-
حرية الوصول المقاله
1 - بررسی شاخص کیفیت آب (WQI) با استفاده از تصاویر ماهوارهای لندست 8 و کاربرد مدلهای تکمتغیره و چندمتغیره در رودخانه سفیدرود در شمال ایران
یوسف پورحبیب ابراهیم فتائی فاطمه ناصحی بهنام خانیزاده حسین سعادتیدر این پژوهش کیفیت آب رودخانه سفیدرود طی سالهای 2013-2018 با استفاده از تصاویر ماهوارهای لندست 8 و همچنین 10 پارامتر کیفی شیمیاییی و فیزیکی شامل کلسیم (Ca2+)، پتاسیم (Na+)، منیزیم (Mg2+)، کلر (Cl-)، سولفات (SO4-2)، بیکربنات (HCO3-)، کل مواد محلول (TDS)، هدایت الکتریکی أکثردر این پژوهش کیفیت آب رودخانه سفیدرود طی سالهای 2013-2018 با استفاده از تصاویر ماهوارهای لندست 8 و همچنین 10 پارامتر کیفی شیمیاییی و فیزیکی شامل کلسیم (Ca2+)، پتاسیم (Na+)، منیزیم (Mg2+)، کلر (Cl-)، سولفات (SO4-2)، بیکربنات (HCO3-)، کل مواد محلول (TDS)، هدایت الکتریکی (EC)، سختی کل (TH) و اسیدیته آب (pH) در سه ایستگاه هیدرمتری مورد مطالعه قرار گرفت. شاخص کیفیت آب (WQI) شرب محاسبه گردید و ارتباط آن با باندها و نسبتهای باندی ماهوارهای (28 پارامتر) با استفاده از مدلهای رگرسیونی تکمتغیره و چندمتغیره، مورد تحلیل قرار گرفت. نتایج مدل رگرسیونی تک متغیره نشان داد که شاخص WQI با باند 5 و نسبت باند B4/B3 در سطح معنیداری 1 درصد به ترتیب با ضریب تبیین (R2) 55/0 و 51/0 دارای همبستگی خطی و توانی بود. اجرای مدل رگرسیون چندمتغیره خطی گامبهگام WQI با تمامی باندها و نسبتهای مورد مطالعه نشان داد که سه متغیر باند 5 و نسبتهای باندی B4/B3 و B6/B5 با WQI، با R2 حدود 80/0 در سطح معنیداری 5 درصد، دارای همبستگی بودند. پس از تهیه نقشه تغییرات مکانی WQI با استفاده از مدل رگرسیون خطی چندمتغیره، نتایج حاکی از آن بود که کیفیت آب در سرشاخههای سفیدرود، یعنی رودخانههایهای قزلاوزن و شاهرود نسبت به مناطق پاییندست و دریاچه سد منجیل، کمتر بود هرچند که کیفیت آب رودخانههای قزلاوزن و شاهرود ضعیف بود، ولی پس از ورد به سد سفید رود به کلاس آب خوب تبدیل شد. اما WQI آب خروجی از سد با عبور از اراضی کشاورزی، مناطق مسکونی و صنعتی حاشیه رودخانه تا رسیدن به دریای خزر به تدریج افزایش یافته و دارای کلاس آب ضعیف شده بود. به طور کلی نتایج تحقیق نشان داد که استفاده از تصاویر ماهوارهای لندست 8 و مدل رگرسیونی چند متغیره از توان بالایی برای پایش کیفیت آب برخوردار است. تفاصيل المقالة -
حرية الوصول المقاله
2 - Quantitative structure–property relationship models to Predict some thermodynamic properties of Imidazole Derivatives using molecular descriptor and genetic algorithm-multiple linear regressions
shiva Moshayedi fatemeh shafiei Tahereh Momeni IsfahaniImidazole is compound with a wide range of biological activities and imidazole derivatives are the basis of several groups of drugs.In this study the relationship between molecular descriptors and the thermal energy (Eth kJ/mol), and heat capacity (Cv J/mol) of imidazol أکثرImidazole is compound with a wide range of biological activities and imidazole derivatives are the basis of several groups of drugs.In this study the relationship between molecular descriptors and the thermal energy (Eth kJ/mol), and heat capacity (Cv J/mol) of imidazole derivatives is studied. The chemical structures of 85 Imidazole derivatives were optimized at HF/6-311G* level with Gaussian 98 software.Molecular descriptors were calculated for selected compound by using the Dragon