MODELAGEM MOLECULAR APLICADA AO
PLANEJAMENTO DE COMPOSTOS
BIOATIVOS: PRINCÍPIOS E APLICAÇÕES
Dr. Carlos Mauricio R. Sant’Anna
GPAQ, Dequim, UFRuralRJ
LASSBio - UFRRJ
Bibliografia Indicada
2
Para quem está começando hoje:


SANT'ANNA, C. M. R., Métodos de Modelagem Molecular para Estudo e Planejamento
de Compostos Bioativos: Uma Introdução. Revista Virtual de Química, 1, 49 - 57, 2009.
SANT'ANNA, C. M. R., Glossário de Termos Usados no Planejamento de Fármacos
(Recomendações da IUPAC para 1997). Química Nova. , v.25, p.505 - 512, 2002.
Para quem quer saber mais:

Molecular Modelling: Principles and Applications ( A. Leach)

Introduction to Computational Chemistry (F. Jensen)

Computational Chemistry using the PC (D. W. Rogers)

Computational Chemistry (D. C. Young)

Introdução à Química Computacional (L. Alcácer)

Molecular Modeling: Basic Principles and Applications (H. D. Holtje)
Programas: http://www.click2drug.org/
C.M.R. Sant'Anna, 2014
O Que é Modelagem Molecular?
3
A Modelagem Molecular faz uso de diferentes teorias e programas de
computador para criar modelos da estrutura molecular e prever suas
propriedades (como sua energia).
Em Química Medicinal, a modelagem molecular é usada para se fazer o
Planejamento de Fármacos Auxiliado por Computadores (CADD, do
inglês Computer Assisted Drug Design).
As estratégias empregadas para o CADD são divididas em dois grandes
grupos, o Planejamento de Fármacos Baseado na Estrutura dos Ligantes
(LBDD, do inglês Ligand Based Drug Design) e o Planejamento de
Fármacos Baseado na Estrutura do Receptor (SBDD, do inglês Structure
Based Drug Design.
Muitas técnicas são aplicadas na construção dos modelos na Modelagem
Molecular e as mais importantes serão discutidas durante o Curso.
C.M.R. Sant'Anna, 2014
4
O Que a Modelagem Molecular pode
de fato fazer em Química Medicinal?
Isso?
Ou isso?
C.M.R. Sant'Anna, 2014
Estratégias Gerais da
Descoberta de fármacos
5
Bibliotecas de produtos naturais
(de plantas, animais marinhos,
processos fermentativos) ou de
compostos sintéticos ou novas
estruturas obtidas com o uso de
química combinatória
Modelagem
Molecular
“Screening”
Conhecimento parcial ou
completo do mecanismo de
interação entre o
composto bioativo (ligante)
e o alvo biológico
Modelagem
Molecular
Protótipo
Protótipo
Modelagem
Molecular
Planejamento racional
Modelagem
Molecular
Otimização estrutural
C.M.R. Sant'Anna, 2014
Otimização estrutural
“Screening”: Estratégias reais X virtuais
computacional
6
Biblioteca de
estruturas reais
Biblioteca de
estruturas virtuais
e/ou reais
“Screening”
virtual
HTS
Protótipo (IC50 ~ 10 mM)
Modificação
estrutural
Planejamento da
modificação
IC50 ~ 1-10 nM
experimental
C.M.R. Sant'Anna, 2014
Estágio de
geração de
protótipos
Estágio de
otimização
7
Modelagem Molecular no Planejamento
Racional de Compostos Bioativos
“Docking”
Relações
Qualitativas e
Quantitativas
entre a
Estrutura e a
Atividade
Modelagem Molecular:
Geração de estruturas
moleculares para...
Estudos de mecanismos
de reação, etc...
C.M.R. Sant'Anna, 2014
Planejamento
“de novo”
8
Visualização em Modelagem
Molecular: Gráficos Moleculares
C.M.R. Sant'Anna, 2014
Gráficos Moleculares
9
zirconoceno
porina
C.M.R. Sant'Anna, 2014
Gráficos Moleculares
10
Complexo Proteína-RNA
C.M.R. Sant'Anna, 2014
Visualização de Modelos: Proteínas
11
C.M.R. Sant'Anna, 2014
Visualização de Modelos: Proteínas
12
C.M.R. Sant'Anna, 2014
13
Visualização
de Modelos:
Superfícies
C.M.R. Sant'Anna, 2014
14
Visualização
de Modelos:
Superfícies
Potencial eletrostático mapeado sobre a superfície molecular
(Bujnicki et al. BMC Bioinformatics 2001 2:2
doi:10.1186/1471-2105-2-2)
C.M.R. Sant'Anna, 2014
Definição de Geometria Molecular
15
Coordenadas
cartesianas
C.M.R. Sant'Anna, 2014
Formato
PDB
Definição de Geometria Molecular
16
http://www.rcsb.org/pdb/home/home.do
C.M.R. Sant'Anna, 2014
Modelagem Molecular:
Classificações dos Métodos
17
Quanto à Dinâmica do Método de
Cálculo da Energia
•Métodos de otimização
estrutural direta (busca do ponto
estacionário mais próximo)
•Métodos de otimização múltipla
(métodos estatísticos, análise
sistemática...)
•Métodos dinâmicos: geração de
trajetórias (dinâmica molecular...)
Quanto ao Tipo do Método de
Cálculo da Energia
•Métodos de Campo de Força:
mecânica molecular
•Métodos Quânticos: Semiempíricos, ab initio HF, MP,
DFT
•Métodos de Simulação:
métodos de energia livre,
métodos de perturbação
termodinâmica, métodos de
integração termodinâmica
C.M.R. Sant'Anna, 2014
Métodos Empíricos
18
Realidade
Ótimo
C.M.R. Sant'Anna, 2014
ligações
Métodos Empíricos
19
ângulos
C.M.R. Sant'Anna, 2014
Métodos Empíricos
20
Exemplos de parâmetros:
C sp3 – C sp3
– r0 = 1,526 Å
– kb = 310,0 kcal/(mol Å2)
− θ0 = 109,50°
– Kθ = 40,0 kcal/(mol rad2)
C sp2 – O sp2
– r0 = 1.250 Å
– kb = 656,0 kcal/(mol Å2)
Quanto maior o valor de k, maior a energia necessária para
deformar uma distância ou um ângulo de ligação. Potenciais
rasos são obtidos com valores de k entre 0,1 e 1.
C.M.R. Sant'Anna, 2014
Métodos Empíricos
21
diedros
C.M.R. Sant'Anna, 2014
Métodos Empíricos
22
C.M.R. Sant'Anna, 2014
Métodos Empíricos
23
regime de repulsão
regime de atração de van der Waals
energia ótima
termo de van der
Waals
termo eletrostático
C.M.R.
Sant'Anna, 2014
Campo de força padrão para
moléculas orgânicas
24
Classe I ou
harmônicos:
E pot   k l l  l0    k    0    k 1  cosn    k   2 
2
2

