Das Ziel dieser Masterarbeit war die Entwicklung einer in-silico-Methode zur Analyse des Natrium/Glucose-Co-Transporter 2 (SGLT2) und Vorraussage der Aktivität von potenziellen SGLT2-Inhibitoren, die sich zu einem wichtigen Teil der Behandlung von Diabetes Mellitus entwickelt haben. Dieser Prozess wurde hauptsächlich durch die Verwendung von Molecular Docking sowie QSAR Modelling als ein zusätzliches Werkzeug angetrieben. Um dieses Ziel zu erreichen wurde ein Klassifikationsmodell basierend auf den Docking Scores eines Virtual Screenings entwickelt. Zusätzlich wurde die Fähigkeit der verschiedenen Docking-Programme und deren Scoring-Funktionen analysiert, eine Rangfolge für Moleküle zu erschaffen, die mit der Rangfolge korreliert, die von den Aktivitäten der Moleküle vorgegeben wurde. Als ein zusätzliches Werkzeug für die Evaluierung der Ergebnisse der Strukturbasierten Methoden wurden abschließend einige Machine-Learning-basierte QSAR-Modelle für SGLT2-Inhibitoren entwickelt und verglichen. Die entwickelten Methoden für die Analyse der Aktivität von potenziellen Inhibitoren wurden anschließend auf einige Verbindungen mit unbekannten Aktivitäten angewendet, um deren Fähigkeit, SGLT2 zu hemmen, vorauszusagen.
The aim of this master’s thesis is to provide an in-silico-based method, mainly driven by the use of molecular docking, and QSAR modelling as an additional tool, for the analysis of the sodium/glucose co-transporter 2 (SGLT2) and the predic-tion of the activity of its potential inhibitors, which have been evolving to an im-portant contribution to the treatment of diabetes mellitus. To attain this objective, a classification model based on the Docking Scores ob-tained from a docking based virtual screening was created. Furthermore, the abil-ity of various docking programs and their scoring functions to create compound rankings correlating to the ranking by activity was assessed. Finally, as an addi-tional tool for the evaluation of results attained by the structure based approach-es, a number of machine learning based QSAR models for SGLT2 inhibitors were generated and their performances were compared. The methods developed for the analysis of the activity of potential inhibitors were subsequently applied to a number of compounds with unknown activity in order to predict their ability to inhibit SGLT2.
Das Ziel dieser Masterarbeit war die Entwicklung einer in-silico-Methode zur Analyse des Natrium/Glucose-Co-Transporter 2 (SGLT2) und Vorraussage der Aktivität von potenziellen SGLT2-Inhibitoren, die sich zu einem wichtigen Teil der Behandlung von Diabetes Mellitus entwickelt haben. Dieser Prozess wurde hauptsächlich durch die Verwendung von Molecular Docking sowie QSAR Modelling als ein zusätzliches Werkzeug angetrieben. Um dieses Ziel zu erreichen wurde ein Klassifikationsmodell basierend auf den Docking Scores eines Virtual Screenings entwickelt. Zusätzlich wurde die Fähigkeit der verschiedenen Docking-Programme und deren Scoring-Funktionen analysiert, eine Rangfolge für Moleküle zu erschaffen, die mit der Rangfolge korreliert, die von den Aktivitäten der Moleküle vorgegeben wurde. Als ein zusätzliches Werkzeug für die Evaluierung der Ergebnisse der Strukturbasierten Methoden wurden abschließend einige Machine-Learning-basierte QSAR-Modelle für SGLT2-Inhibitoren entwickelt und verglichen. Die entwickelten Methoden für die Analyse der Aktivität von potenziellen Inhibitoren wurden anschließend auf einige Verbindungen mit unbekannten Aktivitäten angewendet, um deren Fähigkeit, SGLT2 zu hemmen, vorauszusagen.
The aim of this master’s thesis is to provide an in-silico-based method, mainly driven by the use of molecular docking, and QSAR modelling as an additional tool, for the analysis of the sodium/glucose co-transporter 2 (SGLT2) and the predic-tion of the activity of its potential inhibitors, which have been evolving to an im-portant contribution to the treatment of diabetes mellitus. To attain this objective, a classification model based on the Docking Scores ob-tained from a docking based virtual screening was created. Furthermore, the abil-ity of various docking programs and their scoring functions to create compound rankings correlating to the ranking by activity was assessed. Finally, as an addi-tional tool for the evaluation of results attained by the structure based approach-es, a number of machine learning based QSAR models for SGLT2 inhibitors were generated and their performances were compared. The methods developed for the analysis of the activity of potential inhibitors were subsequently applied to a number of compounds with unknown activity in order to predict their ability to inhibit SGLT2.