مدل سازی و مطالعه ارتباط کمی ساختار-فعالیت برخی از مشتقات کربوکسیلات به عنوان داروهای ضد سرطان با استفاده از رگرسیون خطی چند متغیره و شبکه های عصبی مصنوعی
محورهای موضوعی : شیمی کوانتومی و اسپکتروسکوپی
مهدی نکوئی
1
(دانشگاه آزاد اسلامی واحد شاهرود)
محمود ابراهیمی
2
(دانشگاه آزاد اسلامی مشهد)
پرستو فتاحی
3
(دانشگاه آزاد مشهد)
بهزاد چهکندی
4
(دانشگاه آزاد شاهرود)
کلید واژه: شبکه عصبی مصنوعی, مقاومت دارویی, رگرسیون خطی چند گانه, ارتباط کمی ساختار- فعالیت, مشتقات کربوکسیلات,
چکیده مقاله :
شیمی درمانی، یکی از مؤثرترین درمان ها برای سرطانها به شمار می رود اما بسیاری از سرطانها در طی درمان با داروهای شیمی درمانی نسبت به اثرات درمانی داروی مصرفی، مقاوم می‌شوند که به آن مقاومت به داروهای چندگانه یا Multi Drug Resistance می گویند. در حال حاضر از برخی داروهای جدید از جمله مشتقات کربوکسیلات جهت کاهش مقاومت دارویی استفاده شده است. در تحقیق حاضر، مطالعه ارتباط کمی ساختار-فعالیت(QSAR) جهت پیش بینی فعالیت دارویی برخی از مشتقات کربوکسیلات با استفاده از روش رگرسیون خطی چند متغیره(MLR) و شبکه های عصبی مصنوعی(ANN) انجام شد. در ابتدا ساختار ترکیبات دارویی، رسم و گروه مناسبی از توصیف کننده‌ها محاسبه شدند. سپس از روش انتخاب مرحله‌ای برای بدست آوردن بهترین توصیف کننده‌ها که بیشترین ارتباط را با فعالیت دارویی ترکیبات مورد نظر داشتند استفاده گردید. در ابتدا مدل خطی رگرسیون خطی چندگانه(MLR) ساخته شد. سپس برای به دست آوردن نتایج بهتر از ANN استفاده گردید. داده های آماری، برتری روش ANN را نسبت به روش MLR نشان می دهد.
Chemotherapy is one of the most effective treatments for cancers, but many cancers become resistant to the therapeutic effects of a drug during treatment with chemotherapy, which is called Multi Drug Resistance. Currently, some new drugs, including carboxylate derivatives, have been used to reduce drug resistance. In the present study, a structure-activity quantitative relationship (QSAR) study was performed to predict the drug activity of some carboxylate derivatives using multivariate linear regression (MLR) and artificial neural networks (ANN). First, the structure of drug compounds, drawing and appropriate group of descriptors were calculated. Then, the step selection method was used to obtain the best descriptors that were most related to the drug activity of the compounds. First, the linear model of multiple linear regression (MLR) was developed. ANN was then used to obtain better results. Statistical data show the superiority of ANN method over MLR method.
_||_