Molecular Modelling, Docking and Pharmacokinetic Studies of N-Arylidenequinoline-3-Carbohydrazides Analogs as Novel β-Glucuronidase Inhibitors

Authors

  • Muhammad Tukur Ibrahim Ahmadu Bello University, Zaria
  • Adamu Uzairu Ahmadu Bello Univeristy, Zaria
  • Abdullahi Bello Umar Ahmadu Bello University, Zaria
  • Abubakar Sadiq Bello Adamawa state polytechnic, Yola Adamawa State
  • Yusuf Isyaku Federal University of Kashere, Gombe State

DOI:

https://doi.org/10.29356/jmcs.v64i1.1025

Keywords:

Molecular modeling, docking, GFA, β-glucuronidase

Abstract

Quantitative structure-activity relationships (QSAR) modelling on 30 N-Arylidenequinoline-3-carbohydrazides analogs was performed using Multi-Linear Regression (MLR) analysis adopting Genetic Function Algorithm (GFA) method. Semi empirical method using PM6 basis set was used for complete geometry optimization of the data set. The best model was chosen based on its statistical fit due to it good internal and external validations. From the Williams plot, it can be inferred that the reported model can make prediction of new compounds that are not within the data set. The molecular docking study showed that, the most active chemical in the data set was better than the standard β-glucuronidase inhibitor both in terms of binding scores and the amino acid residues that interacted with the drug and β-glucuronidase enzyme. The Pharmacokinetic studies indicated that none of the chemicals violated any of the condition set by the Lipinski′s Rule of five which confirm the bioavailability of these chemicals. The results these findings give room for designing novel β-glucuronidase inhibitors that are highly effective.

                                              

Resumen. Se llevó a cabo la técnica de QSAR en 30 analogos de N-arilidenequinolina-3-carbohidrazidas mediante el analisis de regresesión lineal múltiple (MLS) adopatando el método del algoritmo de función genética (GFA). Para la optimización completa de la geometría del conjunto de datos se utilizó un método semiémpirico del conjunto de bases PM6. El mejor modelo fue elegido basado en función de su ajuste estadístico debido a su validación interna y externa. A partir de la gráfica de Williams, se puede inferir que el modelo reportado puede predecir nuevos compuestos que no se encuentran en el conjunto de datos. Este estudio de acomplamiento molecular mostró que, el químico más activo del conjunto de datos fue mejor que el inhibidor estándar β-glucuronidasa, tanto en términos de unión y en términos de  interacción de los residuos con el fármaco y la enzima β-glucuronidasa. Los estudios farmacocinéticos que indicaron que ninguno de los fármacos incumple ninguna de las condiciones establecidas por la regla de cinco de Lipinski, en donde se confirma la biodisponibilidad de estos químicos. Los resultados de los hallazgos computacionales permiten diseñar nuevos inhibidores de la β-glucuronidasa que son altamente efectivos.

Downloads

Download data is not yet available.

Author Biographies

Muhammad Tukur Ibrahim, Ahmadu Bello University, Zaria

Department of Chemistry, Assistant Lecture 

Adamu Uzairu, Ahmadu Bello Univeristy, Zaria

Department of Chemistry, Professor

Abdullahi Bello Umar, Ahmadu Bello University, Zaria

Department of Chemistry, Assistant Lecturer

Abubakar Sadiq Bello, Adamawa state polytechnic, Yola Adamawa State

Department of science laboratory technology, Assistant Lecture

Yusuf Isyaku, Federal University of Kashere, Gombe State

Department of Chemistry, Graduate Assistant

References

Abdulfatai, U.; Uba, S.; Umar, B. A.; Ibrahim, M. T. SN Appl. Sci. 2019, 1, 499.

Abdullahia, M.; Shallangwaa, G. A.; Ibrahima, M. T.; Bello, A.U.; Arthura, D. E.; Uzairua, A.; Mamzaa, P. J. King Saud Univ., Sci. 2018.

Abdullahia, M.; Shallangwaa,G. A.; Ibrahima, M. T.; Bello, A. U.; Arthura, D. E.; Uzairua, A.; Mamzaa, P. JOTCS 2018 , 5, 1387-1398.

Adedirin, O.; Uzairu, A.; Shallangwa, G. A.; Abechi, S. E. jCEC 2018, 4, 0065-0084.

