مطالعه رابطه ساختار – خاصیت برای پیش بینی logP مشتقات پیرتروئید با استفاده از مدل رگرسیون خطی چندگانه

محورهای موضوعی : حشره شناسی و سایر بندپایان

مصطفی صادقی ¹ , عصمت محمدی نسب ² , طاهره مومنی اصفهانی ³

1 - گروه شیمی، واحد اراک، دانشگاه آزاداسلامی، اراک، ایران
2 - گروه شیمی،واحد اراك،دانشگاه آزاداسلامی، اراك، اراک، ایران
3 - گروه شیمی، واحد اراک، دانشگاه آزاد اسلامی اراک، اراک، ایران

تاریخ دریافت : 1401/09/16 تاریخ پذیرش : 1401/10/10 تاریخ انتشار : 1401/12/01

کلید واژه: واژه‌های کلیدی: "ضریب توزیع آب-اکتانل", " الگوریتم ژنتیک", " پیرتروئیدها", Keywords:" logP", "Multiple linear regression method", "Quantitative structure-property relationship", "Genetic Algorithm ", "Pyrethroids", "روش رگرسیون خطی چندگانه ", " مطالعه کمی رابطه ساختار-خاصیت",

چکیده مقاله :

در این مطالعه، قدرت پیش بینی ضریب تقسیم آب-اکتانل (logP) برای34 نوع از مشتقات پیرتروئیدی با استفاده از رابطه کمی ساختار–خاصیت مورد مطالعه قرار گرفت. مقدار logP پیرتروئیدهای مورد مطالعه با کمک الگوریتم ژنتیک بر اساس روش رگرسیون خطی چندگانه(GA-MLR) مدل‌سازی شد و معلوم گردید که سه توصیفگر موثر GATS4P ، PW3و ZM1V همبستگی معقولی با logP دارند و منجر به ایجاد مدلی با ضریب رگرسیون بالا و خطای کم شدند. ارزیابی توانایی پیش‌بینی logP با مدل (GA-MLR) توسط پارامترهای آماری: R2 = 0.862، R2adj = 0.848، F=62.296و MSE = 0.503 برای مجموعه آزمایشی انجام شد. همچنین مقدار Q2LOO= 0.861 در روش اعتبارسنجی تقاطعی و نیز مقادیر R2 برابر با 0.880 و 0.929 به ترتیب برای سری های آموزش و آزمایش در روش اعتبارسنجی خارجی, همبستگی بسیار خوبی را بین مقادیر تجربی و مقادیر پیش بینی نشان داد. مشخص گردید که مدل MLR در پیش‌بینی logP حشره‌کش‌های پیرتروئیدی قابل اعتماد بوده و با در نظر داشتن خطای بسیار کم از دقت کافی برخوردار است.

چکیده انگلیسی:

In this research, predicting the logP of 34 types different pyrethroid derivatives was studied using quantitative structure-property relationship. The logP of studied pyrethroids was modeled using the genetic algorithm based on linear regression method (GA-MLR). It was found that the three effective descriptors GATS4P, PW3 and ZM1V have a reasonable correlation with logP, and led to the creation of a model with the highest regression coefficient and the lower error. The evaluation of GA-MLR model predictive ability for test set was performed by statistical parameters such as R2= 0.862, R2adj = 0.848, F=62.296 and MSE = 0.503. Also, the value of Q2LOO= 0.861 using the cross-validation method, and the values of R2 =0.880 and 0.929 for the training and test sets respectively, in the external validation method showed a very good correlation between experimental and prediction values. It was specified that the MLR model was reliable for predicting the logP of pyrethroid insecticides, and had sufficient accuracy with the lowest error.