(1R,cis)-3-[2-amino-6-(cyclopropylamino)-9H-purin-9-ylmethyl]-1,2,2-trimethylcyclopentylmethanol | 1227364-87-5

• 分子结构分类: 有机化合物 - 有机杂环化合物 - 咪唑并嘧啶类
• 英文名称: (1R,cis)-3-[2-amino-6-(cyclopropylamino)-9H-purin-9-ylmethyl]-1,2,2-trimethylcyclopentylmethanol
• 英文别名: [(1R,3S)-3-[[2-amino-6-(cyclopropylamino)purin-9-yl]methyl]-1,2,2-trimethylcyclopentyl]methanol
• CAS: 1227364-87-5
• 化学式: C₁₈H₂₈N₆O
• 分子量: 344.46
• InChiKey: AEGVUCALKOJXBA-ZMZPIMSZSA-N

计算性质

• 辛醇/水分配系数(LogP)：
  2.4
• 重原子数：
  25
• 可旋转键数：
  5
• 环数：
  4.0
• sp3杂化的碳原子比例：
  0.72
• 拓扑面积：
  102
• 氢给体数：
  3
• 氢受体数：
  6

反应信息

• 作为产物：
  描述：

  (1R,cis)-3-(2-amino-6-chloro-9H-purin-9-ylmethyl)-1,2,2-trimethylcyclopentylmethanol 、 环丙胺 以 乙醇 为溶剂， 反应 20.0h， 以80%的产率得到(1R,cis)-3-[2-amino-6-(cyclopropylamino)-9H-purin-9-ylmethyl]-1,2,2-trimethylcyclopentylmethanol
  参考文献：
  名称：

  新型碳环核苷的抗肿瘤活性的设计，合成和评估。

  摘要：

  癌症是85岁以下男女死亡的主要原因。每年，有数百万人被诊断出患有癌症。但是，寻找新药是一项复杂，昂贵且非常耗时的任务。在过去的十年中，癌症研究界已开始解决计算机模拟建模方法，例如定量结构-活性关系（QSAR），作为靶向潜在抗癌药物的重要替代工具。通过在我们的实验室或其他地方合成的大量核苷数据集的汇编，并在相同的实验条件下在单细胞毒性测定中进行了测试，我们认识到了独特的机会来尝试建立预测性QSAR模型。从该数据集的一部分构建的2D分类模型的早期工作非常令人鼓舞。在这里，我们报告对分类模型的进一步详细评估，以标记源自各种3D分子表示形式的潜在抗癌活性。获得了将抗癌化合物与非活性化合物区分开的定量3D模型模型，该模型可以在如此庞大而多样的数据集中正确分类82％的化合物，其中只有5％的错误非活性成分和11％的错误活性成分。通过预先将其分类为活性/非活性抗癌化合物，可将此处开发的模型用于选择和设计一

  DOI：

  10.1002/minf.200900033

文献信息

• Design, Synthesis, and Evaluation of Antineoplastic Activity of Novel Carbocyclic Nucleosides
  作者：Aliuska M. Helguera、J. E. Rodríguez-Borges、Olga Caamaño、Xerardo García-Mera、Maykel Pérez González、M. Natália D. S. Cordeiro

  DOI：10.1002/minf.200900033

  日期：2010.3.15

  active or inactive, and only two were false actives, corroborating the good predictive ability of the present discriminant model. The results of this study thus provide a valuable tool for the design of novel potent anticancer nucleoside analogues.

  癌症是85岁以下男女死亡的主要原因。每年，有数百万人被诊断出患有癌症。但是，寻找新药是一项复杂，昂贵且非常耗时的任务。在过去的十年中，癌症研究界已开始解决计算机模拟建模方法，例如定量结构-活性关系（QSAR），作为靶向潜在抗癌药物的重要替代工具。通过在我们的实验室或其他地方合成的大量核苷数据集的汇编，并在相同的实验条件下在单细胞毒性测定中进行了测试，我们认识到了独特的机会来尝试建立预测性QSAR模型。从该数据集的一部分构建的2D分类模型的早期工作非常令人鼓舞。在这里，我们报告对分类模型的进一步详细评估，以标记源自各种3D分子表示形式的潜在抗癌活性。获得了将抗癌化合物与非活性化合物区分开的定量3D模型模型，该模型可以在如此庞大而多样的数据集中正确分类82％的化合物，其中只有5％的错误非活性成分和11％的错误活性成分。通过预先将其分类为活性/非活性抗癌化合物，可将此处开发的模型用于选择和设计一