CC BY
87
УДК 544.165
АНАЛИЗ ВЗАИМОСВЯЗИ «СТРУКТУРА-ИНГИБИРУЮЩАЯ АКТИВНОСТЬ ЦИКЛООКСИГЕНАЗЫ-2» В РЯДУ ПРОИЗВОДНЫХ ДИ-ТРЕТ-БУТИЛФЕНОЛА, ТИАЗОЛОНА И ОКСАЗОЛОНА
© В. Р. Хайруллина , А. Я. Герчиков *, Ф. С. Зарудий
1Башкирский государственный университет Россия, Республика Башкортостан, 450076 г. Уфа, ул. Заки Валиди, 32.
2Башкирский государственный медицинский университет Россия, Республика Башкортостан, 450000 г. Уфа, ул. Ленина, 3.
E-mail: gerchikov@inbox.ru
С использованием программы GUSAR выполнен количественный анализ взаимосвязи между структурой и эффективностью ингибирования каталитической активности циклоокси-геназы-2 производными ди-трет-бутилфенола, тиазолона и оксазолона в интервале значений IC50 = 6.4+6300.0 нмоль/л. На основе MNA- и QNA-дескрипторов, а также их сочетания, построено шесть статистически значимых консенсус моделей прогноза численных значений IC50, характеризующихся высокой точностью прогноза IC50 для структур обучающих и тестовой выборок. Выявлены структурные признаки, снижающие эффективность ингибиторов ЦОГ-2. Эта информация может быть учтена при молекулярном дизайне новых ингибиторов данного фермента.
Ключевые слова: ингибиторы циклооксигеназы-2, QNA- и MNA-дескрипторы.
QSAR-модели, программа GUSAR,
Введение
Циклооксигеназа-2 представляет собой гемсо-держащий фермент, который в обычных условиях присутствует в мозге и корковом слое почек и катализирует реакцию превращения арахидоновой кислоты в простагландин Н2 [1-2]. В других тканях активация ЦОГ-2 наблюдается при развитии воспалительных процессов [3-4]. Кроме того, ЦОГ-2 участвует в развитии канцерогенеза различных тканей [3-4]. В этой связи поиск эффективных и, вместе с тем, селективных ингибиторов ЦОГ-2 является актуальной задачей медицинской химии и фармакологии. К настоящему времени в научной литературе накоплен значительный объем экспериментальных данных по эффективности ингибиро-вания активности изоформ ЦОГ разными классами биологически активных веществ (БАВ) [1-4]. Вместе с тем, активно ведется поиск новых соединений с выраженной ингибирующей активностью в отношении ЦОГ-2. В условиях избыточного количества информации по разным видам биологической активности БАВ в разных модельных системах, содержащейся в базах данных виртуальных библиотек, эмпирический анализ биологических данных о фармакологическом профиле новых потенциальных лекарственных средств без привлечения методов компьютерной химии представляет собой трудновыполимую задачу, требующую значительных временных затрат [5-6]. По этим же причинам синтез новых БАВ, основанный исключительно на интуитивном опыте исследователя, также является нерациональным.
Современным и более эффективным методом решения научных и практических задач поиска новых эффективных потенциальных лекарств среди разных классов гетероциклических соединений является привлечение методов виртуального
скрининга, базирующихся на анализе взаимосвязей «структура - активность» - (Q)SAR (Quantitative Structure-Activity Relationships. Эти методы позволяют уже на досинтетической стадии создания потенциальных лекарственных соединений количественно предсказывать их биологическую активность [5-12] и, следовательно, отобрать соединения для дальнейших доклинических и клинических испытаний.
Целью настоящей работы было построение и валидация QSAR- моделей селективных ингибиторов ЦОГ-2 для производных ди-трет-бутилфенола, тиазолона и оксазолона на основе двухмерного представления их структурной формулы, а также анализ влияния атомов и функциональных групп на эффективность ингибирования каталитической активности ЦОГ-2 с использованием созданных QSAR-моделей.
Методика эксперимента
Построение QSAR-моделей проводили на основе структур обучающих выборок ОВ1 и ОВ2. Эти выборки содержат призводные ди-трет-бутилфенола, тиазолона и оксазолона с общей структурной формулой, представленной на рис. 1. Количественные параметры их ЦОГ-2-ингибирующей активности в виде IC50 (в мкМ) экспериментально оценены методом связывания в работе [13] на макрофагах самцов мышей линии J774A.1 в сравнении с активным компонентом нестероидного противовоспалительного препарата «Индометацин», а также соединениями -лидерами SC-58125, NS-398, также изображенными на рис. 1.
