مراحل، محاسبات و نتایج حاصل از مطالعات پیش‌بینی‌های نظری ارتباط کمی ساختار بازداری (QSRR) اسانس گیاه میخک زینتی
محورهای موضوعی : شیمی کوانتومی و اسپکتروسکوپیمجید محمدحسینی 1 , مهدی نکوئی 2
1 - دانشگاه آزاد اسلامی واحد شاهرود
2 - دانشگاه آزاد اسلامی واحد شاهرود
کلید واژه: Genetic Algorithm, الگوریتم ژنتیک, multiple linear regression, رگرسیون خطی چندگانه, Molecular descriptors, ارتباط کمی ساختار- بازداری, توصیفکنندههای مولکولی, شاخص بازداری کواتس, میخک زینتی, Quantitative structure retent relationship (QSRR), Kovats retention index, Pittosporum undulatum,
چکیده مقاله :
در این مقاله، به تشریح مبسوط مدل‌های خطی توانمند در پیش بینی شاخص بازداری کواتس گروه وسیعی از ترکیبات طبیعی شناسایی شده در روغن اسانسی گیاه میخک زینتی به عنوان یکی از گیاهان دارویی پرداخته شده است. در این راستا، اساس کار مبتنی بر روابط کمی ساختار بازداری (QSRR) می‌باشد که در منابع علمی از اهمیت بسزایی جهت برقراری ارتباط منطقی و هدفمند بین شاخص کواتس به عنوان یک متغیر وابسته و گروهی از توصیفکنندههای مولکولی به عنوان متغیر‌های مستقل برخوردار است. در این راستا، پس از ترسیم ساختار ترکیبات مفروض در محیط نرم‌افزار هایپرکم و بهینه‌سازی آن‌ها، جهت استخراج توصیفکنندههای مولکولی مربوطه از نرم‌افزار دراگون استفاده شد. در مرحله بعد، پس از حذف توصیفکنندههای غیر مرتبط و اضافی، نهایتاً با روش‌های مرحله‌ای و روش انتخاب متغیر مبتنی بر الگوریتم ژنتیک گروهی از توصیفکنندههای مهم و مؤثر شناسایی و ارتباط خطی آن‌ها با شاخص بازداری کواتس مورد بحث و بررسی قرار گرفت. نتایج حاصله حاکی از توانمندی بالای مدل‌های ارائه شده جهت پیش بینی شاخص کواتس گروه وسیعی از ترکیبات طبیعی دارد.
In this article, a detailed description of the linear models capable of predicting the inhibition indices of a large group of natural compounds identified in the essential oil of Pittosporum undulatum, as one of the medicinal plants, has been discussed. In this regard, the work is based on quantitative structure retention relationship (QSRR), which is of prime importance in scientific resources to establish a logical and meaningful relationship between the Kovats index as a dependent variable and a group of molecular descriptors as independent variables. In this regard, after drawing the structure of the natural compounds using the Hypercam software and optimizing their molecular structures, Dragon software was used to extract the relevant molecular descriptors. In the next step, after removing irrelevant and redundant descriptors, a group of important and effective descriptors were identified and their linear relationship with the Kovats retention index was discussed and investigated using stepwise multiple linear regression method as well as another variable selection method based upon genetic algorithm feature selection approach. The obtained results indicate the high capability of the presented models to predict the Kovats index of a wide group of natural compounds.
_||_