کاربرد رگرسیون خطی چند متغیره و شبکه های عصبی مصنوعی جهت پیش‌بینی فعالیت ضدمیکروبی برخی مشتقات آنیلیدها به روش ارتباط کمی ساختار - فعالیت (QSAR)
محورهای موضوعی : شیمی کوانتومی و اسپکتروسکوپی
مهدی نکوئی
1
(دانشگاه آزاد اسلامی واحد شاهرود)
پرستو پورعلی
2
(دانشگاه آزاد اسلامی واحد شاهرود)
سید حامد موسوی
3
(دانشگاه آزاد اسلامی واحد شاهرود)
کلید واژه: رگرسیون خطی چند گانه, ارتباط کمی ساختار- فعالیت, مشتقات آنیلیدها, شبکه عصبی مصنوعی,
چکیده مقاله :
مطالعه ارتباط کمی ساختار-فعالیت(QSAR) جهت پیش بینی فعالیت ضدمیکروبی برخی مشتقات آنیلیدها با استفاده از روشهای رگرسیون خطی چند متغیره(MLR) و شبکه های عصبی مصنوعی(ANN) انجام شد. در ابتدا ساختار ترکیبات، 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 ضدمیکروبی ترکیبات مورد نظر داشتند استفاده گردید. با این روش 5 توصیف کننده انتخاب و در ابتدا مدل خطی MLR ساخته شد. سپس برای به دست آوردن نتایج بهتر از شبکه عصبی مصنوعی استفاده گردید. مقادیر ضریب تعیین (R2) و ریشه میانگین مربعات خطا (RMSE) برای سری تست به ترتیب برابر 077/0 و 073/0 برای مدل خطی MLR و 613/0 و 021/0 برای مدل غیرخطی ANN بدست آمد. داده های آماری، برتری روش ANN را نسبت به روش MLR نشان می دهد.
Quantitative structure-activity relationship (QSAR) study was performed to predict the antimicrobial activity of some anilide derivatives using multivariate linear regression (MLR) and artificial neural networks (ANN). First, the structure of the compounds, the drawing and the appropriate group of descriptors were calculated. Then, the step selection method was used to obtain the best descriptors that were most associated with the antimicrobial activity of the compounds. With this method, 5 descriptors were selected and first the linear MLR model was constructed. Then, artificial neural network was used to obtain better results. The values of coefficient of determination (R2) and root mean square error (RMSE) for the test series were 0.07 and 0.073 for the MLR linear model and 0.613 and 0.021 for the nonlinear ANN model, respectively. Statistical data show the superiority of ANN method over MLR method.
_||_