AVANCES EN ESTUDIOS QSAR/QSPR CON APLICACIONES AGRONÓMICAS

  • José F. Aranda Instituto de Investigaciones Fisicoquímica Teóricas y Aplicadas (INIFTA), Dpto. de Química, Facultad de Ciencias Exactas, UNLP, Calle 64 Diag. 113, CP (1900), La Plata, Buenos Aires, Argentina.
  • Pablo R. Duchowicz Instituto de Investigaciones Fisicoquímica Teóricas y Aplicadas (INIFTA), Dpto. de Química, Facultad de Ciencias Exactas, UNLP, Calle 64 Diag. 113, CP (1900), La Plata, Buenos Aires, Argentina.
  • Eduardo A. Castro Instituto de Investigaciones Fisicoquímica Teóricas y Aplicadas (INIFTA), Dpto. de Química, Facultad de Ciencias Exactas, UNLP, Calle 64 Diag. 113, CP (1900), La Plata, Buenos Aires, Argentina.

Resumen

El interés por las Relaciones Cuantitativas Estructura/Actividad-Estructura/Propiedad se ha originado en las últimas décadas, para predecir el impacto de un pesticida antes de ser liberado en el ambiente, mediante modelos matemáticos. Se establece un modelo QSPR para la predicción del coeficiente de sorción en suelo (Koc) de 643 compuestos heterogéneos. Se obtiene el mejor modelo encontrado en base a un descriptor flexible. El poder predictivo es satisfactorio en la calibración, validación interna y externa.

Citas

[1] R.D. Wauchope, T. Buttler, A. Hornsby, P. Augustijn-Beckers, J. Burt, "The SCS/ARS/CES pesticide properties database for environmental decision-making", En Reviews of environmental contamination and toxicology, Springer, (1992), pp. 1-155.

[2] D.W. Salt, N. Yildiz, D.J. Livingstone, C.J. Tinsley, The use of artificial neural networks in QSAR, Pestic. Sci 36 (1992) 161-170.

[3] C. Hansch, Quantitative approach to biochemical structure-activity relationships, Acc. Chem. Res. 2 (1969) 232-239.

[4] P. Gramatica, E. Giani, E. Papa, Statistical external validation and consensus modeling: A QSPR case study for K oc prediction, J. Mol. Graph. Model. 25 (2007) 755-766.

[5] Coral Sea, http://www.insilico.eu/coral/.

[6] Hyperchem, 6.03, (Hypercube, Inc.), http://www.hyper.com.

[7] ACD/ChemSketch 12, www.acdlabs.com.

[8] P. R. Duchowicz, E. A. Castro, F.M. Fernández., Alternative Algorithm for the Search of an Optimal Set of Descriptors in QSAR-QSPR Studies, Commun. Math. Comput. Chem. (MATCH) 55 (2006) 179-192.

[9] D.A. Konovalov, L.E. Llewellyn, Y. Vander Heyden, D. Coomans, Robust cross-validation of linear regression QSAR models, Chem. Inf. Model. 48 (2008) 2081-2094.

[10] S. Wold, L. Eriksson, S. Clementi, "Statistical validation of QSAR results", Chemometric methods in molecular design, (1995), pp. 309-338.

[11] Matlab 7.0, The MathWorks, Inc., http://www.mathworks.com.
Publicado
2016-09-07
Cómo citar
ARANDA, José F.; DUCHOWICZ, Pablo R.; CASTRO, Eduardo A.. AVANCES EN ESTUDIOS QSAR/QSPR CON APLICACIONES AGRONÓMICAS. Investigación Joven, [S.l.], v. 3, n. 1, sep. 2016. ISSN 2314-3991. Disponible en: <http://revistas.unlp.edu.ar/InvJov/article/view/2786>. Fecha de acceso: 24 mar. 2017
Sección
Comunicaciones en Jornadas

Palabras clave

Teoría QSPR-QSAR, Propiedades Agronómicas, Técnica de MLRA