trans-1-cinnamylpiperazine dihydrochloride | 163596-56-3

• 物质功能分类: 医药中间体 - 杂环化合物 - 哌嗪类化合物
• 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: trans-1-cinnamylpiperazine dihydrochloride
• 英文别名: Cinnamyl pieprazine hydrochloride；1-[(E)-3-phenylprop-2-enyl]piperazine;hydrochloride
• CAS: 163596-56-3
• 化学式: C₁₃H₁₈N₂*2ClH
• 分子量: 275.221
• InChiKey: UMFBQHJNONURJF-KQGICBIGSA-N

物化性质

• 熔点：
  >200oC (dec.)
• 溶解度：
  可溶于DMSO（轻微）、甲醇（非常轻微）

计算性质

• 辛醇/水分配系数(LogP)：
  2.03
• 重原子数：
  16
• 可旋转键数：
  3
• 环数：
  2.0
• sp3杂化的碳原子比例：
  0.38
• 拓扑面积：
  15.3
• 氢给体数：
  2
• 氢受体数：
  2

制备方法与用途

用途：该物质作为药物中间体，是合成钙拮抗剂类药物桂利嗪和氟桂嗪的关键成分。

反应信息

• 作为反应物：
  描述：

  4-chloro-N-(2,4-dimethylphenyl)butamide 、 trans-1-cinnamylpiperazine dihydrochloride 在 potassium carbonate 、 potassium iodide 作用下， 以 N,N-二甲基甲酰胺 为溶剂， 以26 %的产率得到N-(2,4-dimethylphenyl)-4-{4-[(E)-3-phenyl-2-propenyl]-1-piperazinyl}butanamide
  参考文献：
  名称：

  人工智能辅助抗色素沉着酪氨酸酶抑制剂的优化：基于低活性先导化合物的从头分子生成

  摘要：

  人工智能 (AI)从头分子生成是药物发现中非常有前途的策略，深度强化学习 (RL) 模型正在成为强大的工具。本研究介绍了基于低活性先导化合物的逐片段生长 RL 正向分子生成和优化策略。该过程集成了基于片段生长的反应模板，同时进行靶标对接和药物相似性预测。这种综合方法考虑了分子相似性、内部多样性、可合成性和有效性，从而提高了分子生成的质量和效率。最终生成并合成了一系列酪氨酸酶抑制剂。大多数化合物表现出比铅更好的活性，最佳候选化合物超越了曲酸的效果，并在斑马鱼模型中表现出显着的抗色素沉着活性。此外，代谢稳定性研究表明对肝脏代谢的敏感性。所提出的人工智能结构优化策略将在加速药物发现和提高传统效率方面发挥重要作用。

  DOI：

  10.1021/acs.jmedchem.4c00091
• 作为产物：
  描述：

  肉桂基氯 在 盐酸 、 potassium carbonate 、 potassium iodide 作用下， 以 1,4-二氧六环 、 甲醇 、 乙腈 为溶剂， 反应 4.0h， 生成 trans-1-cinnamylpiperazine dihydrochloride
  参考文献：
  名称：

  人工智能辅助抗色素沉着酪氨酸酶抑制剂的优化：基于低活性先导化合物的从头分子生成

  摘要：

  人工智能 (AI)从头分子生成是药物发现中非常有前途的策略，深度强化学习 (RL) 模型正在成为强大的工具。本研究介绍了基于低活性先导化合物的逐片段生长 RL 正向分子生成和优化策略。该过程集成了基于片段生长的反应模板，同时进行靶标对接和药物相似性预测。这种综合方法考虑了分子相似性、内部多样性、可合成性和有效性，从而提高了分子生成的质量和效率。最终生成并合成了一系列酪氨酸酶抑制剂。大多数化合物表现出比铅更好的活性，最佳候选化合物超越了曲酸的效果，并在斑马鱼模型中表现出显着的抗色素沉着活性。此外，代谢稳定性研究表明对肝脏代谢的敏感性。所提出的人工智能结构优化策略将在加速药物发现和提高传统效率方面发挥重要作用。

  DOI：

  10.1021/acs.jmedchem.4c00091

文献信息

• Artificial Intelligence-Assisted Optimization of Antipigmentation Tyrosinase Inhibitors: <i>De Novo</i> Molecular Generation Based on a Low Activity Lead Compound
  作者：Hong Cai、Wenchao Chen、Jing Jiang、Hao Wen、Xinyu Luo、Junjie Li、Liuxin Lu、Rui Zhao、Xinhua Ni、Yinyan Sun、Jiahui Wang、Zhen Li、Bin Ju、Xiaoying Jiang、Renren Bai

  DOI：10.1021/acs.jmedchem.4c00091

  日期：——

  Artificial intelligence (AI) de novo molecular generation is a highly promising strategy in the drug discovery, with deep reinforcement learning (RL) models emerging as powerful tools. This study introduces a fragment-by-fragment growth RL forward molecular generation and optimization strategy based on a low activity lead compound. This process integrates fragment growth-based reaction templates, while

  人工智能 (AI)从头分子生成是药物发现中非常有前途的策略，深度强化学习 (RL) 模型正在成为强大的工具。本研究介绍了基于低活性先导化合物的逐片段生长 RL 正向分子生成和优化策略。该过程集成了基于片段生长的反应模板，同时进行靶标对接和药物相似性预测。这种综合方法考虑了分子相似性、内部多样性、可合成性和有效性，从而提高了分子生成的质量和效率。最终生成并合成了一系列酪氨酸酶抑制剂。大多数化合物表现出比铅更好的活性，最佳候选化合物超越了曲酸的效果，并在斑马鱼模型中表现出显着的抗色素沉着活性。此外，代谢稳定性研究表明对肝脏代谢的敏感性。所提出的人工智能结构优化策略将在加速药物发现和提高传统效率方面发挥重要作用。