l


k     ' '   k  l  l     
 k l  l l 'l ' 
 

ll '
l
0
0
l'
'
0
'
0
l
0
Sem termos cruzados
0
l
Ex.: CHARMM, AMBER
 Aij Bij 
k ' cos     0  ' 0 '   k  '  '    12  6  


rij 
 '
 '
i j i rij

qi q j
 D r
i
ji
q ij
 
k
k l
Classe II:
Termos cruzados e séries
 k l
qi  l


cos


3
cos

cos


cos  l

kl
k
l
3
2
D rkl
Dq D
i
l ril
Ex.: MM4
Campo de força compostos organometálicos
El  D1  exp   l  l0 
El  kl l  l0 
2
2
E  k    0 
2
E  k 1  cosn   
C.M.R. Sant'Anna, 2014
Métodos Empíricos:
Exemplos de Campos de Força
25
Campo de Força
EFF
MM3
CVFF
Tripos
MMFF
Dreiding
Amber
CHARMM
GROMOS
MOMEC
Sistemas Moleculares
Alcanos
Geral
Geral
Geral
Geral
Geral
Proteínas, ácidos nucleicos, carboidratos
Proteínas
Proteínas, ácidos nucleicos, carboidratos
Compostos de coordenação
C.M.R. Sant'Anna, 2014
A Superfície de Energia Potencial
26
C.M.R. Sant'Anna, 2014
Busca Direta de Mínimos de Energia
27
Ei
Emin
Ei
Emin
C.M.R. Sant'Anna, 2014
Análise Conformacional Sistemática:
Pesquisa de Grade
28
O número de conformações necessárias
para varrer o espaço conformacional
cresce rapidamente: quando o número de
ligações com rotação livre é 6, por
exemplo, o número de confôrmeros a
ser avaliado é 46656 ( igual a 600).
O número de confôrmeros equivale
a (3600/)n, onde  é o incremento
usado no processo de varredura e
n é o número de ligações avaliadas.
C.M.R. Sant'Anna, 2014
Dinâmica Molecular
29
Termodinâmica
Cinética
Quais estados são possíveis?
Como e com que velocidade os estados se interconvertem?
O movimento molecular está presente em praticamente todos os processos
químicos, como reações, interações intermoleculares, mudanças de fase,
solubilizações ou simplesmente em vibrações moleculares (espectroscopia de IV).
As etapas em um processo de minimização de energia são dirigidas
simplesmente para a busca do mínimo mais próximo. As etapas na dinâmica
representam todas as mudanças nas posições atômicas no tempo (as
velocidades).
C.M.R. Sant'Anna, 2014
Dinâmica Molecular
30
MD: Algoritmo simplificado
Dê aos átomos posições iniciais
defina Dt curto.
Calcule forças
Mova átomos:
Avance no tempo:
Repita tantas vezes quanto for necessário
C.M.R. Sant'Anna, 2014
Dinâmica Molecular
31
Campo de força usado em DM deve ser
apropriado para representar forças
intermoleculares e vibrações longe do
equilíbrio.
Entre os campos mais usados estão o
GROMOS e o OPLS.
Dinâmica de aquecimento
Dinâmica de equilibração
Dinâmica de produção
Análise das trajetórias
C.M.R. Sant'Anna, 2014
Método de Monte Carlo
32
MC compara energias. Forças não são calculadas.
No equilíbrio a T:
Algoritmo de Monte Carlo
Gere a estrutura inicial R. Calcule V(R).
Modifique a estrutura para R’. Calcule V’(R’).
Repita para
N etapas.
C.M.R.
Sant'Anna, 2014
http://www.cs.otago.ac.nz/cosc453/student_tutorials/monte_carlo.pdf
Métodos Quânticos: Introdução
33
A mecânica quântica mostra que
as partículas têm comportamento
ondulatório. Se é assim, como
determinar sua energia?
 é a chamada função de onda e
E é a energia.
C.M.R. Sant'Anna, 2014
E. Schrödinger
Métodos Quânticos para Moléculas
34
•Nos métodos
quânticos, a energia da
estrutura molecular é
definida colocando-se
os núcleos em regiões
nas quais os elétrons
estão associados a
orbitais, regiões do
espaço definidas pela
resolução da equação
de Schrödinger.
E  H
Representação de orbitais moleculares
para a molécula de H2
C.M.R. Sant'Anna, 2014
35
Diagramas de Orbitais Moleculares:
Exemplos
C.M.R. Sant'Anna, 2014
Métodos Quânticos:
Soluções Práticas
36
Métodos de orbital molecular Ab initio
Hartree-Fock, Perturbação Moeller-Plesset
(MPn), Interação de configuração (CI), etc.
Teoria do funcional de densidade (DFT)
Métodos de orbital molecular semiempíricos
Hückel, PPP, CNDO, INDO, MNDO, AM1
PM3, PM6, RM1…
C.M.R. Sant'Anna, 2014
Métodos Quânticos:
Aproximações
37
Aproximação de BornOppenheimer
•A descrição de moléculas é feita pela
resolução da equação de Schrödinger
na qual a função de onda  é uma
função das coordenadas dos núcleos
(R) e dos elétrons (r):
H(R,r) = E(R,r)
(1.1)
Como os núcleos são milhares de
vezes mais pesados do que os
elétrons, os movimentos nuclear e
eletrônico podem ser considerados
separadamente (Born-Oppenheimer):
H(R) = E (R)
(1.2)
H(r;R) = E (r;R)
(1.3)
•A resolução de (1.2) é chamada
dinâmica quântica e depende
de uma função de energia (a SEP)
definida apenas pelas posições dos
núcleos, E(R).
Métodos ab initio resolvem (1.3)
diretamente.
Ex.: HF, MPx
Métodos semi-empíricos fazem
aproximações que são compensadas com funções ajustadas
empiricamente.
C.M.R. Sant'Anna, 2014
Métodos Quânticos: Orbitais Atômicos
38
C.M.R. Sant'Anna, 2014
Conjuntos de Base
39
1. Mínimo
•O mais simples deste conjunto de bases ainda usado é o STO-3G
(acrônimo para Orbitais do Tipo Slater simulados pela soma de 3
Gaussianas).