Ali, F.; Khan, K. M.; Salar, U.; Iqbal, S.; Taha, M.; Ismail, N. H.; Perveen, S.; Wadood, A.; Ghufran, M.; Ali, B. Bioorg. Med. Chem. 2016, 24, 3624–3635.

Ambure, P.; Aher, R. B.; Gajewicz, A.; Puzyn, T.; Roy, K. Chemom. Intell. Lab. Syst. 2015 , 147, 1-13.

Amin, S. A.; Gayen, S. JTUSCI 2016, 10, 896-905.

Arthur, D. E.; Uzairu, A.; Mamza, P.; Abechi, S. E.; Shallangwa, G. BJBAS 2016,5, 320-333.

Beaud, D.; Tailliez, P.; Anba-Mondoloni, J. Microbiology 2005, 151, 2323-2330.

Beheshti, A.; Pourbasheer, E.; Nekoei, M.; Vahdani, S. J. Saudi Chem. Soc. 2016, 20, 282-290.

Davis, A. M.; Riley, R. J. Curr. Opin. Chem. Biol. 2004, 8, 378-386.

De Moreno De Leblana, A.; Perdigón, G. Biocell 2005, 29, 15-24.

Gloux, K.; Berteau, O.; Béguet, F.; Leclerc, M.; Doré, J. Proc. Natl. Acad. Sci. U.S.A. 2011 ,108, 4539-4546.

Ibrahim, M.T; Uzairu, A.; Shallangwa, G.A.; Ibrahim A. jCEC 2018, 4, 0276-0285.

Ibrahim, M.T.; Uzairu, A.; Shallangwaa, G. A. J. King Saud Univ. Sci. 2018.

Ismail, S.Y.; Uzairu, A; Sagagi, B.; Sabiu, M. JOTCSA 2018, 5, 1337-1350.

Jalali-Heravi, M.; Kyani, A. J. Chem. Inf Model. 2004, 44, 1328-1335.

Jorgensen, W.L. AAAS 2004, 303, 1813-1818.

Kennard, R.W.; Stone, L. A. Technometrics 1969, 11, 137-148.

Khan, K. M.; Taha, M.; Rahim, F.; Fakhri, M. I.; Jamil, W.; Khan, M.; Rasheed, S.; Karim, A.; Perveen, S.; Iqbal, M. J. Chem. Soc. Pak. 2013, 34.

Kitchen, D.B.; Decornez, H.; Furr, J. R.; Bajorath, J. Nat. Rev. Drug Discovery 2004, 3, 935.

Lipinski, C. A.; Lombardo, F.; Dominy, B. W.; Feeney, P.J. Adv. Drug Delivery Rev. 1997, 23, 3-25.

Ojha Lokendra, K.; Rachana, S.; Rani, B. M. Int J. Res. Biosci Plan Biol. 2013, 2, 1-12.

Salar, U.; Taha, M.; Ismail, N.H; Khan, K. M.; Imran,S.; Perveen, S.; Wadood, A.; Riaz, M. Bioorg. Med. Chem. 2016, 24, 1909-1918.

Sharma, R.; Patil, S.; Maurya, P. SAR QSAR Environ. Res. 2014, 25, 189-203.

Taha, M.; Ismail, N. H.; Imran, S.; Selvaraj, M.; Rashwan, H.; Farhanah, F. U.; Rahim, F.; Kesavanarayanan, K. S.; M. Ali, M. Bioorg. Chem. 2015, 61, 36-44.

M. Taha, M.; Sultan, S.; Nuzar, H. A.; Rahim, F.; Imran, S.; Ismail, N.H.; Naz, H.; Ullah, H. Bioorg. Med. Chem. 2016, 24, 3696-3704.

Taha, M.; Ullah, H.; Al Muqarrabun, L. M. R.; Khan, M. N.; Rahim, F.; Ahmat, N.; Ali, M.; Perveen, S. Eur. J. Med. Chem. 2018, 143, 1757-1767.

Tropsha, A.; Bajorath, J. R. JACS 2016, 59.

Tropsha, A.; Gramatica, P.; Gombar, V. K. Mol. Inf. 2003, 22, 69-77.

Veerasamy, R.; Rajak, H.; Jain, A.; Sivadasan, S.; Varghese, C.P.; Agrawal, R. K. Int. J. Drug Des. Discovery, 2011, 3, 511-519.

Yap, C.W. J. Comput. Chem. 2011, 32, 1466-1474.

Additional Files

Published

2019-12-12

Issue

Section

Regular Articles