مدل سازی و مطالعه ارتباط کمی ساختار-خاصیت جهت پیش بینی نیمه عمر بی فنیل های پلی کلرینه با استفاده از رگرسیون خطی چند متغیره و شبکه های عصبی مصنوعی
محورهای موضوعی : شیمی کوانتومی و اسپکتروسکوپی
سکینه بهرامی نسب
1
(گروه علم اطلاعات و دانش شناسی، دانشگاه شهید بهشتی، تهران)
مهدی نکوئی
2
(دانشگاه آزاد شاهرود)
سیدعباس طاهری
3
(دانشگاه آزاد شاهرود)
کلید واژه: Artificial Neural Network, شبکه عصبی مصنوعی, multiple linear regression, ارتباط کمی ساختار- خاصیت, رگرسیون خطی چند گانه, Quantitative structure-property relationship, بی فنیل های پلی کلرینه, زمان نیمه عمر, polychlorinated biphenyls, half-life,
چکیده مقاله :
مطالعه ارتباط کمی ساختار-خاصیت(QSPR) جهت پیش بینی زمان نیمه عمر برخی مشتقات بی فنیل های پلی کلرینهبا 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 کننده ها محاسبه شدند. سپس از روش انتخاب مرحله ای برای بدست آوردن بهترین توصیف کننده ها که بیشترین ارتباط را با نیمه عمر ترکیبات مورد نظر داشتند استفاده گردید. با این روش 6 توصیف کننده شاملLop, GATS5m, GATS8m, LDip, RDF020u, R2v+ که از انواع توصیف کننده های توپولوژیکی، بار، نمایش سه بعدی مولکول بر اساس پراش الکترونی و تابع توزیع شعاعی هستند انتخاب گردید. 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 716/0 و 050/0 برای مدل خطی MLR و 896/0 و 030/0 برای مدل غیرخطی ANN بدست آمد. داده های آماری، برتری روش ANN را نسبت به روش MLR نشان می دهد.
Quantitative structure-property relationship (QSPR) study was performed to predict the half-life of some polychlorinated biphenyl 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-wise method was used to obtain the best descriptors that were most related to the half-life of the compounds. With this method, 6 descriptors including Lop, GATS5m, GATS8m, LDip, RDF020u, R2v + were selected from the types of topological descriptors, charge, three-dimensional representation of molecules based on electron diffraction and radial distribution function. First, a multiple linear regression linear 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 equal to 0.716 and 0.050 for the MLR linear model and 0.896 and 0.030 for the nonlinear ANN model, respectively. Statistical data show the superiority of ANN method over MLR method.
_||_