•O conjunto de bases mínimo tem apenas o número de bases
necessário para acomodar os elétrons dos átomos e reter a simetria
esférica. Assim, o conjunto STO-3G tem apenas uma função para o H
(1s), cinco para o Li até o Ne (1s, 2s, 2px, 2py e 2pz) e 9 para os
elementos do segundo período Na até o Ar (1s, 2s, 2px, 2py, 2pz, 3s,
3px, 3py e 3pz).
•É o conjunto de bases usados pelos hamiltonianos do programa
Mopac.
•Problemas: estabilidade de anéis pequenos é superestimada
C.M.R. Sant'Anna, 2014
Conjuntos de Base
40
2. Conjunto de Bases de Valência Dividida
Os orbitais são divididos em pelo menos duas partes: uma interna e
compacta e outra externa, mais difusa.
Os coeficientes das duas partes podem ser variados independentemente na
combinação LCAO-MO. Assim, o tamanho do orbital pode ser variado dentro
dos limites das funções interna e externa.
Exemplos: 3-21G, 6-31G, 6-311G (notação de Pople)...
Uma contração de 6
funções Gaussianas usadas
para representar os orbitais
de camada interna
1 função Gaussiana usada para
representar a parte intermediária
dos orbitais de valência
6-311G
Uma contração de 3 funções
Gaussianas usadas para
representar a parte interna dos
orbitais de valência
C.M.R. Sant'Anna, 2014
1 função Gaussiana usada
para representar a parte
externa dos orbitais de
valência
Conjuntos de Base
41
3. Conjunto de Bases com Funções de Polarização
•Melhoria nas funções de base foi obtida pela adição de funções do tipo d para todos os
átomos “pesados” (diferentes de H). Por ser mais conveniente computacionalmente, são
usadas 6 funções do tipo d (x2, y2, z2, xy, xz, yz), que equivalem a 5 funções d e a uma
função s.
•Essas funções permitem que o centro de um orbital se desloque para além do plano que
contém o núcleo, levando à distribuições eletrônicas não-esféricas (anisotrópicas).
•A presença do conjunto de polarização é indicada por um asterisco. Ex.: 3-21G*
•Funções de polarização também podem ser usadas para os átomos de H. Nesse caso, são
usadas funções do tipo p. A presenças destas funções é indicada por um segundo
asterisco. Ex.: 6-31G**
•Um asterisco entre parênteses indica que as funções de polarização foram adicionadas
apenas para os elementos do segundo período.
•Uma maneira alternativa de indicar a presença de funções de polarização é colocar (d) ou
(d,p) após o G.
C.M.R. Sant'Anna, 2014
Conjuntos de Base
42
4. Conjunto de Bases com Funções Difusas
•Sistemas com elétrons mais fracamente ligados aos núcleos, como ânions
ou mesmo átomos com elétrons não-ligantes, são melhor descritos pela
inclusão de funções difusas.
•Essas funções são conjuntos de orbitais s e p muito difusos, com
expoentes entre 0,1 e 0,01.
•A presença das funções difusas nos átomos “pesados” é indicada por um
sinal “+” antes da letra G. Ex.: 6-31+G
•A presença das funções difusas também nos átomos de H é indicada por
um segundo sinal “+”. Ex.: 6-311++G
•Processos que envolvem mudança no número pares de elétrons solitários,
como reações de protonação, são melhor descritas com o uso das funções
difusas.
•A adição de funções difusas nos átomos de H tem, em geral, pouco efeito
nos resultados, a não ser nos casos em que íons hidretos estejam
envolvidos.
C.M.R. Sant'Anna, 2014
Método HF e Sistemas com
Elétrons Desemparelhados
43
No método HF, os elétrons devem ocupar os orbitais em pares, ou seja, a
mesma função de onda do orbital é usada para os elétrons nos 2 estados de
spin ( e ); isso é chamado de método de Hartree-Fock restrito (RHF).
Para sistemas com elétrons desemparelhados, como os radicais livres, uma
alternativa é usar conjuntos separados de orbitais para os elétrons  e  ;
isso é chamado de método de Hartree-Fock irrestrito (UHF). Por exemplo:
C.M.R. Sant'Anna, 2014
Modelos de Correlação Eletrônica
44
•Uma maneira de incluir a correlação eletrônica é a Interação de
Configuração (CI): uma certa quantidade de estados eletrônicos excitados
são incluidos na descrição de um estado eletrônico.
•Em geral, uma função de onda CI para uma molécula pode ser escrita como:
  c00  c11    
onde 0 é a função de onda para um dado orbital molecular, obtida ao se
resolver as equações de HF e 1, etc. são funções de configurações onde um
ou mais dos orbitais ocupados são substituídos por orbitais virtuais.
•O método CI é computacionalmente muito mais custoso do que os métodos
HF (tempo de CPU pode ser proporcional entre N6 a N10, onde N é o número
de orbitais).
C.M.R. Sant'Anna, 2014
45
Modelos de Correlação
Eletrônica
•No Modelo de Möller-Plesset (MP), as funções de onda e as energias podem
ser gradualmente melhoradas substituindo-se o hamiltoniano “verdadeiro” Hl
por:
Hˆ l  Hˆ 0  lVˆ
onde l é um parâmetro que varia entre 0 e 1, V é a “perturbação” e H0 é o
hamiltoniano de ordem zero. Assim, para as funções de onda e energias:
i  i
Ei  Ei
( 0)
( 0)
 li  l2 i
(1)
 lEi  l2 Ei
(1)
( 2)
( 2)
 
