Carcaraqsar: uma aplicação web computacional full-stack para análise de relações quantitativas estrutura–atividade
DOI:
https://doi.org/10.14571/brajets.v19.n1.185-203Palavras-chave:
química computacional, modelagem QSAR, aprendizado de máquina, algoritmos bioinspirados, educação em químicaResumo
O CarcaraQSAR é uma aplicação web full-stack de código aberto, desenvolvida para simplificar a criação de modelos de Relações Quantitativas Estrutura-Atividade (QSAR). Integrando algoritmos de aprendizado de máquina e técnicas bioinspiradas de seleção de características, a ferramenta permite aos pesquisadores identificar eficientemente descritores químicos correlacionados com atividade biológica. Sua interface amigável elimina a necessidade de amplo conhecimento em programação, tornando a modelagem QSAR mais acessível. O CarcaraQSAR suporta diversas estratégias de validação, incluindo validação cruzada e Y-randomização, garantindo modelos robustos e reproduzíveis. Projetado para escalabilidade, permite implantação em nuvem, superando limitações das ferramentas QSAR tradicionais. Essa aplicação melhora significativamente as capacidades de modelagem preditiva, contribuindo assim para a descoberta econômica de fármacos e pesquisa molecular. A síntese de ferramentas importantes em um só fluxo torna ainda o CarcaraQSAR uma ferramenta didática para cursos Universitários de Química Farmacêutica e Medicinal, proporcionando aos estudantes uma compreensão prática e integrada dos conceitos envolvidos no QSAR.
Referências
Aguirre, G., Boiani, L., Boiani, M., Cerecetto, H., Di Maio, R., González, M., Porcal, W., Denicola, A., Piro, O. E., Castellano, E. E., Sant’Anna, C. M. R., & Barreiro, E. J. (2005). New potent 5-substituted benzofuroxans as inhibitors of Trypanosoma cruzi growth: Quantitative structure–activity relationship studies. Bioorganic & Medicinal Chemistry, 13, 6336–6346.
Ambure, P., Aher, R. B., Gajewicz, A., Puzyn, T., & Roy, K. (2015). NanoBRIDGES software: Open access tools to perform QSAR and nano-QSAR modeling. Chemometrics and Intelligent Laboratory Systems, 147, 1–13. https://doi.org/10.1016/j.chemolab.2015.07.007
Ambure, P., Halder, A. K., González-Díaz, H., & Cordeiro, M. N. D. S. (2019). QSAR-Co: An open source software for developing robust multitasking or multi-target classification-based QSAR models. Journal of Chemical Information and Modeling, 59(6), 2538–2544.
Avila, C. M., Romeiro, N. C., Silva, G. M. S., Sant’Anna, C. M. R., Barreiro, E. J., & Fraga, C. A. M. (2006). Development of new CoMFA and CoMSIA 3D-QSAR models for anti-inflammatory phthalimide-containing TNF-alpha modulators. Bioorganic & Medicinal Chemistry, 14, 6874–6885.
Bahia, M. S., Kaspi, O., Touitou, M., Binayev, I., Dhail, S., Spiegel, J., & Khazanov, N. (2023). A comparison between 2D and 3D descriptors in QSAR modeling based on bioactive conformations. Molecular Informatics, 42(4), e2200196.
Berthold, M. R., Cebron, N., Dill, F., et al. (2009). KNIME – The Konstanz Information Miner: Version 2.0 and beyond. SIGKDD Explorations Newsletter, 11(1), 26–31.
Cherkasov, A., Muratov, E. N., Fourches, D., et al. (2014). QSAR modeling: Where have you been? Where are you going to? Journal of Medicinal Chemistry, 57(12), 4977–5010.
Dassault Systèmes BIOVIA. (2023). Discovery Studio Modeling Environment (Release 2023). San Diego, CA: Dassault Systèmes.
Dos Santos, I. M., Agra, J. P. G., de Carvalho, T. G. C., et al. (2018). Classical and 3D QSAR studies of larvicidal monoterpenes against Aedes aegypti: New molecular insights for the rational design of more active compounds. Structural Chemistry, 29, 1287–1297.
Gramatica, P., Cassani, S., & Roy, P. P. (2014). QSARINS: A new software for the development, analysis, and validation of QSAR MLR models. Journal of Computational Chemistry, 35(13), 1036–1044.
Halder, A. K., & Cordeiro, M. N. D. S. (2021). QSAR-Co-X: An open source toolkit for multitarget QSAR modelling. Journal of Cheminformatics, 13, Article 58.
Mauri, A., & Bertola, M. (2022). Alvascience: A new software suite for the QSAR workflow applied to the blood–brain barrier permeability. International Journal of Molecular Sciences, 23(21), 12882. https://doi.org/10.3390/ijms232112882
Mobley, D. L., & Guthrie, J. P. (2014). FreeSolv: A database of experimental and calculated hydration free energies, with input files. Journal of Computer-Aided Molecular Design, 28, 711–720.
OECD. (2004). Principles for the validation, for regulatory purposes, of (quantitative) structure–activity relationship models. Paris, France: OECD Publishing.
Oliveira Neto, R. F. (2023). ML-SPARD: A dataset for machine learning performance analysis in small-sample regression problems. Harvard Dataverse.
Ramsundar, B., Liu, B., Wu, Z., Verras, A., Tudor, M., Sheridan, R. P., & Pande, V. (2017). Is multitask deep learning practical for pharma? Journal of Chemical Information and Modeling, 57(8), 2068–2076.
Schrödinger LLC. (2023). Schrödinger Release 2023-2: QikProp. New York, NY: Schrödinger LLC.
Supuran, C. T. (2019). Editorial: Teaching medicinal chemistry through computational tools. Journal of Enzyme Inhibition and Medicinal Chemistry, 34(1), 1–2.
Sushko, I., Novotarskyi, S., Körner, R., et al. (2011). Online chemical modeling environment (OCHEM): Web platform for data storage, model development and publishing of chemical information. Journal of Computer-Aided Molecular Design, 25(6), 533–554.
Todeschini, R., Mauri, A., & Consonni, V. (2017). DRAGON software (version 7.0) for the calculation of molecular descriptors. Milano, Italy: Kode Chemometrics srl.
Yap, C. W. (2011). PaDEL-descriptor: An open source software to calculate molecular descriptors and fingerprints. Journal of Computational Chemistry, 32(7), 1466–1474.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2026 Daniel Carvalho, Rosalvo Oliveira Neto, Edilson Alencar Filho
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License. A revista segue a política para Periódicos de Acesso Livre, oferecendo acesso livre, imediato e gratuito ao seu conteúdo, seguindo o princípio de que disponibilizar gratuitamente o conhecimento científico ao público proporciona mais democratização internacional do conhecimento. Por isso, não se aplica taxas, sejam elas para submissão, avaliação, publicação, visualização ou downloads dos artigos. Além disso, a revista segue a licença Creative Common (CC BY) permitindo qualquer divulgação do artigo, desde que sejam referenciados o artigo original. Neste sentido, os autores que publicam nesta revista concordam com os seguintes termos: A) Os autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Creative Commons Attribution License (CC BY), permitindo o compartilhamento do trabalho com reconhecimento da autoria do trabalho e publicação inicial nesta revista. B) Autores têm autorização para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional e não institucional, bem como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista. C) Autores sãoo estimulados a publicar e distribuir seu trabalho online (ex.: repositórios online ou na sua página pessoal), bem como aumentar o impacto e a citação do trabalho publicado.
