استفاده از ژنتیک الگوریتم و رگرسیون خطی چندگانه برای پیشگویی فعالیت پذیرنده های 4 دوپامین، مشتقات آلوکسی فنیل مورفولینها
محورهای موضوعی : شیمی کوانتومی و اسپکتروسکوپیسمیرا معصومی الادزگه 1 , هانیه غفاری ججین 2 , اسلام پوربشیر 3
1 - گروه شیم- دانشکده علوم- دانشگاه محقق اردبیلی- اردبیل-ایران
2 - گروه شیمی- دانشکده علوم-دانشگاه محقق اردبیلی- اردبیل-ایران
3 - گروه شیمی- دانشکده علوم- دانشگاه محقق اردبیلی- اردبیل- ایران
کلید واژه: رگرسیون خطی چندگانه, مشتقات آلکوکسی فنیل مورفولین ها, ارتباط کمی ساختار-فعالیت, الگوریتم ژنتیک,
چکیده مقاله :
در این تحقیق، با استفاده از توصیف کننده های ساختاری و روش رگرسیون خطی چندگانه، مطالعات ارتباط کمی ساختار- فعالیت برای پیش بینی فعالیت دارویی پذیرنده های 4 دوپامین، مشتقات آلکوکسی فنیل مورفولینها انجام گرفته است. توصیف کننده های مناسب با استفاده از روش الگوریتم ژنتیک انتخاب شدند. سپس یک مدل ساده، قوی، با ضریب همبستگی بالا ساخته شد. نتایج نشان میدهد که تکنیک های خطی مانند رگرسیون خطی چندگانه که با یک روش انتخاب متغیر مناسب کوپل شده باشد، قادراست مدلهای مناسبی برای پیش بینی فعالیت دارویی ترکیبات ارائه دهد. مقادیر ضریب همبستگی (2R) و ریشه میانگین مربعات خطا (RMSE) برای سری آموزش به ترتیب برابر 729/0 و 285/0 و برای سری تست به ترتیب برابر 820/0 و 237/0 بدست آمد. مدل ارائه شده پارامترهای آماری بالایی را نشان داد که میتواند جهت پیش بینی فعالیت دارویی ترکیبات مشابه مورد استفاده قرار گیرد.
In this research, by using the structural descriptors and multiple linear regression method, the quantitative structure-activity relationship studies have been carried out to predict the dopamine 4 receptors activity of, alkoxyphenylmorpholine derivatives. Appropriate descriptors were selected using the genetic algorithm method. Then a simple and strong model with a high correlation coefficient was built. The results showed that the linear techniques such as multiple linear regression coupled with a suitable variable selection method are able to provide suitable models for predicting the activity of compounds. The values of correlation coefficient (R2) and root mean square error (RMSE) for the training set were 0.729 and 0.285, respectively, and for the test set, they were 0.820 and 0.237, respectively. The presented model showed high statistical parameters that can be used to predict the activity of same compounds.
_||_