 
onde Ei(1) é a correção de primeira ordem da energia, Ei(2) é a de segunda
ordem, etc.:
De acordo com a ordem da correção introduzida, temos os vários modelos
de Möller-Plesset: MP2, MP3, MP4…
C.M.R. Sant'Anna, 2014
Métodos Semi-empíricos
46
Nos métodos semi-empíricos, a energia total da molécula é representada
como a soma da energia eletrônica com a energia de repulsão entre os cernes.
Um conjunto de treinamento de moléculas é selecionado, escolhido para cobrir
o maior número de situações de ligação química possível. É aplicado um
procedimento de mínimos quadrados não-linear com os valores dos parâmetros
ajustáveis sendo as variáveis as propriedades do conjunto de treinamento como
constantes a serem reproduzidas. Estas propriedades incluem calores de
formação, variáveis geométricas, momentos de dipolo, energias de ionização,
etc.
Dependendo da escolha do conjunto de treinamento, do número de
parâmetros ajustáveis e do modo de ajuste às propriedades experimentais,
temos diferentes hamiltonianos; por exemplo:
AM1 (M. J. S. Dewar et al.)
PM3, PM5, PM6 e PM7 (J. J. P. Stewart)
RM1 (G. B. Rocha et al.)
C.M.R. Sant'Anna, 2014
Métodos Semi-empíricos
47
1480 moléculas contendo H,
C, N, O, P, S, F, Cl, Br e I.
RM1: a Reparameterization of AM1 for H, C, N, O, P, S, F,
Cl, Br, and I
Gerd Bruno Rocha, Ricardo Oliveira Freire, Alfredo Mayall
Simas, and James J. P. Stewart.
Journal of Computational Chemistry 27(10), 1101-1111,
2006
C.M.R. Sant'Anna, 2014
48
J. J. P Stewart, J. Mol. Model. 2007,
13, 1173-1213.
Parâmetros semi-empíricos para 70
elementos da tabela periódica.
C.M.R. Sant'Anna, 2014
49
J. J. P Stewart, J. Mol. Model.
2007, 13, 1173-1213.
C.M.R. Sant'Anna, 2014
Desempenho Relativo dos Métodos de Cálculo
de Modelagem Molecular
50
Mecânica
Objetivo
Semi-empírico
Ab Initio
Molecular
HF
MP2
aceit.bom
Bom
Bom
Bom
-
Bom
Pobre
?
-
Bom
Bom
Bom
Conformação
Bom
Pobre
aceit.bom
Bom
Termoquímica
-
Pobre
aceit.bom
Bom
-
aceitável
Bom
Bom
muito baixo
baixo
alto
muito alto
Geometria
(grupo principal)
Geometria
(metais de transição)
Geometria
(ests. de transição)
(não isodêsmica)
Termoquímica
(isodêsmica)
Custo
C.M.R. Sant'Anna, 2014
51
Um Modelo Quântico Alternativo:
Teoria do Funcional de Densidade
Structure and
Bonding, Vol. 150
Putz, Mihai V.;
Mingos, D Michael
P (Eds.) 2013, XII,
236 p.
Número de artigos com a palavra DFT no
título a partir de 1980
C.M.R. Sant'Anna, 2014
Teoria do Funcional de Densidade
52
•Na Teoria do Funcional de Densidade (DFT), todas as propriedades do sistema
são uma função de uma função (um funcional), a densidade eletrônica r (1o
teorema de Hohenberg e Kohn).
•Como obter a densidade eletrônica?
A densidade eletrônica é expressa como uma combinação linear de funções de
base matematicamente semelhantes aos orbitais HF, chamados orbitais de KhonSham.
•Há várias formas de funcionais. Alguns foram desenvolvidos a partir da
mecânica quântica fundamental (ab initio) e outros que foram parametrizados
para melhor reproduzir dados experimentais (semi-empíricos).
 i   i r 
K i ( r )  Ei i r 
C.M.R. Sant'Anna, 2014
Principais Funcionais de Densidade
53
Os funcionais mais simples tem apenas um termo de troca eletrônica (ex.: X); outros
incluem termos de correlação eletrônica, como nos métodos da aproximação de
densidade local (LDA) e de densidade de spin local (LSDA). Métodos mais complexos (e
mais precisos) usam a densidade e o seu gradiente (gradiente-corrigido) e alguns
misturam partes de diferentes funcionais (híbridos). Os mais completos têm uma
qualidade equivalente a um cálculo MP2. Alguns exemplos:
Acrônimo
X
HFS
VWN
BLYP
B3LYP
PW91
G96
P86
B96
B3P86
B3PW91
Nome
X alfa
Hartree, Fock e Slater
Vosko, Wilks e Nusair
Funcional de correlação de Becke com de troca de Lee,
Yang, Parr
Termo 3 de Becke com de troca de Lee, Yang, Parr
Perdue e Wang 1991
Gill 1996
Perdew 1986
Becke 1996
Troca de Becke, correlação de Perdew
Troca de Becke, correlação de Perdew e Wang
C.M.R. Sant'Anna, 2014
Tipo
Troca
HF com troca LDA
LDA
Gradiente-corrigido
Híbrido
Gradiente-corrigido
Troca
Gradiente-corrigido
Gradiente-corrigido
Híbrido
Híbrido
Aplicações: Propriedades Eletrônicas
54
Cátion t-butil:
mapas de
potencial
eletrostático
Formaldeído: LUMO
C.M.R. Sant'Anna, 2014
Formaldeído: HOMO
Aplicações:
Estudo da Reatividade Química
55
Representação do LUMO dos
substratos acetaldeído e
triflúor-acetaldeído (método
quântico semi-empírico AM1)
Representação superfície de
potencial eletrostático dos
substratos acetaldeído e