software.The Genetic algorithm- multiple linear regression (GA-MLR) and backward methods were used to select the suitable descriptors and also for predicting the thermodynamic properties of imidazole derivatives.The obtained models were evaluated by statistical parameters, such as correlation coefficient (R2adj), Fisher ratio (F), Root Mean Square Error (RMSE), Durbin-Watson statistic (D) and significance (Sig).The predictive powers of the GA- MLR models are studied using leave-one-out (LOO) cross-validation and external test set. The predictive ability of the GA-MLR models with two-three selected molecular descriptors was found to be satisfactory. The developed QSPR models can be used to predict the property of compounds not yet synthesized. تفاصيل المقالة -
حرية الوصول المقاله
3 - مطالعه ارتباط کمی ساختار – فعالیت جهت پیش بینی فعالیت دارویی برخی از ترکیبات پیریدین در درمان سرطان پوست با استفاده از الگوریتم کرم شب تاب
مهدی نکوئی فاطمه شمسمطالعه ارتباط کمی-ساختار فعالیت(QSAR) جهت پیش بینی فعالیت دارویی برخی از ترکیبات پیریدین و مشتقات آن در درمان سرطان پوست انجام شد. در ابتدا ساختار ترکیبات مورد نظر توسط نرم افزار هایپرکم رسم و بهینه گردید. سپس تعداد 1481 توصیف کننده توسط نرم افزار دراگون محاسبه شد. برای أکثرمطالعه ارتباط کمی-ساختار فعالیت(QSAR) جهت پیش بینی فعالیت دارویی برخی از ترکیبات پیریدین و مشتقات آن در درمان سرطان پوست انجام شد. در ابتدا ساختار ترکیبات مورد نظر توسط نرم افزار هایپرکم رسم و بهینه گردید. سپس تعداد 1481 توصیف کننده توسط نرم افزار دراگون محاسبه شد. برای انتخاب مناسب ترین توصیف کننده ها از روش رگرسیون مرحله ایی و الگوریتم کرم شب تاب استفاده شد. پس از انتخاب مناسبترین توصیف کنندهها توسط این دو روش، جهت مدلسازی و پیش بینی فعالیت دارویی ترکیبات مورد نظر از روش رگرسیون خطی چندگانه (MLR) استفاده شد. عملکرد هر مدل توسط سری تست مورد بررسی قرار گرفت. ریشه میانگین مربعات خطا سری پیش بینی(RMSEP)، خطای نسبی پیش بینی (REP) و ضریب تعیین (R2) و خطای استاندارد پیش بینی (SEP) در روشهای SW-MLR و FF-MLR به ترتیب برابر6203/0، 7232/10، 8355/0، 6203/0، 7862/0، 526/10، 8591/0، 7862/0 می باشد. نتایج برتری نسبی روش انتخاب متغیر الگوریتم کرم شب تاب را نسبت به رگرسیون مرحله ایی جهت پیش بینی فعالیت دارویی ترکیبات ضد سرطان پوست نشان می دهد. تفاصيل المقالة -
حرية الوصول المقاله
4 - مدل سازی و مطالعه ارتباط کمی ساختار-خاصیت ( QSPR) جهت پیش بینی ثابت های اسیدی برخی از ترکیبات شیمیایی با استفاده از رگرسیون خطی چندگانه و ماشین بردار پشتیبان
مهدی نکوئی سید عباس طاهری مجید محمدحسینیمدل سازی و مطالعه ارتباط کمی ساختار-خاصیت(QSPR) جهت پیش بینی ثابت های اسیدی برخی از ترکیبات شیمیایی با استفاده از روش رگرسیون خطی چند گانه(MLR) و ماشین بردار پشتیبان (SVM) انجام شد. در ابتدا ساختار ترکیبات شیمیایی، ترسیم و گروه مناسبی از توصیف کنندهها محاسبه گردید. سپس أکثرمدل سازی و مطالعه ارتباط کمی ساختار-خاصیت(QSPR) جهت پیش بینی ثابت های اسیدی برخی از ترکیبات شیمیایی با استفاده از روش رگرسیون خطی چند گانه(MLR) و ماشین بردار پشتیبان (SVM) انجام شد. در ابتدا ساختار ترکیبات شیمیایی، ترسیم و گروه مناسبی از توصیف کنندهها محاسبه گردید. سپس با استفاده از روش انتخاب مرحلهای برای بدست آوردن بهترین توصیف کنندهها که بیشترین ارتباط را با خاصیت شیمیایی ترکیبات مورد نظر داشتند استفاده گردید. سپس از مدل خطی رگرسیون خطی چندگانه(MLR) و مدل غیرخطی ماشین بردارشتیبان (SVM) جهت پیش بینی ثابت های اسیدی ترکیبات استفاده گردید. داده های آماری، حاکی از برتری روش SVM نسبت به روش MLR بود. تفاصيل المقالة -
