M, Hansen H. Opioid pharmacology. Pain physician. 2008;11(2 Suppl):S133-53.
25. Ricardo Buenaventura M, Rajive Adlaka M, Nalini Sehgal M. Opioid complications and side effects. Pain physician. 2008;11:S105-S20.
26. Porreca F, Ossipov MH. Nausea and vomiting side effects with opioid analgesics during treatment of chronic pain: mechanisms, implications, and management options. Pain medicine. 2009;10(4):654-62.
27. Jaschek C, D'Arcangelis S. ¿ Mitos o prejuicios de la morfina? MEDPAL, Interdisciplina y domicilio. 2009;1.
28. Baños J-E. Historiofarmacoetimología de la morfina. farmacología y terapéutica. 2018.
29. Aspe RG, editor Aislamiento de la morfina: 200 años de un descubrimiento fundamental para la química moderna. Anales de la Real Sociedad Española de Química; 2006: Real Sociedad Española de Química.
30. Florez J. Farmacologia Humana. 6 ed. Espana: Elsevier; 2014.
31. Marcelo JvRJ, Haylin CNN, Rojas JMJ. Propiedades farmacológicas y aproximación clínica de la Morfina. 2010.
32. Martínez-Guadarrama E, Guevara-López U, Serratos-Vázquez MC, Mejía-Espinosa R, Roa-Aguirre L. Reacciones adversas con la administración de opiáceos en pacientes hospitalizados. Revista Mexicana de Anestesiología. 2013;36(2):98-104.
33. García PC, Cruz SV, Mirón CE. Química farmacéutica I: Publicacions i Edicions de la Universitat de Barcelona; 2010.
34. Foye WO. Principios de química farmacéutica: Reverté; 1983.
35. Feria M. Fármacos analgésicos antitérmicos y antinflamatorios no esteroideos. Antiartríticos. In: Florez J, editor. Farmacología Humana. 4 ed. Barcelona: MASSON,SA; 2005. p. 355-8.
36. Rang HP, Dale MM, Ritter J, Flower R. Anti-inflammatory and immunosuppressant drugs. Pharmacology. 6 ed. Philadelphia: ELSEVIER; 2007. p. 226-47.
37. Rio Jd. Fármacos antidepresivos y antimaníacos. In: Florez J, editor. Farmacología Humana 4ed. Barcelona: MASSON,SA; 2005. p. 579-94.
38. Markovid S, Gutman I. Dependence of spectral moments of benzenoid hydrocarbons on molecular structure. Journal of Molecular Structure: THEOCHEM. 1991;235(1-2):81-7.
39. Marrero-Ponce Y, Torrens F, Alvarado YJ, Rotondo R. Bond-based global and local (bond, group and bond-type) quadratic indices and their applications to computer-aided molecular design. 1. QSPR studies of diverse sets of organic chemicals. Journal of computer-aided molecular design. 2006;20(10- 11):685-701.
40. Edwards C, Penney D. Elementary Linear Algebra. 1988. Prince-Hall, Englewood Cliffs.
41. Estrada E, Uriarte E, Montero A, Teijeira M, Santana L, De Clercq E. A novel approach for the virtual screening and rational design of anticancer compounds. Journal of medicinal chemistry. 2000;43(10):1975-85.
42. Castillo-Garit J. Parametrización de la estructura química empleando formas lineales: Aplicaciones al Diseño Molecular Asistido por Ordenador [En opción al grado científico de Doctor en Ciencias Farmacéuticas]. Santa Clara, Cuba: Universidad Central Marta Abreu de las Villas. 2008.
63
43. Todeschini R, Consonni V, Mauri A, Pavan M. DRAGON—Software for the calculation of molecular descriptors, version 5.5 for Windows; Talete SRL: Milan, Italy, 2007. There is no corresponding record for this reference.
44. Bonet I, Rodríguez A, García MM, Grau R. Combinación de clasificadores para bioinformática. Computación y Sistemas. 2012;16(2):191-201.
45. Aler R, Galván IM, Valls JM. Improving classification for brain computer interfaces using transitions and a moving window. 2009.
46. Alonso Atienza F. Estudio de los mecanismos de las arritmias cardiacas mediante modelado y procesado robusto digital de señal. 2008.
47. ALARCÓN-PAREDES A, FELICIANO-MORALES A, CUEVAS-VALENCIA RE, CATALÁN-VILLEGAS A, ALONSO GA. ANÁLISIS DE LAS TENDENCIAS Y PERSPECTIVAS DE LAS HERRAMIENTAS DE APRENDIZAJE DE MÁQUINA ACTUALES.
48. Marrero-Ponce Y, Siverio-Mota D, Gálvez-Llompart M, Recio MC, Giner RM, García-Domènech R, et al. Discovery of novel anti-inflammatory drug-like compounds by aligning in silico and in vivo screening: the nitroindazolinone chemotype. European journal of medicinal chemistry. 2011;46(12):5736-53.
49. O. C. Identificación “in silico” y corroboración “in vitro” de nuevos compuestos con actividad analgésica. St. Clara,Villa Clara, Cuba.: Universidad Central “Martha Abreu” de Las Villas.; 2009.
50. Mitchell TM. Does machine learning really work? AI magazine. 1997;18(3):11. 51. Quinlan JR. Induction of decision trees. Machine learning. 1986;1(1):81-106.
52. Kohavi R, John GH. Wrappers for feature subset selection. Artificial intelligence. 1997;97(1):273- 324.
53. Hamilton NZ. Correlation-based feature subset selection for machine learning. 1998.
54. Guyon I, Weston J, Barnhill S, Vapnik V. Gene selection for cancer classification using support vector machines. Machine Learning. 2002;46(1-3):389-422.