triflúor-acetaldeído (método
quântico semi-empírico AM1)
C.M.R. Sant'Anna, 2014
Aplicações:
Estudo da Reatividade Química
56
SN2: representação do LUMO do
substrato CH3Br obtido pelo método
quântico semi-empírico AM1
SN1: representação do LUMO do
intermediário cátion t-butil obtido pelo
método quântico semi-empírico AM1
C.M.R. Sant'Anna, 2014
Qual o Melhor Modelo?
57
Os principais parâmetros para a
escolha de um modelo teórico são o
desempenho e o custo.
O sucesso de qualquer modelo depende primeiro da sua capacidade
de reproduzir dados experimentais.
Mas um modelo precisa também ser prático, o que depende do
tamanho do sistema em estudo e das facilidades computacionais
disponíveis.
Um modelo prático provavelmente não vai ser o melhor tratamento
possível para um determinado problema, mas aquele que produzirá
as informações necessárias com uma precisão e um custo
razoáveis.
C.M.R. Sant'Anna, 2014
Métodos Híbridos
58
•Nos chamados métodos híbridos (ou combinados) QM/MM (do inglês
Quantum Mechanics/Molecular Mechanics), os métodos clássico e quântico
são usados ao mesmo tempo, mas em “camadas” diferentes deste sistema.
•O cálculo quântico é aplicado em uma parte pequena da estrutura
(chamada parte quântica), enquanto o restante da estrutura é tratado com
um método clássico (a parte clássica).
Vantagens: Como a região tratada quanticamente é pequena, os resultados
podem ser alcançados com rapidez, mesmo que sejam usados conjuntos de
base extensos.
Problemas: definição da fronteira quântico/clássico (uso de hidrogênios
para completar ligações cortadas? orbitais localizados congelados?)
Exs.: integrated MO ‡
MM (IMOMM); our own n-layered integrated MO and
MM method (ONIOM); integrated MO MO method (IMOMO).
Warshel & Levitt, Journal of Molecular Biology, 103, 1976, 227–249
C.M.R. Sant'Anna, 2014
Modelagem de Proteínas
59
1. Modelagem Comparativa (por Homologia)
Esse método aproxima a estrutura tridimensional para sequências primárias de
proteínas, usando como molde estruturas 3D conhecidas. É necessário ~30%
de identidade entre as sequências da proteína a ser modelada (proteína-alvo) e
do molde. As estruturas 3D são conhecidas através de dados de cristalografia
de raios-X ou, mais raramente, dados de RMN. Muitas estão depositadas em
bancos de acesso público, como o Protein Data Bank (PDB). Ex.: Swiss-Model,
Modeller.
2. Modelagem ab initio (de novo)
Baseia-se em princípios físicos ao invés do uso de moldes. Há métodos que
tentam mimetizar o processo de enovelamento de proteínas e outros que
aplicam métodos estocásticos para pesquisar possíveis soluções estruturais. São
métodos computacionalmente muito exigentes e foram aplicados com sucesso
em proteínas pequenas. Ex.: I-TASSER, Rosetta@home
C.M.R. Sant'Anna, 2014
Modelagem de Proteínas
Molde
60
Etapas da Modelagem Comparativa
(por Homologia)
1. Busca do molde a partir da sequência
da proteína-alvo usando um algoritmo de
similaridade. Ex.: Blast no Swiss-Model.
(semelhança e resolução)
2. Alinhamento das sequências . Ex.:
ClustalW e T-Coffee (problemas:
inserções e deleções, loops).
3. O ‘backbone’ do alvo é construido
sobre o do molde (C e ângulos  e ).
4. Ajuste das cadeias laterais (bibliotecas
de confôrmeros ajudam); eliminação de
colisões (clashes)
5. Refinamento da estrutura por simples
minimização de energia com mecânica
molecular ou por dinâmica molecular.
Estrutura 3D desconhecida
loop
Alinhamento das sequências
deleções
inserção
C.M.R. Sant'Anna, 2014
Modelo estrutural
Modelagem de Proteínas
61
>tr|Q4CQE2|Q4CQE2_TRYCR Ribose 5-phosphate isomerase, putative
OS=Trypanosoma cruzi GN=Tc00.1047053509199.24 PE=4 SV=1
MTRRVAIGTDHPAFAIHENLILYVKEAGDEFVPVYCGPKTAESVDYPDFASRVAEMVARK
Arquivo FASTA
(Swiss-Prot)
EVEFGVLACGSGIGMSIAANKVPGVRAALCHDHYTAAMSRIHNDANIVCVGERTTGVEVI
REIIITFLQTPFSGEERHVRRIEKIRAIEASHAGKKGVQ
>[Template]|1nn4D|2.2|Structural Genomics RpiBAlsB
Length = 159
Alinhamento
[Display Alignment in DeepView]
Score = 114 bits (286), Expect = 2e-26,
Method: Composition-based stats.
Identities = 60/147 (40%), Positives = 93/147 (63%), Gaps = 3/147 (2%)
Query: 3
Sbjct: 14
Query: 63
Sbjct: 72
RRVAIGTDHPAFAIHENLILYVKEAGDEFVPVYCGPKTAESVDYPDFASRVAEMVARKEV 62
+++A G DH F +
++ ++ E G E +
G ++E DYP +AS+VA VA EV
KKIAFGCDHVGFILKHEIVAHLVERGVEVIDK--GTWSSERTDYPHYASQVALAVAGGEV 71
EFGVLACGSGIGMSIAANKVPGVRAALCHDHYTAAMSRIHNDANIVCVGERTTGVEVIRE 122
+ G+L CG+G+G+SIAANK G+RA +C + Y+A +SR HND N++ G R G+E+ +
DGGILICGTGVGISIAANKFAGIRAVVCSEPYSAQLSRQHNDTNVLAFGSRVVGLELAKM 131
Query: 123 IIITFLQTPFSGEERHVRRIEKIRAIE 149