حرية الوصول المقاله
5 - استفاده از ژنتیک الگوریتم و رگرسیون خطی چندگانه برای پیشگویی فعالیت پذیرنده های 4 دوپامین، مشتقات آلوکسی فنیل مورفولینها
سمیرا معصومی الادزگه هانیه غفاری ججین اسلام پوربشیردر 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 انت أکثردر 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. تفاصيل المقالة -
حرية الوصول المقاله
6 - مطالعه ارتباط کمی ساختار- بازداری (QSRR) مقادیر اندیس کواتس ترکیبات تشکیل دهنده گیاه Boiss Nepeta macrosiphon
اعظم وفائیمطالعات ارتباط کمی ساختار- بازداری (QSRR) بر روی شاخص بازداری (اندیس کواتس) ترکیبات تشکیل دهنده گیاه Boiss Nepeta macrosiphon انجام گرفت. از روش برازش مرحله ای برای انتخاب توصیف کننده های مناسب استفاده شد. توصیف کننده های انتخاب شده از این روش برای مدل سازی و پیش بینی أکثرمطالعات ارتباط کمی ساختار- بازداری (QSRR) بر روی شاخص بازداری (اندیس کواتس) ترکیبات تشکیل دهنده گیاه Boiss Nepeta macrosiphon انجام گرفت. از روش برازش مرحله ای برای انتخاب توصیف کننده های مناسب استفاده شد. توصیف کننده های انتخاب شده از این روش برای مدل سازی و پیش بینی شاخص بازداری این ترکیبات توسط روش رگرسیون خطی چندگانه(MLR) استفاده شد. به منظور بررسی اعتبار مدل از روش های مختلفی مانند به کارگیری سری تست، رد مرحله ای تک تک داده ها و -y تصادفی استفاده گردید. نتایج به دست آمده بیانگر توانایی خوب روش SR-MLR برای پیش بینی شاخص بازداری می باشد. ضرایب تعیین سری آموزش و تست به ترتیب 0.982 و 0.991 بود. تفاصيل المقالة -
حرية الوصول المقاله
7 - مراحل، محاسبات و نتایج حاصل از مطالعات پیشبینیهای نظری ارتباط کمی ساختار بازداری (QSRR) اسانس گیاه میخک زینتی
مجید محمدحسینی مهدی نکوئیدر 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 أکثردر 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. تفاصيل المقالة -
حرية الوصول المقاله
8 - پیشگویی شاخص سمیت LD50 در مشتقات آنیلین)حاوی ترکیبات علفکش( با روشهای محاسباتی
عصمت محمدی نسب مرتضی رضاییدر دهه های گذشته، استفاده از روش های محاسباتی با پارامترهای اعتبار سنجی دقیق برای تعیین خواص فیزیکی- شیمیایی ترکیبات، به عنوان جایگزین اقتصادی و زیست محیطی باصرفه جویی در زمان و حذف هزینه های بالا مورد توجه بسیاری از پژوهشگران قرارگرفته است. در این مطالعه، به بررس أکثردر دهه های گذشته، استفاده از روش های محاسباتی با پارامترهای اعتبار سنجی دقیق برای تعیین خواص فیزیکی- شیمیایی ترکیبات، به عنوان جایگزین اقتصادی و زیست محیطی باصرفه جویی در زمان و حذف هزینه های بالا مورد توجه بسیاری از پژوهشگران قرارگرفته است. در این مطالعه، به بررسی ارتباط مقادیر لگاریتمی سمیت LD50 (log (LD50)(molkg-1))با توصیف گرهای مولکولی برای 60 نوع از مشتقات آنیلین (شامل ترکیبات علف کش) پرداخته شده است. بعد از ترسیم ساختار این ترکیبات با استفاده از نرم افزار 05 Gauss View و بهینه سازی آنها با کمک نرم افزار 09 Gaussian با روش **G++311-6/B3LYP توصیف گرهای مولکولی استخراج شدند. به کمک ژنتیک الگوریتم، توصیف گرهای نامناسب حذف شده و بهترین آن ها برای مدل های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی مورداستفاده قرار گرفتند. نتایج حاصل از این مدل نشان داد که روش شبکه عصبی مصنوعی با کمترین خطا و بالاترین ضریب تعیین نسبت به روش رگرسیون خطی چندگانه برای پیش بینی لگاریتم سمیت (molkg-1)LD50 مشتقات آنیلین از برتری بالایی برخوردار است. تفاصيل المقالة -
