Essential Oils are highly concentrated substances the subtle, aromatic and volatile liquids. The use of essential oils is largely widespread in foods, deodorants, pharmaceuticals, drinks, cosmetics, medicine and embalming antiseptics especially with aromatherapy becoming increasingly popular. The lipophilicity of an organic compound can be described by a partition coefficient, logP, which plays a significant role in drug discovery and compound design. A data set of 40 compounds in the essential oil of kesum was randomly divided into 3 groups: training, test and validation sets consisting of 70%, 15% and 15% of data point, respectively. A large number of molecular descriptors were calculated with Dragon software. The Genetic Algorithm - Multiple Linear Regressions (GA-MLR) and genetic algorithm -artificial neural network (GA-ANN) were employed to design the Quantitative Structure-Property Relationship (QSPR) models. The predictive powers of the QSPR model was discussed using Coefficient of determination (R2), Absolute Average Deviation (AAD) and the Mean Squared Error (MSE). The R2 and MSE values of the MLR model were calculated to be 0.734 and 0.194 respectively. The R2 and MSE values for the training set of the ANN model were calculated to be 0.9905 and 2×10-4 respectively. Comparison of the results revealed that the application the GA-ANN method gave better results than GA-MLR method Manuscript profile

مطالعه ارتباط کمی ساختار-فعالیت (QSAR) مبتنی بر الگوریتم ژنتیک رگرسیون خطی چندگانه (GA-MLR) برای پیشگویی سمیت (logIC50) و لگاریتم ضریب توزیع اکتانول-آب (logPow) برخی مشتقات کاربامات به عنوان آفت کش انجام شد. ساختار ترکیبات شیمیایی با نرم افزاز گوسین 98 و روش هارتری‌فاک و سری پایه G*31-6 (HF/6-31G*) بهینه شدند. توصیفگرهای مولکولی با نرم‌افزار دراگون محاسبه شد. مجموعه داده‌ها به‌ طور تصادفی به دو دسته آموزش و آزمون تقسیم گردیدند. مناسب‌ترین توصیف‌گرهای با استفاده از روش الگوریتم ژنتیک وبرگشتی تعیین شدند. بهترین مدل GA-MLR با استفاده از پارامترهای آماری مانند مجذور ضریب همبستگی (R2)، ضریب همبستگی تنظیم شده (R2adj)، ریشه مربعات میانگین خطا (RMSE) برای دودسته آموزش و آزمون انتخاب گردید. بهترین مدل QSAR مبتنی بر پارامترهای آماری اعتبارسنجی تقاطعی آزمون خارجی (LOO)، پارمترهای اعتبارسنجی خارجی (Q2F1, Q2F2, Q2F3) و ضریب همبستگی تطابق (CCC) برای کیفیت توانایی پیشگویی مدل GA-MLR بررسی گردید. این نتایج نشان می دهد که مدل‌ های GA-MLR می‌تواند برای پیشگویی فعالیت مشتقات کاربامات مورد استفاده قرار گیرد. Manuscript profile