I+ +L
+ G RH +R+E I AIE
Sbjct: 132 IVDAWLGAQYEG-GRHQQRVEAITAIE 157
C.M.R. Sant'Anna, 2014
Modelagem de Proteínas: Swiss-Model
62
C.M.R. Sant'Anna, 2014
Modelagem de Proteínas: Swiss-Model
63
C.M.R. Sant'Anna, 2014
Modelagem de Proteínas
64
Molde
Modelo
Modelo gerado a partir do servidor Swiss-Model
(modo automático); otimização estrutural com
campo de força GROMOS
Ferramentas avaliam a qualidade do
modelo. Ex.: gráfico de Ramachandran
(Swiss-Model), o servidor ANOLEA…
C.M.R. Sant'Anna, 2014
Modelagem de Proteínas
65
Há uma variedade de ferramentas desenvolvidas para avaliar a qualidade dos
modelos, por exemplo:
1. Procheck (http://www.ebi.ac.uk/thornton-srv/software/PROCHECK/): avalia a
qualidade estereoquímica da estrutura;
2. Molprobity (http://molprobity.biochem.duke.edu/): verifica os contatos entre
átomos do modelo e a presença de conformações não usuais da cadeia
principal e das cadeias laterais dos aminoácidos;
3. ProSA (https://prosa.services.came.sbg.ac.at/prosa.php): usa potenciais de
campos de força construídos a partir de uma análise estatística de estruturas
3D conhecidas para avaliar a qualidade do modelo.
C.M.R. Sant'Anna, 2014
Ancoramento Molecular (‘Docking’)
66
O ancoramento molecular é uma metodologia que tem como objetivo prever o
modo de interação (orientação e conformação) do complexo formado entre uma
molécula pequena (ligante) e um receptor, geralmente uma proteína.
Há diferentes níveis de ancoramento:
1. Ancoramento rígido: apenas o ligante tem liberdade conformacional;
2. Ancoramento semi-rígido: cadeias laterais selecionadas e/ou moléculas de
água são mantidas livres;
3. Ancoramento flexível: todas as espécie presentes no complexo são mantidas
livres durante o procedimento.
C.M.R. Sant'Anna, 2014
Geração de poses: Estratégias
67
Evolução...
Estratégias:
Algoritmo genético
Monte Carlo
Construção incremental
Métodos híbridos
Criar população de
cromossomos
Charles Darwin
1809-1882
Determinar o
ajuste de cada
indivíduo
várias gerações
próxima
geração
Programa
Estratégia
AutoDock
AG/MC
FlexX
CI
Glide
Híbrido
GOLD
AG
Selecionar
próxima geração
Mostrar
resultados
Realizar reprodução
por cruzamento
AG: uma “máquina”
para fazer evolução
C.M.R. Sant'Anna, 2014
Realizar
mutação
68
Algoritmo
Genético mais
Detalhado
1. Um conjunto de operadores de reprodução (“crossover”, mutação
etc) é escolhido. A cada operador é estipulado um “peso”.
2. Uma população inicial é randomicamente criada, e
a aptidão (“fitness”) de seus membros é determinada.
3. Um operador é escolhido utilizando seleções por
“roletas de cassino”, baseadas no peso de operadores.
Um algoritmo genético (AG) é
uma técnica de busca
utilizada para achar soluções
aproximadas em problemas
de otimização e busca.
Algoritmos genéticos são uma
classe particular de
algoritmos evolutivos que
usam técnicas inspiradas pela
biologia evolutiva como
hereditariedade, mutação,
seleção natural e
recombinação.
4. Os “pais” requeridos pelos operadores são escolhidos utilizando
seleções por “roletas”, baseadas em aptidões escaladas.
5. O operador é aplicado e cromossomos “filhos”
são produzidos. Suas aptidões são avaliadas.
6. Se ainda não estão presentes na população, os cromossomos filhos
substituem os membros de menor aptidão (os piores ancorados).
7. Se N operações foram feitas, o cálculo é parado;
caso contrário, volta-se ao passo 3.
C.M.R. Sant'Anna, 2014
Ancoramento Molecular (‘Docking’)
69
Representações Básicas da Proteína e do
Ligante:
a. Atômica: calcula-se a interação átomo-átomo; é
usada com funções de energia potencial.
b. Representação em grade: o uso de grades é
feito para o cálculo de energia, acumulando
informações sobre a contribuição na energia da
proteína nos pontos em uma grade.
c. Superficial: utilizada para ancoramento entre
duas proteínas (ancoramento proteína/proteína),
através do alinhamento de pontos de cada
superfície.
a
c
C.M.R. Sant'Anna, 2014
Ancoramento Molecular (‘Docking’)
70
Funções de escore baseadas em campos de
força
Para avaliação dos modos de interação de forma
rápida são usadas funções que determinam de
forma simplificada o processo de interação liganteproteína.
Para alguns do programas de ‘docking’, essas
funções se baseiam apenas na complentaridade
estrutural e eletrostática entre enzima e inibidor,
usando termos similares às funções de energia
estérica e eletrostática dos campos de força da
mecânica molecular.
NA
Ecoul (r )  
i 1
NB
qi q j
 4
j 1
r
0 ij
NA
EvdW (r )  
i 1
  12   6 
ij
ij