Количественный анализ взаимосвязей «структура-активность» ингибиторов ЦОГ-2 проводили с использованием компьютерной программы GUSAR (General Unrestricted Structure Activity Relationships) [8-10]. Идеология построения QSAR-моделей с
* автор, ответственный за переписку
t-Buv
НО
s02me
I
t-Bu
/
cf3
CI-
NQ,
Л
Г\1
МеО
Р
Ьн
NS-398
8С-58125
Рис. 1. Общая структурная формула ингибиторов ЦОГ-2 самцов белых мышей вошедшие в обучающие массивы ОВ1 и ОВ2.
индометацин
использованием данной программы детально описана в работах [8-11]. Построение QSAR-моделей проводили в несколько этапов.
1. Формирование обучающих и тестовой выборок. Структуры соединений обучающей и тестовой выборок создавались в программе MarninSketch 5.9.1. [14] и с использованием программы Discovery Studio Visualiser [15] переводились в sdf-формат.
Обучающая выборка (ОВ1) сформирована на основе 32 соединений, изученных в качестве ингибиторов ЦОГ-2 в работе [13]. Некоторые из них изображены на рис. 2.
Отобранные соединения являются производными ди-трет-бутилфенола, тиазолона и оксазоло-
на. Их ингибирующая активность по отношению к ЦОГ-2 в виде параметра 1С50 лежит в достаточно широком диапазоне значений 6.4 ^ 6300.0 нмоль/л. Обучающая и тестовые выборки ОВ2 и ТВ включают в себя 21 и 11 структур ингибиторов ЦОГ-2 соответственно. Они получены в результате разделения предварительно отсортированной по возрастанию значений 1С50 ОВ1 в соотношении « 2:1.
Для построения QSAR-модели данные 1С50 в нмоль/л переводили в 1С50 в моль/л, которые затем были трансформированы в величины р1С50 по формуле:
р1С50 = - 1СЕ10(/С50)
Диапазон активности соединений обучающих
1С50=60 нмоль/л
о
1С50=69 нмоль/л
t-Hu
i-bj
t Ни
1С50=170 пМ
HN—ОМс
f'Bu
1С50=790 пМ
1-Пц
t-Bi.i
1-1 in
t-Bn
IC50=430 пМ
t-Би
НО
t-Bu
IC50=270 nM
W
HN— OEt
IC50=3600 nM
Me О
t-Bu
с-Пи
IC50=180 nM H H У
t-Bu
IC50=2900 nM
1С50=650 пМ №18
Рис. 2. Типичные структуры эффективных ингибиторов ЦОГ-2 с оценкой их вклада в активность. Окружностями отмечены фрагменты, повышающие эффективность ингибиторов ЦОГ-2, прямоугольниками выделены фрагменты, снижающие
эффективность ингибиторов ЦОГ-2.
выборок ОВ1, ОВ2 и тестовой выборки ТВ, в единицах pIC50 составил 8,194-5,200 для ОВ1 и ОВ2, а также 7,660 - 5.390 для ТВ соответственно.
2. Построение QSAR-моделей. Построение QSAR моделей количественного прогноза ингиби-рующей активности в отношении ЦОГ-2 проводили на основе двух типов подструктурных дескрипторов атомных окрестностей: MNA (Multilevel Neighbourhoods of Atoms) и QNA (Quantitative Neighbourhoods of Atoms) [7-11]. Они рассчитываются автоматически из структурных формул химических соединений с учетом валентности и парциальных зарядов содержащихся в них атомов, специфика типов связи при этом не учитывается. Детальное описание принципов их расчета представлено в работах [7-11]. Итоговые регрессионные модели представляли собой консенсус QSAR-моделей, построенных независимо друг от друга по каждому из этих типов дескрипторов и характеризующихся высокой прогностической способностью. Дополнительно строили консенсус QSAR- моделей прогноза, позволяющие учитывать оба типа дескрипторов одновременно [10-11].
