مطالعه ارتباط کمی ساختار- خاصیت جهت پیش‌بینی قطبیت حلال با استفاده از توصیف‌کننده‌های مکانیک‌کوانتومی و ماشین بردار پشتیبان

محورهای موضوعی : شیمی کوانتومی و اسپکتروسکوپی

مهدی نکوئی ¹ , بهزاد چهکندی ²

1 - دانشگاه آزاد اسلامی واحد شاهرود
2 - دانشگاه آزاد اسلامی

تاریخ دریافت : 1398/02/31 تاریخ پذیرش : 1398/04/22 تاریخ انتشار : 1398/03/01

کلید واژه: توصیف کنند‌ های مکانیک کوانتمی, ارتباط کمی ساختار- خاصیت, قطبیت حلال, ماشین بردار پشتیبان, رگرسیون خطی چند گانه,

چکیده مقاله :

مطالعه ارتباط کمی ساختار-خاصیت جهت پیش بینی قطبیت برخی از حلال ها با استفاده از توصیف کننده های مکانیک کوانتومی و تکنیک ماشین بردار پشتیبان(SVM) انجام شد. مقادیر تجربی قطبیت برای 69 حلال گردآوری شد. این حلال ها شامل هیدروکربن های اشباع و غیراشباع، حلال های شامل هالوژن، سیانید، نیترو، آمید، سولفید، مرکاپتو، فسفات، استر، اتر و غیره بود. در ابتدا ساختار حلال ها، 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 قطبیت حلال مورد نظر داشتند استفاده گردید. در ابتدا مدل خطی رگرسیون خطی چند‌گانه(MLR) ساخته شد. سپس برای به دست آوردن نتایج بهتر، از SVM استفاده گردید. داده های آماری، برتری روش SVM را نسبت به روش MLR نشان می دهد.

چکیده انگلیسی:

Quantitative structure-property relationship (QSPR) study for prediction of the polarity some of solvents using quantum mechanics descriptors and support vector machine. Experimental S′ values for 69 solvents were assembled. This set included saturated and unsaturated hydrocarbons, solvents containing halogen, cyano, nitro, amide, sulfide, mercapto, sulfone, phosphate, ester, ether, etc. After drawing the structure of the molecules, the suitable molecular descriptors were calculated. Then, the stepwise multiple linear regressions (SW-MLR) variable selection method was subsequently employed to select and implement the prominent descriptors having the most significant contributions to the polarity of the molecules. At first, multiple linear regressions (MLR) model was constructed. Then, support vector machine (SVM) model was used for to obtain better results. A comparison of results by the two methodologies indicated the superiority of SW-SVM over the SW-MLR method.