 

4



 rij   rij  
j 1


NB
C.M.R. Sant'Anna, 2014
Funções empíricas: Essas funções de escore reproduzem dados experimentais como
uma soma de várias funções de energia parametrizadas.
71
Receptor
Ligante
OH
H 3N
Ângulos diedros
variados no docking
flexível
O
+
O
O
N
H
Sítio de interação
na proteína
Ângulos diedros com pequenas
barreiras em solução
“Poses” do complexo
ligante-receptor
DGhb
DGrot
O
O
H
DGio
O
N
H
Classificação das “poses”
O
DGint = SDGi
DGint = DGrot+ DGhb+ DGion+ DGaro +
DGlipo + ...
H3N
DGlipo
DGaro
C.M.R. Sant'Anna, 2014
Valores usados diretamente ou para gerar
outros valores comparativos (escores)
Ancoramento Molecular (‘Docking’)
72
Algoritmos de Busca Aplicados a Ligantes Flexíveis
a. Métodos sistemáticos: fragmentos moleculares são atracados no sítio, sendo
então ligados covalentemente um ao outro (construção incremental), podendo ser
ainda divididos em regiões rígidas (“núcleos”) e flexíveis (cadeias laterais).
b. Métodos estocásticos: atuam promovendo mudanças aleatórias nas “poses” dos
ligantes, de acordo com funções de probabilidade, implementadas principalmente
por duas metodologias: “Monte Carlo” e “algoritmo genético” .
c. Métodos simulacionais: simula-se o movimento real do ligante no interior da
proteína; a técnica de dinâmica molecular é a mais utilizada neste tipo de método.
Programa
Estratégia
AutoDock
AG/MC
FlexX
CI
Glide
Híbrido
GOLD
AG
C.M.R. Sant'Anna, 2014
Ancoramento Molecular (‘Docking’)
73
“Redocking” é o processo no qual
um ligante retirado da estrutura
de um complexo é ancorado na
forma ajustada do receptor. É um
processo usado para verificar
quais parâmetros para o processo
de ancoramento são adequados e
capazes de recuperar a estrutura
do complexo e suas interações.
O “cross-docking” é feito com um
conjunto de complexos, onde
todos os ligantes são ancorados
em todos os receptores. É útil
para determinar a capacidade de
separação dos ligantes pelo
programa frente a um receptor.
Sobreposição das estruturas do FAD co-cristalizado (no padrão CPK de
cores) e atracado (em ciano), após ancoramento com o programa GOLD 3.0
na enzima tripanotiona redutase. Átomos de H da proteína omitidos (Del
Cistia, C.N., Tese de Doutorado, 2010)
C.M.R. Sant'Anna, 2014
Ajuste Induzido: Cadeias Laterais
74
Glu276
Glu276
Arg224
Arg224
Neuraminidase da influenza A complexada com o inibidor ácido 2-desoxi-2,3-desidro-Nacetilneuramínico (PDB 1NNB) e com o ácido 5-acetilamino-4-amino-6(fenetilpropilcarbamoil)-5,6-diidro-4H-pirano-2-carboxílico (PDB 1BJI).
C.M.R. Sant'Anna, 2014
74
Ajuste Induzido: Cadeia Polipeptídica
75
Agonista 17β-estradiol (PDB 1ERE) no domínio de interação do ligante no receptor do estrogênio
causa uma conformação diferente da hélice 12, quando comparada com conformação da hélice 12 com o
ligante seletivo do receptor do estrogênio raloxifeno
1ERR). 2014
C.M.R.(PDB
Sant'Anna,
75
Ajuste Induzido: Efeito na estrutura
terciária
76
SB203580
Efeitos conformacionais na proteína após formação do complexo MAP
quinase P38/ligante
C.M.R. Sant'Anna, 2014
76
Ajuste induzido: Soluções no “docking”
77
“Ensemble docking”
Sobreposição
estrutural
10 proteínas + 87
ligantes
“ensemble
docking”
“docking”
comum
75 % de acerto
93 % de acerto
Huang e Zhou, Proteins, 2007, 6,399-421.
Otimização estrutural
C.M.R. Sant'Anna, 2012
Ajuste induzido: Soluções no “docking”
78
SB203580
Escore da
estrutura
SB203580
C.M.R. Sant'Anna, 2012
79
Triagem Virtual Baseada no
“Docking”
Triagem virtual
baseada na estrutura
(SBVS – Structure
Based Virtual
Screening)
Triagem virtual
baseada no
“docking” (DBVS –
Docking Based
Virtual Screening)
Preparação da
estrutura alvo
Preparação da
biblioteca de
compostos
“docking”
Avaliação das poses
(“scoring”)
Classificação das
poses (“ranking”)
Pós-processamento
C.M.R. Sant'Anna, 2014
Seleção de Compostos para o DBVS
80
Bibliotecas:
Próprias
Públicas
Comerciais
Comp.
2
Comp.
1
Comp.
3
Comp. 2
Enriquecimento de Bibliotecas (filtragem):
Filtros físico-químicos e/ou farmacológicos (ex.: solubilidade,
Lipinski, ADME/Tox)
Filtros de similaridade c/ compostos ativos conhecidos
Filtros baseados no alvo
C.M.R. Sant'Anna, 2014
81
Aplicações no Estudo de Compostos
Bioativos
C.M.R. Sant'Anna, 2014
“Is there really a case where a drug that’s
on the market was designed by a
computer? When asked this, I invoke the
professorial mantra (“All questions are
good questions.”), while sensing that the
desired answer is “no”. Then, the
inquisitor could go back to the lab with the
reassurance that his or her choice to
avoid learning about computational
chemistry remains wise.”
“...the phrasing of the question suggests
misunderstanding and oversimplification
of the drug discovery process.”
“There is not going to be a “voila`” moment
at the computer terminal. Instead, there is
systematic use of wide ranging
computational tools to facilitate and
enhance the drug discovery process.”
www.sciencemag.org SCIENCE 303
19 MARCH 2004
82
C.M.R. Sant'Anna, 2014
Estratégias no Planejamento Racional
83 Quantidade
crescente de
informação
disponível
Ligantes conhecidos
(estrutura e
dados biológicos)
+
Métodos Independentes do Receptor/Enzima
Seqüência do
receptor conhecida
+
QSAR
(CoMFA, etc)
Modelo do
Receptor
Modelagem por
homologia
Estrutura 3D do
receptor conhecida
Interações
ligante-receptor
(docking, etc)
Novos
ligantes
+
Métodos Dependentes do
Receptor/Enzima
Dinâmica das
interações, reações
Mecanismo de
ação conhecido
Métodos Baseados no Mecanismo
C.M.R. Sant'Anna, 2014
Exemplo 1: Inibidores da PDE4
84
O
CH3
O
O
N
O
O
N
N
O
1 (rolipram)
N
N
O
Cl
Cl
3
2 (syntex 3)
CH3
H3C
Cl
O
S
EtO
CH3
H3C
N
H
EtO
N
N
N
H
N
4
O
CH3 O
N
NC
H3C
N
N
CH3
O
H3C
N
N
N
O
CH3
O
N
O
S
H2N
N
N
CH3
N
N
O
H3C
CH3
6
5
CH3 O
N
O
S
N
N
NC
Oliveira, Caffarena,
Sant`Anna, Dardenne,
Barreiro, 2006
8
7
CH3
NC
CH3
H3C
9
C.M.R. Sant'Anna, 2014
10
N
N
CH3
CH3
Interação Ligante-Receptor:
Aspectos Teóricos
85
+
[E(aq)]
[I(aq)]
[E•I(aq)]
DGbind   RT ln K a  RT ln K d
[E
(aq)] [I(aq)]
_________
Ki = Kd =
[E•I(aq)]
DGbind  DH bind  TDS bind
Trocas de energias envolvidas no
processo de “binding”, como as
energias de interação ligante-sítio e
ligante-solvente.
Formas de distribuição das
energias, classificadas como
entropia translacional,
rotacional, conformacional e
vibracional.
C.M.R. Sant'Anna, 2014
86
Atividade Biológica: Construção de Modelos
Teóricos
Objetivo: proposição de
um modelo teórico capaz
de determinar a atividade
biológica.
DG  RT ln K i
RT ln K i  c1 DGsolv  c2   c3 DH bind  c4 N LR  c5
2