حرية الوصول المقاله
9 - مطالعه ارتباط کمی ساختار- فعالیت برای پیشبینی شاخص LD50 در آفتکشهای ارگانوفسفات
عصمت محمدی نسب مینا کیانپورسموم ارگانوفسفات از جمله سموم شیمیایی خطرناک برای سلامت انسان محسوب می شوند. بسیاری از محققین، با وجود رعایت اصول ایمنی و جلوگیری از مواجهه با خطرات ناشی از استفاده از ترکیبات شیمیایی، به منظور بررسی میزان سمیت ترکیبات ارگانوفسفات در تماس با این سموم قرار دارند و احتم أکثرسموم ارگانوفسفات از جمله سموم شیمیایی خطرناک برای سلامت انسان محسوب می شوند. بسیاری از محققین، با وجود رعایت اصول ایمنی و جلوگیری از مواجهه با خطرات ناشی از استفاده از ترکیبات شیمیایی، به منظور بررسی میزان سمیت ترکیبات ارگانوفسفات در تماس با این سموم قرار دارند و احتمال جذب این سموم از طریق پوست وجود دارد. مطالعه ارتباط ساختار - فعالیت با کمک رو ش ها و مدل های تئوری پیش بینی کننده، با صرف حداقل وقت و هزینه، امکان دست یابی به داده ها، اطلاعات و خواص فیزیکی- شیمیایی ترکیبات مورد نظر را فراهم می نماید. در این مطالعه، روش های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی با مدل پرسپترون چند لایه با هدف بررسی ارتباط کمی شاخص سمیت LD50با برخی توصیف گرهای مولکولی، در برخی ترکیبات ارگانوفسفات به کار گرفته شد. بررسی مقادیر ضرایب همبستگی و میزان جذر خطای مجذور میانگین مدل های پیشنهادی در این مطالعه نشان داد که روش شبکه عصبی مصنوعی در پیش بینی شاخص سمیت LD50 در ترکیبات ارگانوفسفات نسبت به روش رگرسیون خطی چندگانه، از برتری بسیار بالایی برخوردار می باشد. تفاصيل المقالة -
حرية الوصول المقاله
10 - پیش بینی LD50 در مشتقات کربوکسیلیک اسید با مدل های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی
عصمت محمدی نسب فهیمه محماییدر این تحقیق، از طریق مطالعه رابطه ساختار-فعالیت به پیش بینی مقادیر سمیت مشتقات کربوکسیلیک اسید پرداخته شده است. ابتدا مقادیر LD50 برای مجموعه ای از ترکیبات مورد مطالعه با استفاده از منابع علمی معتبر استخراج گردید و ساختار آنها به کمک نرمافزار گوس ویو 05 رسم شده و با ن أکثردر این تحقیق، از طریق مطالعه رابطه ساختار-فعالیت به پیش بینی مقادیر سمیت مشتقات کربوکسیلیک اسید پرداخته شده است. ابتدا مقادیر LD50 برای مجموعه ای از ترکیبات مورد مطالعه با استفاده از منابع علمی معتبر استخراج گردید و ساختار آنها به کمک نرمافزار گوس ویو 05 رسم شده و با نرمافزار گوسین09 به روش هارتری فاک و سری پایه G21-3 بهینه شدند. سپس با استفاده از نرم افزار دراگون توصیفگرهای مولکولی استخراج گردیدند. به کمک ژنتیک الگوریتم و روش برگشتی توصیفگرهای نامناسب حذف شده و بهترین آنها برای مدلهای رگرسیون خطی چندگانه و شبکه عصبی مصنوعی مورد استفاده قرار گرفت. دقت پیش بینی مدل نهایی توسط ضرایب آماری مورد بحث قرار گرفت. اعتبارسنجی تقاطعی و نیز اعتبارسنجی خارجی مدل های پیش بینی همبستگی بسیار بالا را بین مقادیر تجربی و مقادیر پیش بینی گروه های آموزش آزمون و اعتبارسنجی در روش شبکه عصبی مصنوعی نشان داد. مشخص گردید که روش شبکه عصبی مصنوعی با خطای کمتر و ضریب تعیین بالاتر نسبت به روش رگرسیون خطی چندگانه از برتری قابل توجه ای برخوردار می باشد. مدل پیشنهادی می تواند برای پیش بینی log(LD50) ترکیبات جدید کربوکسیلیک اسید مفید واقع گردد. تفاصيل المقالة -
حرية الوصول المقاله