3. Оценка качества и прогностической способности QSAR-моделей. Прогностическую способность моделей М2, М4, М6, построенных на основе обучающей выборки ОВ2, оценивали как по результатам прогноза параметра IC50 для структур ОВ1, так и по результатам прогноза с их помощью значений IC50 для соединений тестовой выборки (ТВ). Прогностическую способность моделей М1, М3 и М5 оценивали только по результатам прогноза численных значений активности обучающей выборки ОВ1. В качестве внутренней валидации использовалось скользящий контроль со случайным двадцатикратным исключением 20% обучающей выборки. Остальные параметры GUSAR использовались по умолчанию. Всего создавалось 360 моделей (по 180 для каждого типа дескрипторов).
4. Оценка вклада атомов в целевую активность. Вклад атомов в активность ингибиторов ЦОГ-2 оценивали по консенсус модели М5, содержащей 32 ингибиторов ЦОГ-2. Как отмечалось выше, эта процедура реализуется в программе GUSAR автоматически при построении QSAR-моделей на основе QNA-дескрипторов и консенсус моделей.
Результаты и их обсуждение
С использованием консенсусного подхода, реализованного в программе GUSAR, проведено моделирование количественной взаимосвязи между строением и эффективностью ингибирования каталитической активности ЦОГ-2 самцов белых мышей производными ди-трет-бутилфенола, тиазоло-на и оксазолона, содержащимися в обучающих выборках ОВ1 и ОВ2. В итоге, в зависимости от типа использованных при расчетах дескрипторов, для каждого из обучающих выборок получено по три консенсус модели (табл. 1). Прогностическая спо-
собность построенных QSAR моделей оценена как на структурах обучающих выборок ОВ 1 и ОВ2, так и на соединениях внутренней тестовой выборки ТВ соответственно при скользящем контроле с исключением 20% соединений. Статистические параметры консенсус моделей, а также характеристики точности предсказанных по ним значений р1С50 для ингибиторов ЦОГ-2 представлены в табл. 1.
Как видно из данных, представленных в табл. 1, для построения QSAR-моделей с приемлемыми статистическими характеристиками ^2>0,6, Q2>0,5) [9-11] можно использовать консенсус модели, объединяющие QSAR-модели, построенные как на одном определенном типе, так и на обоих типах дескрипторов (QNA или М^А). Незначительная разница между статистическими параметрами моделей прогноза параметров р1С50 для ОВ 1 и ОВ2, построенных с использованием QNA- и MNA-дескрипторов, позволяет сделать вывод об устойчивости создания данных моделей, табл. 1. Создание QSAR-моделей на основе либо только MNA-дескрипторов, либо только QNA-дескрипторов позволяет получить консенсус модели М1-М4 с высокими значениями R2 и Q2. Однако прогностическая способность моделей М2 и М4 на соединениях тестовой выборки ТВ, схожими с соединениями обучающей выборки ОВ2, характеризуется меньшей точностью по сравнению с результатами, которые получены при сочетании двух типов дескрипторов в консенсус подходе.
Таким образом, QSAR-модели М5 и М6, построенные с использованием консенсус подхода, основанного на сочетании MNA- и QNA-дескрипторов, характеризуются достаточно высокой прогностической способностью как на соединениях обучающих выборок ОВ2, так и на близких к ней по структуре соединениях тестовой выборки ТВ. Результаты, предсказанные консенсус моделями М5 и М6, в сравнении с экспериментальными величинами, приведены на рис. 3.
Результаты настоящего исследования хорошо согласуются с литературными данными свидетельствующими о том, что использование консенсус модели позволяет снизить вариабельность результатов предсказания отдельных моделей и таким образом получить более объективную информацию о влиянии различных атомов в исследуемый тип активности, а, следовательно, получить точный результат [8-9]. В этой связи для дальнейшего анализа были использованы полученные на базе кон-сенсусного подхода модели М5 и М6.
