بررسی معیارهای متفاوت برای منظم کردن اجزاهای اصلی به منظور ایجاد یک مدل QSPR برای پیش ­بینی نقطه های ذوب

الموضوعات :

ولی زارع شاه­ آبادی ¹ (دانشکده شیمی و مهندسی شیمی، دانشگاه آزاد اسلامی واحد ماهشهر، ماهشهر، ایران)
فاطمه عباسی­ تبار ² (دانشگاه آزاد اسلامی واحد مرودشت، مرودشت، ایران)

تاريخ الإرسال : 13 الإثنين , رمضان, 1431 تاريخ التأكيد : 15 السبت , ذو القعدة, 1431 تاريخ الإصدار : 16 الإثنين , ذو الحجة, 1431

الکلمات المفتاحية: شبکه عصبی مصنوعی, ارتباط کمی میان ساختار و خاصیت, آنالیز اجزای اصلی, مرتب سازی اجزاهای اصلی,

ملخص المقالة :

براساس اهمیت پیش بینی نقطه های ذوب ترکیب ها، در این مقاله سعی شد که برای دسته وسیعی از ترکیب ها مدل مناسبی که توانایی پیش بینی نقطه های ذوب را در حد مطلوبی داشته باشد، ارایه شود. برای این منظور 4173 ترکیب شیمیایی با ساختارهای متنوع گزارش شده در مقاله های قبلی، انتخاب و برای توصیف ساختار آن ها از یک دسته 202 تایی از توصیفکننده های 2D و 3D استفاده شد. این دسته داده ها به دو دسته آموزش و دسته تست به ترتیب با اندازه های 2573 و 1600 تقسیم بندی شد. ارزیابی بیشتر مدل ایجاد شده به کمک یک دسته داده دیگر با اندازه 277 صورت گرفت. برای کاهش حجم ماتریس توصیف کننده ها از تجزیه اجزای اصلی کمک گرفته شد و از شبکه عصبی برای ایجاد مدل استفاده شد. بردارهای ویژه به دست آمده از تجزیه اجزای اصلی بر اساس معیارهای متفاوتی مرتب و به عنوان ورودی شبکه مورد استفاده قرار گرفتند. معیارهای استفاده شده عبارت بودند از بزرگی مقدار ویژه، میزان همبستگی با نقطه ذوب و میزان قدرت پیش بینی کنندگی. بهترین مدل در حالتی بدست آمد که بردارهای ویژه براساس میزان قدرت پیش بینی کنندگی اشان مرتب و به عنوان ورودی استفاده بودند. در پایان پارامترهای شبکه از قبیل تعداد لایه های پنهان، تعداد گره در هر لایه، سرعت یادگیری و مومنتوم بهینه سازی شدند. شبکه با ساختار [25 10 8 1] و سرعت یادگیری 0/7 و مومنتوم 0/16به عنوان شبکه بهینه انتخاب شد.

المصادر:

[1] H. van de Waterbeemd. VCH, New York, 1995.
[2] Yao, S.W., Lopes, V.H.C., Fernandez, F., Garcia-Mera, X., Morales, M., Rodriguez-Borges, J.E., Cordeiro, M.N.D.S., Synthesis and QSAR Bioorg. Med. Chem. 11 4999–5006 (2003).
[3] Shijin, R., Chemosphere 53 1053–1065 (2003).
[4] Liang, Y.Z., Xie, Y.L., Yu, R.Q., Chim. Acta 222 347-357 (1989).
[5] Kalivas, J.H., Roberts, N., Sutter, M.J., Anal. Chem. 61 2024-2030 (1989).
[6] Lucasius, C.B., Beckers, M.L.M., Kateman, G., Anal. Chim. Acta 286 135-153 (1994).
[7] Araujo, M.C.U., Saldanha, T.C.B., Galvao, R.K.H., Oneyama, T., Chame, H.C., Visani,

V., The Chemometr. Intell. Lab. Syst. 57 65-73 (2001).
[8] Leardi, R., . J. Chemomert. 14 643-655 (2000).
[9] Niculescu, S.P., (Theochem) 622 71–83 (2003).
[10] Hemmateenejad, B., Optimal QSAR PCR. J. Chemom. 18 475–485 (2004).
[11] Yalkowsky, S. H., Valvani, S. C.,. J. Pharm. Sci. 69 912–922 (1980).
[12] Ran, Y., Yalkowsky, S.H., (GSE). J. Chem. Inf. Comput. Sci. 41 354–357 (2001).
[13] Gavezzotti, A., Molecular symmetry. J. Chem. Soc., Perkin Trans; 2 1399–1404 (1995).
[14] Dearden, J.C., Sci. Total Environ. 109 59–68 (1991).
[15] Charton, M., Charton, B., J. Phys. Org. Chem. 1994, 7, 196–206.
[16] Katritzky, A.R., Maran, U., Karelson, M., J. Chem. Inf. Comput. Sci. 37 913–919 (1997).
[17] Charton, M., J. Comput.-Aided Mol. Des. 17 197–209 (2003).

[18] Bergström, C.A.S., Norinder, U., Luthman, K., Artursson, P., J. Chem. Inf. Comput. Sci. 43 1177–1185 (2003).
[19] Ma, L., Cheng, C., J. Chemom. 16 75–80 2002.
[20] Burch, K.J., J. Chem. Eng. Data 49 858–863 (2004).
[21] Simamora, P., Miller, A.H., Yalkowsky, S.H., J. Chem. Inf. Comput. Sci. 33و 437–440 (1993).
[22] Krzyzaniak, J.F., Myrdal, P.B., Simamora, P., Yakowsky, S.H., Ind. Eng. Chem. Res. 34 2530–2535 (1995).
[23] Simmamora, P., Yalkowsky, S.H., Ind Eng Chem Res 33 1405–1409 (1994).
[24] Karthikeyan, M., Glen, R.C., Bender, A., J. Chem. Inf. Model. 45 581–590 (2005).
[25] J., Gasteiger, J., Wiley-VCH, Weinheim, 1999.
[26] MATLAB, version 7.6.0.324, Math Work, Inc.