11 - پیش بینی Log P (ضریب توزیع آب اکتانل) آفت کش ها به کمک روش رگرسیون خطی چندگانه
عصمت محمدی نسبآفت کش ها از مهم ترین آلاینده های محیط می باشند و انتقال آن ها از محیط زیست به داخل بدن موجود زنده و رسیدن به سطحی بالاتر ازحد طبیعی آن یکی از مهم ترین نگرانی های محیط زیستی می باشد. آفت کش ها به علت کاربردهای مختلف در زمینه بیوشـیمی و محیط زیست و کـشاورزی أکثرآفت کش ها از مهم ترین آلاینده های محیط می باشند و انتقال آن ها از محیط زیست به داخل بدن موجود زنده و رسیدن به سطحی بالاتر ازحد طبیعی آن یکی از مهم ترین نگرانی های محیط زیستی می باشد. آفت کش ها به علت کاربردهای مختلف در زمینه بیوشـیمی و محیط زیست و کـشاورزی مورد توجه بسیاری قرار گرفته اند. برای شناخت آفت کش ها باید خصوصیات فیزیکی و شیمیایی آن ها به خصوص میزان سمیت آن ها را مورد توجه قرار داد. این مطالعه با هدف بررسی ارتباط Log P (ضریب توزیع آب – اکتانل) برخی از آفت کش ها با برخی توصیفگرهای توپولوژیکی به کمک نظریه گراف و روش رگرسیون خطی چندگانه انجام گرفته است. مطالعه کمی ساختار-خاصیت جهت بررسی این ارتباط به کار گرفته شد و نتایج نشان داد که از میان توصیف گرهای مورد مطالعه برای پیشگویی Log P آفت کش های مورد نظر ترکیبی از چهار توصیفگر توپولوژیکی: پلت (P)، هاراری (H)، راندیک (X) و سگد (Sz) مناسب است. بهترین مدل در این پژوهش نشان داد که توصیفگرهای ساختاری به کار رفته نقش مهمی را در تعیین ضریب توزیع آب – اکتانل آفت کش ها ایفا می نمایند. این تحقیق برای اولین بار رابطه میان ضریب پخش فاز آبی- آلی را با برخی شاخص های ساختاری به کمک نرم افزار SPSS و روش رگرسیون خطی چندگانه در آفت کش ها ارایه نموده است. تفاصيل المقالة -
حرية الوصول المقاله
12 - مطالعه رابطه ساختار – خاصیت برای پیش بینی logP مشتقات پیرتروئید با استفاده از مدل رگرسیون خطی چندگانه
مصطفی صادقی عصمت محمدی نسب طاهره مومنی اصفهانیدر این مطالعه، قدرت پیش بینی ضریب تقسیم آب-اکتانل (logP) برای34 نوع از مشتقات پیرتروئیدی با استفاده از رابطه کمی ساختار–خاصیت مورد مطالعه قرار گرفت. مقدار logP پیرتروئیدهای مورد مطالعه با کمک الگوریتم ژنتیک بر اساس روش رگرسیون خطی چندگانه(GA-MLR) مدلسازی شد و معل أکثردر این مطالعه، قدرت پیش بینی ضریب تقسیم آب-اکتانل (logP) برای34 نوع از مشتقات پیرتروئیدی با استفاده از رابطه کمی ساختار–خاصیت مورد مطالعه قرار گرفت. مقدار logP پیرتروئیدهای مورد مطالعه با کمک الگوریتم ژنتیک بر اساس روش رگرسیون خطی چندگانه(GA-MLR) مدلسازی شد و معلوم گردید که سه توصیفگر موثر GATS4P ، PW3و ZM1V همبستگی معقولی با logP دارند و منجر به ایجاد مدلی با ضریب رگرسیون بالا و خطای کم شدند. ارزیابی توانایی پیشبینی logP با مدل (GA-MLR) توسط پارامترهای آماری: R2 = 0.862، R2adj = 0.848، F=62.296و MSE = 0.503 برای مجموعه آزمایشی انجام شد. همچنین مقدار Q2LOO= 0.861 در روش اعتبارسنجی تقاطعی و نیز مقادیر R2 برابر با 0.880 و 0.929 به ترتیب برای سری های آموزش و آزمایش در روش اعتبارسنجی خارجی, همبستگی بسیار خوبی را بین مقادیر تجربی و مقادیر پیش بینی نشان داد. مشخص گردید که مدل MLR در پیشبینی logP حشرهکشهای پیرتروئیدی قابل اعتماد بوده و با در نظر داشتن خطای بسیار کم از دقت کافی برخوردار است. تفاصيل المقالة -
حرية الوصول المقاله
13 - Application of Mathematical Models to Estimate Metabolizable Energy Contents of Energetic Concentrate Feedstuffs for Poultry
