1-(3,4-Difluorobenzoyl)-2-methylpiperazine | 1240570-47-1

• 分子结构分类: 有机化合物 - 苯类化合物 - 苯和取代衍生物
• 英文名称: 1-(3,4-Difluorobenzoyl)-2-methylpiperazine
• 英文别名: (3,4-difluorophenyl)-(2-methylpiperazin-1-yl)methanone
• CAS: 1240570-47-1
• 化学式: C₁₂H₁₄F₂N₂O
• mdl: MFCD16811583
• 分子量: 240.25
• InChiKey: HHOREGRWBIKMBN-UHFFFAOYSA-N

计算性质

• 辛醇/水分配系数(LogP)：
  1.4
• 重原子数：
  17
• 可旋转键数：
  1
• 环数：
  2.0
• sp3杂化的碳原子比例：
  0.416
• 拓扑面积：
  32.3
• 氢给体数：
  1
• 氢受体数：
  4

反应信息

• 作为反应物：
  描述：

  N-苯基邻苯二甲酸单酰胺 、 1-(3,4-Difluorobenzoyl)-2-methylpiperazine 在 potassium carbonate 、 1-羟基苯并三唑 、 盐酸-N-乙基-Nˊ-(3-二甲氨基丙基)碳二亚胺 作用下， 以 二氯甲烷 为溶剂， 以24 %的产率得到2-(4-(3,4-difluorobenzoyl)-3-methylpiperazine-1-carbonyl)-N-phenylbenzamide
  参考文献：
  名称：

  基于强化学习模型的综合可行的先导物从头分子设计：人工智能辅助发现针对 CXCR4 的抗 IBD 先导物

  摘要：

  人工智能 (AI) 从头分子生成为药物发现提供了新颖结构的线索。然而，所生成分子的目标亲和力和可合成性对人工智能技术的成功应用提出了严峻的挑战。因此，我们开发了一种先进的强化学习模型，以弥合从头分子生成理论与药物发现的实际方面之间的差距。该模型以化学反应模板和市售构建模块为起点，采用正向反应预测来生成分子，同时进行实时对接和药物相似性预测，以确保可合成性和药物相似性。我们应用该模型设计了针对炎症相关受体CXCR4的活性分子，并根据AI提出的合成路线成功制备了它们。在随后的体外和体内测定中，几种分子表现出有效的抗 CXCR4 和抗炎活性。表现最佳的化合物XVI缓解了与炎症性肠病相关的症状，并显示出合理的药代动力学特性。

  DOI：

  10.1021/acs.jmedchem.4c00184
• 作为产物：
  描述：

  3,4-二氟苯甲酰氯 在 盐酸 、 三乙胺 作用下， 以 1,4-二氧六环 、 甲醇 、 N,N-二甲基甲酰胺 为溶剂， 生成 1-(3,4-Difluorobenzoyl)-2-methylpiperazine
  参考文献：
  名称：

  基于强化学习模型的综合可行的先导物从头分子设计：人工智能辅助发现针对 CXCR4 的抗 IBD 先导物

  摘要：

  人工智能 (AI) 从头分子生成为药物发现提供了新颖结构的线索。然而，所生成分子的目标亲和力和可合成性对人工智能技术的成功应用提出了严峻的挑战。因此，我们开发了一种先进的强化学习模型，以弥合从头分子生成理论与药物发现的实际方面之间的差距。该模型以化学反应模板和市售构建模块为起点，采用正向反应预测来生成分子，同时进行实时对接和药物相似性预测，以确保可合成性和药物相似性。我们应用该模型设计了针对炎症相关受体CXCR4的活性分子，并根据AI提出的合成路线成功制备了它们。在随后的体外和体内测定中，几种分子表现出有效的抗 CXCR4 和抗炎活性。表现最佳的化合物XVI缓解了与炎症性肠病相关的症状，并显示出合理的药代动力学特性。

  DOI：

  10.1021/acs.jmedchem.4c00184

文献信息

• CXCR4拮抗剂及其制备方法和应用
  申请人：杭州师范大学

  公开号：CN117624140A

  公开（公告）日：2024-03-01

  本发明公开了20种可作为CXCR4拮抗剂的化合物及其可药用盐以及这些化合物的制备方法、合成路线和这些化合物在制备通过抑制CXCR4来防治相关疾病药物中的应用。本发明公开的化合物作为CXCR4拮抗剂对于炎症性肠病等疾病的防治具有优异效果。
• 10.1021/acs.jmedchem.4c00184
  作者：Jiang, Xiaoying、Lu, Liuxin、Li, Junjie、Jiang, Jing、Zhang, Jiapeng、Zhou, Shengbin、Wen, Hao、Cai, Hong、Luo, Xinyu、Li, Zhen、Wang, Jiahui、Ju, Bin、Bai, Renren

  DOI：10.1021/acs.jmedchem.4c00184

  日期：——

  Artificial intelligence (AI) de novo molecular generation provides leads with novel structures for drug discovery. However, the target affinity and synthesizability of the generated molecules present critical challenges for the successful application of AI technology. Therefore, we developed an advanced reinforcement learning model to bridge the gap between the theory of de novo molecular generation and

  人工智能 (AI) 从头分子生成为药物发现提供了新颖结构的线索。然而，所生成分子的目标亲和力和可合成性对人工智能技术的成功应用提出了严峻的挑战。因此，我们开发了一种先进的强化学习模型，以弥合从头分子生成理论与药物发现的实际方面之间的差距。该模型以化学反应模板和市售构建模块为起点，采用正向反应预测来生成分子，同时进行实时对接和药物相似性预测，以确保可合成性和药物相似性。我们应用该模型设计了针对炎症相关受体CXCR4的活性分子，并根据AI提出的合成路线成功制备了它们。在随后的体外和体内测定中，几种分子表现出有效的抗 CXCR4 和抗炎活性。表现最佳的化合物XVI缓解了与炎症性肠病相关的症状，并显示出合理的药代动力学特性。