A combretastatina A4 é um promissor agente anticâncer. Na célula, inibe a polimerização dos microtúbulos, os quais são fundamentais nos processos de motilidade, manutenção estrutural e mitose. Essa inibição se dá a partir do sítio de interação da αβ-tubulina bloqueando o fluxo do sangue que alimenta os tumores, o que resulta na morte dos mesmos. Com estrutura semelhante às combretastatinas, as chalconas constituem uma classe de compostos que atuam no mesmo sítio de interação na tubulina. Baseando-se nos trabalhos experimentais de Ducki e colaboradores, estudou-se a estrutura molecular de 87 chalconas análogas à combretastatina A4 por meio do método quântico DFT com o propósito de desenvolver modelos de Relações Quantitativas Estrutura-Atividade (QSAR) aplicados a tais antagonistas. A partir dos métodos dos Mínimos Quadrados Parciais (PLS) e de Redes Neurais Artificiais (ANN), foram gerados modelos que conduzem à elucidação da relação dos compostos estudados com suas respectivas atividades biológicas. Os descritores eletrônicos e moleculares selecionados apresentam alta concordância com as características das moléculas, havendo predominância de comportamento linear com a atividade biológica, podendo, eventualmente, apresentar comportamento não-linear, o que torna o modelo gerado altamente consistente.

Combretastatin A4 is a promising anticancer agent. It inhibits the polymerization of microtubules in the cell, which are essential in the process of motility, structural maintenance and mitosis. This inhibition is given from the interaction site of αβ-tubulin blocking the blood flow that feeds the tumor, what results in its death. The chalcones, sharing a similar structure of the combretastatin, are also a class of compounds that act in the same site of interaction in the tubulin. Based on the experimental work of Ducki and co-workers, we proposed a molecular structure study of 87 chalcones similar to combretastatin A4 using the DFT method in order to develop Quantitative Structure-Activity Relationships (QSAR) applied to the given antagonists. Through Partial Least Squares (PLS) and Artificial Neural Network (ANN) methods, some models has been generated to lead the understanding on the relationship between the compounds studied and their respective biological activities. The electronic and molecular descriptors selected have high correlation with the molecule features, being linear most of the time, although with eventual non-linear behavior, which makes the generated model highly consistent.