LabMol-65 | 63421-90-9

• 分子结构分类: 有机化合物 - 有机杂环化合物 - 哌啶类
• 英文名称: LabMol-65
• 英文别名: 3-(5-nitro-furan-2-yl)-1-(4-piperidin-1-yl-phenyl)-propenone；3-(5-Nitrofuran-2-yl)-1-(4-piperidin-1-ylphenyl)prop-2-en-1-one
• CAS: 63421-90-9
• 化学式: C₁₈H₁₈N₂O₄
• 分子量: 326.352
• InChiKey: ZIWGYTWHVZGFHW-UHFFFAOYSA-N

物化性质

• 熔点：
  226 °C(Solv: ethanol (64-17-5); N,N-dimethylformamide (68-12-2))
• 沸点：
  520.7±50.0 °C(Predicted)
• 密度：
  1.271±0.06 g/cm3(Predicted)

计算性质

• 辛醇/水分配系数(LogP)：
  3.9
• 重原子数：
  24
• 可旋转键数：
  4
• 环数：
  3.0
• sp3杂化的碳原子比例：
  0.28
• 拓扑面积：
  79.3
• 氢给体数：
  0
• 氢受体数：
  5

反应信息

• 作为产物：
  描述：

  5-硝基糠醛 、 4-哌啶苯乙酮 在 硫酸 、 溶剂黄146 作用下， 生成 LabMol-65
  参考文献：
  名称：

  通过机器学习模型有效鉴定新型抗神经胶质瘤先导化合物。

  摘要：

  多形胶质母细胞瘤（GBM）是最具破坏性和最广泛的原发性中枢神经系统肿瘤。这种恶性的药理学治疗受到血脑屏障（BBB）选择性渗透的限制，并且依赖于单一药物替莫唑胺（TMZ），因此使新化合物的发现具有挑战性和紧迫性。因此，为了发现新的抗神经胶质瘤药物，我们开发了强大的机器学习模型来预测新化合物的抗神经胶质瘤活性和BBB渗透能力。使用这些模型，我们对内部化合物库中的41种化合物进行了优先排序，以进一步针对三种神经胶质瘤细胞系和星形胶质细胞进行体外测试。随后，使用原位神经胶质瘤模型重新合成最有效和选择性最大的化合物，并在体内进行测试。这种方法揭示了两名主要候选人，4m和4n可有效抑制小鼠恶性神经胶质瘤的发生，这可能是通过抑制硫氧还蛋白还原酶的活性来实现的，如我们的酶学分析所示。而且，这两种化合物都没有促进体重减轻，动物死亡或血液和毒理学标志改变，因此成为抗铅胶质瘤药物候选药物中铅优化的良好候选药物。

  DOI：

  10.1016/j.ejmech.2019.111981

文献信息

• Efficient identification of novel anti-glioma lead compounds by machine learning models
  作者：Bruno Junior Neves、Jonathan Paulo Agnes、Marcelo do Nascimento Gomes、Marcio Roberto Henriques Donza、Rosângela Mayer Gonçalves、Marina Delgobo、Lauro Ribeiro de Souza Neto、Mario Roberto Senger、Floriano Paes Silva-Junior、Sabrina Baptista Ferreira、Alfeu Zanotto-Filho、Carolina Horta Andrade

  DOI：10.1016/j.ejmech.2019.111981

  日期：2020.3

  the most devastating and widespread primary central nervous system tumor. Pharmacological treatment of this malignance is limited by the selective permeability of the blood-brain barrier (BBB) and relies on a single drug, temozolomide (TMZ), thus making the discovery of new compounds challenging and urgent. Therefore, aiming to discover new anti-glioma drugs, we developed robust machine learning models

  多形胶质母细胞瘤（GBM）是最具破坏性和最广泛的原发性中枢神经系统肿瘤。这种恶性的药理学治疗受到血脑屏障（BBB）选择性渗透的限制，并且依赖于单一药物替莫唑胺（TMZ），因此使新化合物的发现具有挑战性和紧迫性。因此，为了发现新的抗神经胶质瘤药物，我们开发了强大的机器学习模型来预测新化合物的抗神经胶质瘤活性和BBB渗透能力。使用这些模型，我们对内部化合物库中的41种化合物进行了优先排序，以进一步针对三种神经胶质瘤细胞系和星形胶质细胞进行体外测试。随后，使用原位神经胶质瘤模型重新合成最有效和选择性最大的化合物，并在体内进行测试。这种方法揭示了两名主要候选人，4m和4n可有效抑制小鼠恶性神经胶质瘤的发生，这可能是通过抑制硫氧还蛋白还原酶的活性来实现的，如我们的酶学分析所示。而且，这两种化合物都没有促进体重减轻，动物死亡或血液和毒理学标志改变，因此成为抗铅胶质瘤药物候选药物中铅优化的良好候选药物。