DH bind  DH comp  DH saDH lig

NLR: termo entrópico associado à
perda de rotação em ligações após
associação do ligante ao sítio ativo
C.M.R. Sant'Anna, 2014
87
A
B
C
Gln443
1.5
Met431
Phe446
Syntex3
Phe414
Tyr233
Calculated DG (kcal/mol)
Met411
1.0
0.5
0.0
-0.5
2
r = 0.92
SD= 0.26
n = 10
-1.0
-1.5
-1.5
-1.0
-0.5
0.0
0.5
1.0
Experimental DG (kcal/mol)
Metallic subsite
C.M.R. Sant'Anna, 2014
1.5
2.0
Exemplo 2: Modelo para a Inibição para a
Tripanotiona Redutase
88
R3
Composto
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
R1
Cl
COCH2CH3
COOH
CONH2
H
H
H
H
CF3
Cl
Cl
COCH3
COCH3
Cl
Cl
Cl
Cl
Cl
Cl
Cl
R2
(CH2)3NMe2
(CH2)3NMe2
(CH2)3NMe2
(CH2)3NMe2
(CH2)2C(NH2)=NH
(CH2)3N(CH2CH2)2NCH3
CO(CH2)2COOH
COCH2Br
(CH2)2C(NH2)=NH
(CH2)3NMe2
(CH2)3NMe2
COCH3
COCH3
(CH2)3N+(Me)2CH2C6H5
(CH2)3N+(Me)2CH2C6H33,4-Cl
(CH2)3N+(Me)2CH2C6H44-NO2
(CH2)3N+(Me)2CH2C6H33,4-CH3
(CH2)3N+(Me)2CH2C6H33,4-OCH3
(CH2)3N+(Me)2CH2C6F5
CH3
Khan et al., J. Med. Chem., 2000, 43, 3148.
Chan et al., J. Med. Chem., 1998, 41, 148.
R3
=O
-
R4
H
H
H
H
H
H
H
H
H
COCH3
H
H
COCH3
H
H
H
H
H
H
H
S
R1
N
R4
R2
“Docking” de
fenotiazinas
TR de Trypanosoma cruzi*
*Bond et al., Structure Fold Des.,
C.M.R. Sant'Anna, 20141999, 7, 81.
Geração de descritores para
os complexos (SILVER)
Melhores ajustes
(Goldscore)
“Docking” (GOLD)
Seleção de descritores e
geração de correlação
89
ln (IC50)exp
2,08
2,3
-0,25
2,88
1,69
3,33
4,34
5,16
7,94
3,89
4,28
7,3
5,53
5,73
3,57
5,88
8,27
6,13
1,36
6,9
4,7
2,48
6,08
ln (IC50)calc
2,24
1,15
1,14
3,43
1,51
3,16
5,52
5,13
6,53
5,43
4,50
8,09
5,96
6,71
4,17
4,45
6,54
5,98
1,10
5,55
5,28
2,15
7,35
8
7
6
ln IC50 calc
Comp.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
ln IC50  c1DVDW  c2 DHYD  c3 DAH  c4
5
4
3
Linear fit
R=0,904
SD=0,871
N=20
2
1
0
2
4
6
8
ln IC50 exp
DVDW é a contribuição em interações de van de Waals ligante/proteína, DHYD
o número de átomos hidrofóbicos do ligante acessíveis ao solvente, DAH o
número de aceptores de ligação hidrogênio do ligante e os coeficientes c1-c4
são obtidos ajustando-se a equação aos valores experimentais de ln (IC50)
C.M.R. Sant'Anna, 2014
Exemplo 3: Mesoiônicos, Novos
Inibidores da TR
90
Espécie
NH
S
-
R
+
N
Cl
Inibição (%) da TR pelo
derivado p-NO2 (1 M)
N
R = H, m-OCH3, p-OCH3, p-NO2
L.
amazonensis
76
L. infantum
70
L. brasiliensis
69,5
T. cruzi
83
L. infantum
Inibição não
competitiva
Rodrigues, R., et al., Bioorg. Med. Chem., 20, 1760
(2012)
C.M.R. Sant'Anna, 2012
Docking
NH
S
-
TR L. amazonensis (modelo)
R
+
N
Cl
TR L. infantum (2W0H)
N
TR L. brasiliensis (modelo)
R = H, m-OCH3, p-OCH3, p-NO2
TR T. cruzi (1BZL)
Sítio do FAD
Sítio da tripanotiona
Rodrigues, R., et al., Bioorg. Med. Chem., 20, 1760 (2012)
91
C.M.R. Sant'Anna, 2012
Sítio do NADPH
NH
S
-
R
+
N
Cl
N
Sítio do NADPH
R = H, m-OCH3, p-OCH3, p-NO2
Rodrigues, R., et al., Bioorg. Med. Chem., 20, 1760 (2012)
92
C.M.R. Sant'Anna, 2012
NH
S
-
O
+
+
N
Cl
N
N
O
-
Rodrigues, R., et al., Bioorg. Med. Chem., 20, 1760 (2012)
93
C.M.R. Sant'Anna, 2012
Exemplo 4: DBVS aplicado aos
receptores A2A
94
Adenosina
4 subtipos de
receptores: A1,
A2A, A2B, A3
Banco de dados
inicial
Sequência primária do
receptor A2A
MOE
Docking
Modelagem
comparativa
Modeller
372 compostos
Glyde
545.000
compostos
Filtragem:
1.Propriedades
adequadadas ao
CNS;
2. Ausencia de
furano ou xantina
Langmead et al., J. Med. Chem. 2012, 55,
1904−1909
Disponibilidade
comercial
230 compostos
Binding no receptor
A2A
Otimização estrutural
baseada nos resultados do
“docking” de “hits”
selecionados
C.M.R. Sant'Anna, 2013
20 “hits”
IC50 < 55 M
Top 10 Hits
Ki = 3,5 nM
95
Otimização estrutural do composto 1
“Docking” do composto 15
(Biophysical Mapping)
Ki = 0,1 nM
Ki = 1,6 nM
Langmead et al., J. Med. Chem. 2012, 55, 1904−1909
C.M.R. Sant'Anna, 2013
Referências
96
Harel, M., Kryger, G., Rosenberry, T. L., Mallender, W. D., Lewis, T., Fletcher,
R. J., Guss, J. M., Silman, I., Sussman, J. L. (2000) Protein Science 9,
1063.
Liverton, N. J.; Butcher, J. W.; Claiborne, C. F. et al. (1999) J Med Chem. 42,
2180.
Mutero, A., Pralavorio, M., Bride, J., Fournier, D. (1994) Prod. Natl. Acad. Sci.
USA 91 5922.
Ott, K. et al., (1996) J. Mol Biol., 263, 329.
Sant’Anna, C. M. R. e Santos, A. C. S. (2002) J. Mol. Struc. Theochem, 585,
59.
Sant’Anna, C. M. R., Souza, V. P., Andrade, D. S. (2002) Int. J. Quantum
Chem. 87, 311.
Sant’Anna, C. M. R., Viana A. S. Nascimento Junior, N. M. (2006) Bioorg.
Chem. 34, 77.
Santos, V. M. R., Costa, J. B. N., Moya, G. E. M., Sant’Anna, C. M. R., (2004)
Phosph. Sulf. Sil. Rel. Elem. 179, 173.
Santos, V. M. R., Costa, J. B. N., Moya, G. E. M., Cortes, W. S. e Sant’Anna, C.
M. R., (2007) Bioorg. Chem. 35.
C.M.R. Sant'Anna, 2014
Referências
97
Silva, G. M. S., Sant’Anna, C. M. R., Barreiro, E. J. (2004) Bioorg Med Chem
Lett. 2004, 12, 3159.
Stewart, J. J. P. J. Comp. Chem. 10 (1989) 209.
Walsh, S. B., Dolden, T. A., Moores, G. D., Kristensen, M., Lewis, T.,
Devonshire, A. L., Williamson, M. S. Biochem. J. 359 (2001) 175.
Stelmach, J. E.; Liu, L.; Patel, S. B.; et al. Bioorg Med Chem Lett. 2003, 13,
277.
C.M.R. Sant'Anna, 2014
Agradecimentos
98

Dr. João Batista N. Costa (PQ/UFRuralRJ)
MSc. José Geraldo Rocha Jr. (PG/UFRRJ)
Dr. Marco Edilson F. Lima
(PQ/UFRuralRJ)
MSc. Saraí S. Souza (PG/UFRRJ)




Dra. Ana Cristina S. Santos
(PQ/UFRuralRJ)
Dr. Gonzalo E. Moya (PQ/PUFRuralRJ)
Dr. Wellington S. Cortes (PQ/UFRuralRJ
MSc. Daniel Rosa da Silva (PG/UFRRJ)
MSc. Letícia Zampirolli (PG/UFRRJ)
MSc. Vinicius T. Gonçalves (PG/UFRRJ)
Dr. Eliezer Barreiro (PQ/LASSBio/UFRJ)
Sheisi Fonseca L. Silva (PG/UFRJ)

Dr. Anivaldo X. da Silva (PQ/UFRuralRJ)
Larissa Henriques E. Castro (IC/UFRRJ)

Dra. Catarina del Cistia (PQ/UFRuralRJ)
Marcus Vinicius H. Silva (IC/UFRRJ)

Dra. Viviane Martins R. Santos (UFOP)
Fernanda Guedes (PG/IQ e
LASSBio/UFRJ)

Dr. Arthur E. Kümmerle (PQ/UFRuralRJ
CNPq, Faperj,CAPES, INCT-INOFAR
C.M.R. Sant'Anna, UFRRJ, 2012
99
C.M.R. Sant'Anna, UFRRJ, 2012