55. Sherif E, Gouda A. Quantitative structure structure-activity relationship (QSAR) for 2-amino-5- selenothiazole derivatives as anti-inflammatory and analgesic agents. Der Pharm Chemica. 2014;6(2):1- 6.
56. Ilango K, Valentina P, Kumar G, Dixit D, Nilewar S, K Kathiravan M. Design, Synthesis and QSAR Studies on a Series of 2, 5-Disubstituted-1, 3, 4-oxadiazole Derivatives of Diclofenac and Naproxen for Analgesic and Anti-inflammatory Activity. Medicinal Chemistry. 2015;11(8):753-63.
57. Datar P. QSAR and Synthesis of a Novel Biphenyl Carboxamide Analogue for Analgesic Activity. Modern Chemistry & Applications. 2015.
58. Li W, Tang Y, Xie Q, Sheng W, Qiu Z-B. 3D–QSAR studies of orvinol analogs as κ-opioid agonists. Journal of molecular modeling. 2006;12(6):877-84.
59. Huang H, Ou W, Zhao J, Chen D, Wang L. A comparative study of quantitative structure –activity relationship methods based on gallic acid derivatives. SAR and QSAR in Environmental Research. 2004;15(2):83-99.
60. Ismail MA, Lehmann J, El Ella DAA, Albohy A, Abouzid KA. Lonazolac analogues: molecular modeling, synthesis, and in vivo anti-inflammatory activity. Medicinal chemistry research. 2009;18(9):725.
61. Banerjee AG, Das N, Shengule SA, Srivastava RS, Shrivastava SK. Synthesis, characterization, evaluation and molecular dynamics studies of 5, 6–diphenyl–1, 2, 4–triazin–3 (2H)–one derivatives bearing 5–substituted 1, 3, 4–oxadiazole as potential anti–inflammatory and analgesic agents. European journal of medicinal chemistry. 2015;101:81-95.
62. Domínguez Martínez L. Identificación computacional y corroboración experimental de nuevos compuestos líderes con actividad analgésica: Universidad Central" Marta Abreu" de las Villas; 2009.
64
63. Shangoo E, Martín GMC. Identificación computacional de nuevos compuestos líderes con actividad analgésica. Santa Clara: Universidad Central Marta Abreu de Las Villas. 2007.
64. Mauri A, Consonni V, Pavan M, Todeschini R. Dragon software: An easy approach to molecular descriptor calculations. Match. 2006;56(2):237-48.
65. Helguera AM, Combes RD, González MP, Cordeiro M. Applications of 2D descriptors in drug design: a DRAGON tale. Current topics in medicinal chemistry. 2008;8(18):1628-55.
66. Carrera G, Aires-de-Sousa J. Estimation of melting points of pyridinium bromide ionic liquids with decision trees and neural networks. Green Chemistry. 2005;7(1):20-7.
67. StatSoft I. STATISTICA for Windows Operating System (Version 10.0). 2011. Tulsa (OH): StatSoft. 68. Bhargava N, Sharma G, Bhargava R, Mathuria M. Decision tree analysis on j48 algorithm for data mining. Proceedings of International Journal of Advanced Research in Computer Science and Software Engineering. 2013;3(6).
69. Patil TR, Sherekar S. Performance analysis of Naive Bayes and J48 classification algorithm for data classification. International Journal of Computer Science and Applications. 2013;6(2):256-61. 70. R SS. Empleo de estudios “in silico” en la identificación de nuevos compuestos con potencial actividad contra Leishmania infantum. Santa Clara, Cuba: Universidad Central Marta Abreu de las Villas; 2017.
71. Close MB, Banister K, Baumans V, Bernoth E-M, Bromage N, Bunyan J, et al. Recomendaciones para la Eutanasia de los Animales de Experimentación: Parte 2.
72. Garcés Giraldo LF, Giraldo Zuluaga C. Bioética en la experimentación científica con animales: cuestión de reglamentación o de actitud humana. Revista lasallista de investigación. 2012;9(1).
73. Giraldo LFG, Zuluaga CG. La responsabilidad profesional y ética en la experimentación con animales: Una mirada desde la prudencia como virtud. Revista Lasallista de Investigación. 2013;10(1). 74. Rodríguez Yunta E. Ética de la investigación en modelos animales de enfermedades humanas. Acta bioethica. 2007;13(1):25-40.
75. Castillo-Garit JA, Abad C, Casañola-Martin GM, Jones Barigye S, Torrens F, Torreblanca A. Prediction of Aquatic Toxicity of Benzene Derivatives to Tetrahymena pyriformis According to OECD Principles. Curr Pharm Des 2016;22(33):5085-94.
76. Canizares-Carmenate Y, Hernandez-Morfa M, Torrens F, Castellano G, Castillo-Garit JA. Larvicidal activity prediction against Aedes aegypti mosquito using computational tools. J Vector Borne Dis. 2017;54(2):164-71.
77. Morón Rodríguez F, Amador V, del Carmen M, Morejón Rodríguez Z, López Barreiro M, García Hernández AI, et al. Tamizaje fitoquímico, actividad analgésica y antiinflamatoria de decocción de Costus pictus D. Don. Revista Cubana de Plantas Medicinales. 2008;13(4):0-.
78. Zulfiker A, Rahman MM, Hossain MK, Hamid K, Mazumder M, Rana MS. In vivo analgesic activity of ethanolic extracts of two medicinal plants-Scoparia dulcis L. and Ficus racemosa Linn. Biol Med. 2010;2(2):42-8.
79. Owoyele BV, Oguntoye SO, Dare K, Ogunbiyi BA, Aruboula EA, Soladoye AO. Analgesic, anti- inflammatory and antipyretic activities from flavonoid fractions of Chromolaena odorata. Journal of Medicinal Plants Research. 2013;2(9):219-25.