С помощью программы GUSAR было проанализировано влияние атомов и составленных из них функциональных групп в соединениях выборки ОВ 1 на величину ингибирования ими ЦОГ-2. Анализ выполнен по модели М5, содержащей 32 ингибитора ЦОГ-2. Установлено, что введение достаточно объемных заместителей в положение R1 ок-сазолонового и тиазолонового циклов способствует
Таблица 1
Статистические характеристики и оценка показателей точности предсказаний значений р1С50 для ингибиторов ЦОГ-2 _по консенсус-моделям М1-М6. Структуры ОВ1 и ОВ2 лежат в диапазоне активности р1С50 8.194-5.200._
| Обучающая выборка | Модель | N | R2ob 1 Q2 1 R2tb 1 F | SD | V |
ОВ1 QSAR модели, построенные М1 32 0.822 на основе MNA-дескрипторов 0.748 - 17.361 0.295 6
ОВ2 М2 21 0.845 0.755 0.768 13.125 0.286 5
ОВ1 QSAR модели, построенные М3 32 0.871 на основе QNA-дескрипторов 0.810 - 22.186 0.252 6
ОВ2 М4 21 0.881 0.806 0.799 16.133 0.249 5
ОВ1 QSAR модели, построенные на основе QNA- и MNA-дескрипторов М5 32 0.871 0.820 - 18.091 0.268 6
ОВ2 М6 21 0.889 0.820 0.801 14.948 0.258 5
N - число структур в обучающей выборке; R2ОВ - коэффициент детерминации рассчитанный для соединений из обучающей выборки; R2тв - коэффициент детерминации рассчитанный для соединений из тестовой выборки; Q2 - коэффициент корреляции рассчитанный на обучающей выборке при скользящем контроле с исключением по одному; Б - критерий Фишера; 8Б - стандартное отклонение; V-число переменных в конечном регрессионном уравнении.
* Валидация модели М5 на структурах ОВ1 □ Валидация модели М6 на структурах ОВ2
5 6 7 8
Р1С50ехр
Рис. 3. Сопоставление экспериментальных (р1С50ехр) значений р1С50 с предсказанными (р1С50рге<1) по моделям М5 и М6 для ингибиторов ЦОГ-2, содержащихся в обучающих выборках ОВ1, ОВ2, а также в тестовой выборке ТВ.
снижению эффективности ингибиторов ЦОГ-2. В частности, сочетание вторичной аминогруппы с фрагментами -ОН, ОМе, ОЕ^ О-аллил, морфолин, -ОСН2СООН, -Ш2, О-Г-Би, ОРЬ, Ас, -С^ Ме, и C(=NH)NH2 в положении Rl тиазолонового цикла снижает активность ингибиторов ЦОГ-2 как фактически, так и по результатам анализа вкладов этих фрагментов с использованием программы GUSAR, представленным на рис. 2. Однако, ОН-группа в отсутствии амидного мостика оказывает прямо противоположный эффект на активность.
Аналогично, сочетание вторичной аминогруппы с ОМе, ОЕ^ О-аллил, C(=NH)NH2 в оксазолоно-вом цикле способствует снижению ингибирующих свойств содержащих эти фрагменты соединений в отношении ЦОГ-2, рис. 2. ОН-группа в положении R1 оксазолонового цикла не влияет на активность
ингибиторов ЦОГ-2 как фактически, так и по результатам, полученным с помощью GUSAR.
Сами тиазолоновый и оксазолоновый фрагменты по-разному влияют на целевое свойство. В частности, структуры ингибиторов ЦОГ-2, содержащие 2,5-дизамещенный оксазолоновый фрагмент в разной степени в зависимости от природы фрагмента R1 уступают по эффективности ингибирова-ния активности ЦОГ-2 по сравнению с аналогами, содержащими в качестве остова 2,5-дизамещенный тиазолоновый цикл, рис. 2.
Таким образом, выводы о влиянии структурных фрагментов на активность ингибиторов ЦОГ-2, полученные на основе визуального анализа с использованием программы GUSAR, не противоречат результатам, основанных на экспериментальных данных. Полученные результаты могут быть использованы при молекулярном дизайне действующих веществ известных нестероидных противовоспалительных лекарственных препаратов с целью усиления эффективности их ингибирующего действия в отношении ЦОГ-2.
Работа выполнена при финансовой поддержке гранта РФФИ 14-04-97035 и проекта 1007, выполняемого вузом в рамках базовой части государственного задания Министерства образования и науки РФ.
ЛИТЕРАТУРА
1. Zarghi А., Arfaei S. Selective COX-2 Inhibitors: A Review of Their Structure-Activity Relationships // Iranian Journal of Pharmaceutical Research. 2011. Vol. 10. No. 4. Р. 655-683.
2. Marnett L. J. The Plot Thickens - Mechanisms of Cyclooxygenase-2 Inhibition and Cardiovascular Side Effects // Cancer Prevention Research. 2009. Vol. 2. P. 288-290.
3. Smith W. L., De Witt D. L., Garavito R. M. Cyclooxygenases: Structural, Cellular, and Molecular Biology // Annual Review of Biochemistry. 2000. Vol. 69. P. 145-82.
