In Silico prediction of antibacterial activity of sesquiterpene lactones using density-functional theory and quantitative structure-activity relationship methods

Abstract

La creciente resistencia que desarrollan las bacterias a los antibióticos es un problema que afecta a todos los estratos sociales. Por tanto, el desarrollo de componentes antibacterianos nuevos y eficaces es de vital importancia para nuestra sociedad. Las Lactonas sesquiterpénicas (STL) son un grupo de metabolitos secundarios aislados de plantas que han mostrado un amplio espectro de actividades biológicas, especialmente actividad antibacteriana contra Staphylococcus aureus resistente a la meticilina. Desafortunadamente, los métodos experimentales para estudiar la efectividad de los antibióticos a base de plantas son costosos y requieren mucho tiempo. Para sobrepasar estas limitaciones, se pueden aplicar estudios computacionales para acelerar el desarrollo de antibióticos más eficientes. En este estudio, se realizaron cálculos de estructura electrónica en 21 STL para desarrollar un modelo capaz de predecir la actividad antibacteriana de nuevas moléculas de STL. Mediante el uso de una combinación óptima del método de funcional de densidad y tight-binding (DFTB) y cálculos de la teoría funcional de densidad ab initio (DFT), pudimos calcular los confórmeros más favorables energéticamente, su estructura atómica y propiedades físico-químicas. Los valores calculados usando mecánica cuántica se combinaron utilizando modelos Quantitative Structure-Activity Relationship (QSAR) considerando la actividad antibacteriana obtenida experimentalmente. El modelo QSAR desarrollado utilizó diferentes combinaciones de dos descriptores. Los resultados preliminares sugieren que los modelos que incluyen el HOMO y la energía electrónica correlacionan mejor la actividad antibacteriana. Estos resultados podrían permitir una predicción confiable de la actividad antibacteriana para nuevos compuestos que pertenecen a la familia STL basándose en las propiedades calculadas por DFT