Desde la quinolina hasta el Alzheimer. Diseño computacional de fármacos multifuncionales usando cómputo de alto desempeño

Autores/as

DOI:

https://doi.org/10.22201/dgtic.26832968e.2026.15.147

Palabras clave:

Diseño de fármacos, fármacos multifuncionales, Alzheimer, HPC, Quimioinformática

Resumen

La enfermedad de Alzheimer (EA) representa un desafío biomédico actual debido a su naturaleza multifactorial y a la ausencia de terapias efectivas. Frente a este escenario, el diseño de fármacos multifuncionales surge como una estrategia prometedora, impulsada por el desarrollo tecnológico. En este trabajo, se describe la implementación del protocolo CADMA-Chem en infraestructuras de supercómputo (HPC) para la exploración masiva de un espacio químico de 8356 derivados de la quinolina en los clústeres Miztli y Yoltla (LANCAD-UNAM). Mediante el uso de quimioinformática y simulaciones de acoplamiento molecular, se priorizaron cinco candidatos con actividad antioxidante y afinidad por la acetilcolinesterasa (AChE), diana clave en la EA. Simulaciones de dinámica molecular y estimaciones energéticas MM/GBSA, permitieron identificar al derivado dQ1368 como el candidato más prometedor. Finalmente, la integración de inteligencia artificial para el análisis retrosintético permite sentar las bases para el trabajo experimental, demostrando cómo la sinergia entre el HPC universitario y la IA acelera la investigación de frontera.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

[1] M. C. Carreiras, E. Mendes, M. J. Perry, A. P. Francisco, and J. Marco-Contelles, “The multifactorial nature of Alzheimer's disease for developing potential therapeutics,” Curr. Top. Med. Chem., vol. 13, no. 15, pp. 1745-1770, 2013, doi: 10.2174/15680266113139990135.

[2] R. Özçelik, H. Brinkmann, E. Criscuolo, and F. Grisoni, “Generative deep learning for de novo drug design—A chemical space odyssey,” J. Chem. Inf. Model., vol. 65, no. 14, pp. 7352-7372, 2025, doi: 10.1021/acs.jcim.5c00641.

[3] F. Frausto-Parada, I. Vargas-Rodríguez, I. Mercado-Sánchez, A. Bazán-Jiménez, E. Díaz-Cervantes, M. A. Sotelo-Figueroa, and M. A. García-Revilla, “Grammatical evolution-based design of SARS-CoV-2 main protease inhibitors,” Phys. Chem. Chem. Phys., vol. 24, pp. 5233-5245, 2022, doi: 10.1039/d1cp04159b.

[4] W. Kong, Y. Hu, J. Zhang, and Q. Tan, “Application of SMILES-based molecular generative model in new drug design,” Front. Pharmacol., vol. 13, Art. no. 1046524, 2022, doi: 10.3389/fphar.2022.1046524.

[5] H. Hampel, M. M. Mesulam, A. C. Cuello, M. R. Farlow, E. Giacobini, G. T. Grossberg, A. S. Khachaturian, A. Vergallo, E. Cavedo, P. J. Snyder, and Z. S. Khachaturian, “The cholinergic system in the pathophysiology and treatment of Alzheimer's disease,” Brain, vol. 141, no. 7, pp. 1917-1933, 2018, doi: 10.1093/brain/awy132.

[6] E. G. Guzmán-López, M. Reina, A. Pérez-González, M. Francisco-Márquez, L. F. Hernández-Ayala, R. Castañeda-Arriaga, and A. Galano, “CADMA-Chem: A Computational Protocol Based on Chemical Properties Aimed to Design Multifunctional Antioxidants,” Int. J. Mol. Sci., vol. 23, no. 21, Art. no. 13246, 2022, doi: 10.3390/ijms232113246.

[7] L. F. E. Moor, T. R. A. Vasconcelos, R. da R. Reis, L. S. S. Pinto, and T. M. da Costa, “Quinoline: An Attractive Scaffold in Drug Design,” Mini Rev. Med. Chem., vol. 21, no. 16, pp. 2209-2226, 2021, doi: 10.2174/1389557521666210210155908.

[8] A. Galano, “SmileIt 1.0 JAVA.” [Online]. Available: https://agalano.com/smile-it/ [Accessed: Mar. 2024].

[9] G. Landrum, “RDKit: Open-source cheminformatics software.” [Online]. Available: https://www.rdkit.org/ [Accessed: Mar. 2024].

[10] T. Martin, Toxicity Estimation Software Tool (TEST). Washington, DC, USA: U.S. Environmental Protection Agency, 2016.

[11] N. Kochev, S. Avramova, P. Angelov, and N. Jeliazkova, “Computational Prediction of Synthetic Accessibility of Organic Molecules with Ambit-Synthetic Accessibility Tool,” Org. Chem. Ind. J., vol. 12, no. 2, Art. no. 123, 2018.

[12] M. J. Frisch et al., Gaussian 16, Revision C.01. Wallingford, CT, USA: Gaussian, Inc., 2016.

[13] Eberhardt, D. Santos-Martins, A. F. Tillack, and S. Forli, “AutoDock Vina 1.2.0: New Docking Methods, Expanded Force Field, and Python Bindings,” J. Chem. Inf. Model., vol. 61, pp. 3891-3898, 2021, doi: 10.1021/acs.jcim.1c00203.

[14] L. F. Hernández-Ayala, E. G. Guzmán-López, and A. Galano, “Quinoline Derivatives: Promising Antioxidants with Neuroprotective Potential,” Antioxidants (Basel), vol. 12, no. 10, Art. no. 1853, 2023, doi: 10.3390/antiox12101853.

[15] M. A. Silva, A. S. Kiametis, and W. Treptow, “Donepezil inhibits acetylcholinesterase via multiple binding modes at room temperature,” J. Chem. Inf. Model., vol. 60, no. 7, pp. 3463-3471, 2020, doi: 10.1021/acs.jcim.9b01073.

[16] M. Prejanò, I. Romeo, L. F. Hernández-Ayala, G. E. Guzmán-López, S. Alcaro, A. Galano, and T. Marino, “Evaluating Quinolines: Molecular Dynamics Approach to Assess Their Potential as Acetylcholinesterase Inhibitors for Alzheimer's Disease,” ChemPhysChem., vol. 26, no. 1, Art. no. e202400653, 2025, doi: 10.1002/cphc.202400653.

[17] IBM RXN for Chemistry [Online]. Available: https://rxn.app.accelerate.science/rxn/ [Accessed: Nov. 8, 2024).

Publicado

25/05/26 (12:00)

Cómo citar

Hernandez Ayala, L. F., López Guzmán, E. G., Prejanò, M., Marino, T., & Galano, A. (2026). Desde la quinolina hasta el Alzheimer. Diseño computacional de fármacos multifuncionales usando cómputo de alto desempeño. TIES, Revista De Tecnología E Innovación En Educación Superior, (15), 45–58. https://doi.org/10.22201/dgtic.26832968e.2026.15.147