4. Greenhough A., Smartt H. J. M., Moore A. E., Roberts R. R, Williams A. C., Kaidi C. P. A. The COX-2/PGE2 pathway: key roles in the hallmarks of cancer and adaptation to the tumour microenvironment // Carcinogenesis. 2009. Vol. 30. No. 3. Р. 377-386.
5. Khan M. S., Khan, Z. H. Molecular Modeling for Generation of Structural and Molecular Electronic Descriptors for QSAR Using Quantum Mechanical Semiempirical and ab initio Methods // Genome Informatics. 2003. Vol. 14. P. 486-487.
6. Филимонов Д. А., Поройков В. В. Прогноз спектра биологической активности органических соединений // Российский химический журнал. 2006. Т. 50. №2. С. 66-75.
7. Лагунин А. А., Глориозова Т. А., Дмитриев А. В., Волгина Н. Е., Поройков В. В. Компьютерная оценка взаимодействия фармакологических веществ с P-гликопротеином // Бюллетень экспериментальной биологии и медицины. 2012. Т. 154. №10. С. 520-524.
8. Zakharov A. V., Lagunin A. A., Filimonov D. A., Poroikov V. V. Quantitative prediction of antitarget interaction profiles for chemical compounds // Chemical Research in Toxicology. 2012. Vol. 25. No. 11. Р. 2378-2385.
9. Lagunin A., Zakharov A., Filimonov D., Poroikov V. QSAR Modelling of Rat Acute Toxicity on the Basis of PASS Prediction // Molecular Informatics. 2011. V.30. №2-3. Р. 241-250.
10. Filimonov D.A., Zakharov A.V., Lagunin A.A., Poroikov V.V. QNA based "Star Track" QSAR approach // SAR and QSAR in Environmental Research. 2009. V. 20. No. 7-8. Р. 679-709.
11. Masanda V. H., Mahajana D. T., Patil K. N., Dawale N. E., Hadda T. B., Alafeefy A. A., Chinchkhede K. D. General Unrestricted Structure Activity Relationships based evaluation of quinoxaline derivatives as potential influenza NS1A protein inhibitors // Der Pharma Chemica. 2011. V. 3. No. 4. Р. 517-525.
12. Таипов И. А., Хайруллина В. Р., Герчиков А. Я., Хома В. К., Зарудий Ф. С., Бегель Х. Виртуальный скрининг в ряду эффективных ингибиторов каталитической активности лейкотриен-А4-гидролазы // Вестник Башкирского университета. 2012. Т. 17. №2. С. 886-891.
13. Song Y., Connor D. T., Doubleday R., Sorenson R. J., Sercel A. D., Unangst P. C., Roth B. D., Gilbertsen R. B., Chan K., Schrier D. J., Guglietta A., Bornemeier D. A., Dyer R. D. Synthesis, structure-activity relationships, and in vivo evaluations of substituted di-tert-butylphenols as a novel class of potent, selective, and orally active cyclooxygenase-2 inhibitors. 1. Thiazolone and oxazolone series // Journal of Medicinal Chemistry. Vol. 42. P. 1151-1160.
14. URL: http://www.chemaxon.com/
15. URL: http://accelrys.com/
Поступила в редакцию 23.06.2014 г.
ANALYSIS OF THE RELATIONSHIP "STRUCTURE- CYCLOOXYGENASE-2 INHIBITORY ACTIVITY" IN THE SERIES OF DI-TRET-BUTYLPHENOL, OXAZOLONE AND THIAZOLONE
© V. R. Khayrullina1, A. Ya. Gerchikov1*, F. S., Zarudiy2
1Bashkir State University 32 Zaki Validi st. 450076 Ufa, Republic of Bashkortostan, Russia.
2Bashkir State Medical University, 3 Lenin st., 450000 Ufa, Republic of Bashkortostan, Russia.
Phone: +7 (347) 229 97 07.
