ما در این مطالعه، محاسبات مکانیک کوانتومی را در سطح تئوری تابع چگالی با مجموعه پایه 6-31G* انجام دادیم تا یک مدل رابطه کمی ساختار-سمیت (QSTR) برای پیش‌بینی دوز کشنده (LD50) مشتقات کاربامات‌ها بسازیم. بهترین توصیفگرهای مولکولی با استفاده از الگوریتم ژنتیک (GA) توسط نرم افزار MATLAB انتخاب شدند. سپس، رابطه بین توصیفگرهای انتخاب شده و logLD50 مشتقات کاربامات را با استفاده از مدل های رگرسیون خطی چندگانه گام به گام (BW-MLR) و شبکه عصبی مصنوعی (BP-ANN) مورد مطالعه قرار دادیم. توصیفگرهای RDF010e، WW و R3e برای مدل‌سازی روش‌های GA-BWMLR و GA-BPANN استفاده شدند. مقایسه نتایج نشان داد که R2 و Q2 مدل GA-BPANN برای همه مجموعه ها به طور قابل توجهی بالاتر از مدل GA-BWMLR می باشند. با توجه به مقادیر میانگین مربعات خطای کمتر (MSE)، ریشه میانگین مربع خطا (RMSE)، خطای استاندارد پیش‌بینی (SEP)، و میانگین مطلق انحراف (ADD) مدل GA-BPANN برای مجموعه داده‌ها از دقت بالاتری برای پیش بینی سمیت کارباماتهای مورد مطالعه برخوردار می باشد. Manuscript profile