مطالعه ارتباط کمی ساختار – فعالیت جهت پیش بینی فعالیت دارویی برخی از ترکیبات پیریدین در درمان سرطان پوست با استفاده از الگوریتم کرم شب تاب
محورهای موضوعی : شیمی کوانتومی و اسپکتروسکوپی
1 - دانشگاه آزاد اسلامی واحد شاهرود
2 - دانشگاه آزاد اسلامی، واحد شاهرود، دانشکده علوم پایه، گروه شیمی، شاهرود، ایران
کلید واژه: ملانوما(سرطان پوست), ارتباط کمی ساختار- فعالیت, رگرسیون خطی چندگانه, الگوریتم کرم شب تاب,
چکیده مقاله :
مطالعه ارتباط کمی-ساختار فعالیت(QSAR) جهت پیش بینی فعالیت دارویی برخی از ترکیبات پیریدین و مشتقات آن در درمان سرطان پوست انجام شد. در ابتدا ساختار ترکیبات مورد نظر توسط نرم افزار هایپرکم رسم و بهینه گردید. سپس تعداد 1481 توصیف کننده توسط نرم افزار دراگون محاسبه شد. برای انتخاب مناسب ترین توصیف کننده ها از روش رگرسیون مرحله ایی و الگوریتم کرم شب تاب استفاده شد. پس از انتخاب مناسبترین توصیف کنندهها توسط این دو روش، جهت مدلسازی و پیش بینی فعالیت دارویی ترکیبات مورد نظر از روش رگرسیون خطی چندگانه (MLR) استفاده شد. عملکرد هر مدل توسط سری تست مورد بررسی قرار گرفت. ریشه میانگین مربعات خطا سری پیش بینی(RMSEP)، خطای نسبی پیش بینی (REP) و ضریب تعیین (R2) و خطای استاندارد پیش بینی (SEP) در روشهای SW-MLR و FF-MLR به ترتیب برابر6203/0، 7232/10، 8355/0، 6203/0، 7862/0، 526/10، 8591/0، 7862/0 می باشد. نتایج برتری نسبی روش انتخاب متغیر الگوریتم کرم شب تاب را نسبت به رگرسیون مرحله ایی جهت پیش بینی فعالیت دارویی ترکیبات ضد سرطان پوست نشان می دهد.
Quantitative structure–activity relationship models were developed for predicting activity of a series of medicine compounds such as pyridine derivatives. The suitable set of the molecular descriptors was calculated and the important descriptors using the variable selections of the stepwise (SW) and the firefly algorithm (FFA) were selected. The predictive quality of the QSAR models was tested for an external set of compounds by multiple linear regression (MLR). Statistical parameters for SW-MLR and FF-MLR were R2 train = 0.835, 0.859, RMSEP = 0.620, 0.786, REP= 10.72, 10.52 respectively. A comparison between the attained results indicated the superiority of the firefly algorithm over the stepwise method in the feature selection. The predicted results of this study can be used to design new inhibitors of melanoma anti-cancer.
_||_