E-mail: gerchikov@inbox.ru
A quantitative analysis of "structure-activity" relationships of the cyclooxygenase-2 catalytic activity inhibition for 32 di-tert-butylphenol, oxazolone and thiazolone derivatives in the range of concentrations 6.4^6300 nmol/L IC50 values with the program GUSAR (General Unrestricted Structure Activity Relationships) was made. Six statistically significant consensus QSAR models for prediction of IC50 values were built based on MNA- and QNA- descriptors and their combinations. These models demonstrated high accuracy of prediction of IC50 values both for training and test sets. It is shown that to construct a QSAR-models with acceptable statistical characteristics (R2 > 0.6, Q2 > 0,5), you can use the consensus model combining QSAR-models based on the same as a certain type, and the both types of descriptors (QNA- or MNA-). Atoms and structural fragments of the studied structures influencing on increase and decrease of COX-2 inhibition were identified by GUSAR visualization of quantitative "structure-activity" relationships in the created models. It was found that the introduction of bulky substituents enough to position R1 to the oxazolone and thiazolone cycles reduces the effectiveness of COX-2 inhibitors. In particular, the combination NH-group with structural fragments -OH, -OMe, -OEt, -O-allyl, -morpholino, -OCH2COOH, -NH2, -O-t-Bu, -OPh, -Ac, -CN, -Me, and -(=NH)NH2 in position R1 in the thiazolone cycle reduces the activity of COX-2 inhibitors as in accordance with the experimental data and the results obtained using the program GUSAR. However, the OH-group in the absence of the amide bridge has the opposite effect on the activity. Similarly, a combination of a secondary amino group with -OMe, -OEt, -O-allyl, -C(=NH)NH2 in oxazolone cycle reduces the inhibitory properties of these fragments containing compounds against COX-2. OH-group at position R1 of the oxazolone cycle does not affect the activity of COX-2 both in fact and results obtained using GUSAR. This information may be relevant to the molecular design of new COX-2 inhibitors. It has been shown that in most cases the detected structural fragments related with inhibitory activity of the studied compounds coincided with the results of expert evaluation of their effects on the basis of experimental data that can be used for optimization of structures to change the value of their biological activity.
Keywords: cyclooxygenase-2 inhibitors, QSAR-models, GUSAR, QNA- and MNA-descriptors, "structure-activity" relationships analysis.
Published in Russian. Do not hesitate to contact us at bulletin_bsu@mail.ru if you need translation of the article.
REFERENCES
1. Zarghi A., Arfaei S. Iranian Journal of Pharmaceutical Research. 2011. Vol. 10. No. 4. Pp. 655-683.
2. Marnett L. J. Cancer Prevention Research. 2009. Vol. 2. Pp. 288-290.
3. Smith W. L., De Witt D. L., Garavito R. M. Annual Review of Biochemistry. 2000. Vol. 69. Pp. 145-82.
4. Greenhough A., Smartt H. J. M., Moore A. E., Roberts R. R, Williams A. C., Kaidi C. P. A. Carcinogenesis. 2009. Vol. 30. No. 3. Pp. 377-386.
5. Khan M. S., Khan, Z. H. Genome Informatics. 2003. Vol. 14. Pp. 486-487.
6. Filimonov D. A., Poroikov V. V. Rossiiskii khimicheskii zhurnal. 2006. Vol. 50. No. 2. Pp. 66-75.
7. Lagunin A. A., Gloriozova T. A., Dmitriev A. V., Volgina N. E., Poroikov V. V. Byulleten' eksperimental'noi biologii i meditsiny. 2012. Vol. 154. No. 10. Pp. 520-524.
8. Zakharov A. V., Lagunin A. A., Filimonov D. A., Poroikov V. V. Chemical Research in Toxicology. 2012. Vol. 25. No. 11. Pp. 2378-2385.
9. Lagunin A., Zakharov A., Filimonov D., Poroikov V. Molecular Informatics. 2011. V.30. No. 2-3. Pp. 241-250.
10. Filimonov D.A., Zakharov A.V., Lagunin A.A., Poroikov V.V. SAR and QSAR in Environmental Research. 2009. Vol. 20. No. 7-8. Pp. 679-709.
11. Masanda V. H., Mahajana D. T., Patil K. N., Dawale N. E., Hadda T. B., Alafeefy A. A., Chinchkhede K. D. Der Pharma Chemica. 2011. Vol. 3. No. 4. Pp. 517-525.
12. Taipov I. A., Khairullina V. R., Gerchikov A. Ya., Khoma V. K., Zarudii F. S., Begel' Kh. Vestnik Bashkirskogo universiteta. 2012. Vol. 17. No. 2. Pp. 886-891.
13. Song Y., Connor D. T., Doubleday R., Sorenson R. J., Sercel A. D., Unangst P. C., Roth B. D., Gilbertsen R. B., Chan K., Schrier D. J., Guglietta A., Bornemeier D. A., Dyer R. D. Journal of Medicinal Chemistry. Vol. 42. Pp. 1151-1160.
14. URL: http://www.chemaxon.com/
15. URL: http://accelrys.com/
Received 23.06.2014.