M. Sedghi K. Tayebipoor B. Poursina M. Eman Toosi P. Soleimani RoudiA study using 51 wheat, 56 barley and 34 oat grain samples was conducted to investigate the feasibility of predicting the apparent metabolizable energy (AME) value of these cereals for poultry. Stepwise regression analyses were performed to evaluate the relationship of أکثرA study using 51 wheat, 56 barley and 34 oat grain samples was conducted to investigate the feasibility of predicting the apparent metabolizable energy (AME) value of these cereals for poultry. Stepwise regression analyses were performed to evaluate the relationship of AME with starch, ether extract (EE), crude fiber (CF), soluble sugar (SS), ash and crude protein (CP) (for wheat and barley grain samples) or dry matter (DM), CF, ash and CP (for oat grain samples) as independent variables. According to the stepwise regression analyses, SS, CF and ash for wheat, CF, EE and starch for barley and CF and CP for oat were found to be useful predictors for AME prediction. Also, multiple linear regression (MLR) and artificial neural network (ANN) methods were developed to find the best models which can estimate the AME content of these cereals. Mean square deviation, Mean square variation and their components were used to evaluate the performance of MLR and ANN models. The results showed that AME of wheat can be predicted by SS, CF and ash. The CF, EE and starch are good independent variables to estimate AME content of barley samples. Also, CF and CP are good predictor parameters for AME prediction in oat samples. In case of model performance, the accuracy of the ANN model was stronger than MLR. Based on these results, it was concluded that the use of chemical composition in combination with the ANN model is a promising method to predict AME of wheat, barley and oat grain samples in poultry nutrition. تفاصيل المقالة -
حرية الوصول المقاله
14 - Developing a Radial Basis Function Neural Networks to Predict the Working Days for Tillage Operation in Crop Production
ارمغان کوثری مقدم عباس روحانی Lobat Kosari-Moghaddam مهدی اسماعیل پور تروجنیThe aim of this study was to determine the probability of working days (PWD) for tillage operation using weather data with Multiple Linear Regression (MLR) and Radial Basis Function (RBF) artificial networks. In both models, seven variables were considered as input para أکثرThe aim of this study was to determine the probability of working days (PWD) for tillage operation using weather data with Multiple Linear Regression (MLR) and Radial Basis Function (RBF) artificial networks. In both models, seven variables were considered as input parameters, namely minimum, average and maximum temperature, relative humidity, rainfall, wind speed, and evaporation on a daily basis. The PWD was considered to be the output of the developed models. Performance criteria were RMSE, MAPE, and R2. Results showed that the R2-valuewas 0.78 and 0.99 for MLR and RBF models, respectively. Both models had acceptable performance, but the RBF model was more accurate than the MLR model. The RMSE and MAPE values for the RBF model were lower than those for the MLR model. Thus, the RBF model was selected as the suitable model for predicting PWD. Moreover, the results of these models were compared to the prior soil moisture model. It was indicated that the results of the studied models had a good agreement with the results of the soil moisture model. However, the RBF model had the highest R2 (99%). In conclusion, the developed RBF model could be used to predict the probability of working days in terms of agricultural management policies. تفاصيل المقالة -
حرية الوصول المقاله
15 - روشهای خطی و غیرخطی ارتباط کمیساختار- فعالیت جهت پیشبینی فعالیت دارویی برخی از مشتقات آمینواسیدها
مهدی نکویی مجید محمدحسینی مهدی رحیمی عبدالرضا علویقرهباغاین پژوهش به پیشبینی فعالیت دارویی 38 مشتق آمینواسید به عنوان بازدارندههای هیستون دی استیلاز (HDAC) جهت درمان سرطان و برخی از بیماریها اختصاص دارد. آنزیمهای HDAC موجب تسریع روند حذف گروههای استیل از باقیماندههای لیزین از پروتیینهای شامل هیستون (Histone) میشوند. أکثراین پژوهش به پیشبینی فعالیت دارویی 38 مشتق آمینواسید به عنوان بازدارندههای هیستون دی استیلاز (HDAC) جهت درمان سرطان و برخی از بیماریها اختصاص دارد. آنزیمهای HDAC موجب تسریع روند حذف گروههای استیل از باقیماندههای لیزین از پروتیینهای شامل هیستون (Histone) میشوند. پس از محاسبهی توصیفکنندههای مولکولی مستقل، با استفاده از روش مرحلهای انتخاب متغیر و گزینش 4 توصیفکننده، جهت مدلسازی از رگرسیون خطی چندگانه (MLR) و شبکهی عصبی مصنوعی (ANN) استفاده شد. سریهای آموزش و آزمون جهت ساخت مدل و ارزیابی قدرت پیشبینی روشهای MLR و ANN به ترتیب شامل 30 و 8 ترکیب بودند. افزونبر آن، از روشهای متفاوت جهت ارزیابی مدلها استفاده شد. نتیجهها حاکی از آن است که روش غیرخطی شبکهی عصبی مصنوعی در مجموع دارای توانمندی پیشبینی مناسبتر در مقایسه با روش MLR است. شاخصهای آماری مرتبط با مدل مبتنی بر شبکهی عصبی مصنوعی دلالت بر این حقیقت دارد که مدل ارایه شده میتواند جهت پیشبینی فعالیت دارویی ترکیبهای مشابه مورد استفاده قرار گیرد. تفاصيل المقالة -
حرية الوصول المقاله
16 - مقایسه رگرسیون خطی چندگانه و الگوریتمهای یادگیری ماشین در پیشبینی نگهداشت وجه نقد
سمیرا سیف مصطفی یوسفی طزرجاندر سالهای اخیر، در ادبیات مالی، توجه روز افزونی به سطح نگهداشت وجه نقد شرکتها شده است. لذا؛ پیشبینی برای تعیین سطح بهینه نگهداشت وجه نقد اهمیت دارد. در این پژوهش با استفاده از روشهای خطی و غیرخطی و 13 متغیر ورودی تاثیرگذار میزان وجه نقد در 103 شرکت پذیرفته شده در بو أکثردر سالهای اخیر، در ادبیات مالی، توجه روز افزونی به سطح نگهداشت وجه نقد شرکتها شده است. لذا؛ پیشبینی برای تعیین سطح بهینه نگهداشت وجه نقد اهمیت دارد. در این پژوهش با استفاده از روشهای خطی و غیرخطی و 13 متغیر ورودی تاثیرگذار میزان وجه نقد در 103 شرکت پذیرفته شده در بورس اوراق بهادار ایران طی سالهای 1392 تا 1400 پیشبینی شده است. روشهای بهکار رفته شامل رگرسیون خطی چندگانه (MLR) ، نزدیکترین k همسایه (KNN) ، ماشین بردار پشتیبان (SVM) و شبکههای عصبی چند لایه (MLNN) برای پیشبینی استفاده شده است. نتایج نشان میدهد که روش سنتی رگرسیون خطی چندگانه در پیشبینی وجه نقد موفق عمل نکردهاند ولی الگوریتمهای یادگیری ماشین با دقت 99/0 برتر بودهاند. متغیرهای سود هر سهم، نسبت داراییهای جاری به بدهیهای جاری و نسبت بدهی کوتاهمدت به کل داراییها تاثیرگذاری بیشتری در همه الگوریتمها داشتهاند. بنابراین، مدیران میتوانند از الگوریتمهای پیشرفته یادگیری ماشین جهت پیشبینی میزان وجه نقد آینده شرکتها بهره بگیرند. تفاصيل المقالة