روشDFT-B3LYP با سری پایه6-31G(d) جهت محاسبه چندین توصیف کننده مکانیک کوانتومی در 60 ترکیب نیتروآروماتیک حلقوی بکار گرفته شد. مناسبترین توصیف کننده ها جهت مطالعه ارتباط کمی ساختار- خاصیت در پیش بینی نقاط ذوب ترکیبات نیتروآروماتیک حلقوی با استفاده از توصیفکننده های مکان More
روشDFT-B3LYP با سری پایه6-31G(d) جهت محاسبه چندین توصیف کننده مکانیک کوانتومی در 60 ترکیب نیتروآروماتیک حلقوی بکار گرفته شد. مناسبترین توصیف کننده ها جهت مطالعه ارتباط کمی ساختار- خاصیت در پیش بینی نقاط ذوب ترکیبات نیتروآروماتیک حلقوی با استفاده از توصیفکننده های مکانیککوانتومی و شیمیایی و ماشین بردار پشتیبان(SVM) انجام شد. در ابتدا ساختار ترکیبات رسم و گروه مناسبی از توصیفکنندههای شیمیایی و مکانیککوانتومی محاسبه شدند. سپس از روش انتخاب مرحلهای برای بدست آوردن بهترین توصیف کنندهها که بیشترین ارتباط را با نقاط ذوب ترکیبات مورد نظر داشتند استفاده گردید. در ابتدا مدل خطی رگرسیون خطی چندگانه(MLR) ساخته شد. سپس برای به دست آوردن مدل بهتر، از SVM استفاده گردید. داده های آماری، برتری روش SVM را نسبت به روش خطی MLR نشان می دهد.
Manuscript profile
مطالعه 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 More
مطالعه 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.
Manuscript profile
مطالعه ارتباط کمی ساختار-خاصیت جهت پیش بینی قطبیت برخی از حلال ها با استفاده از توصیف کننده های مکانیک کوانتومی و تکنیک ماشین بردار پشتیبان(SVM) انجام شد. مقادیر تجربی قطبیت برای 69 حلال گردآوری شد. این حلال ها شامل هیدروکربن های اشباع و غیراشباع، حلال های شامل هالوژن، More
مطالعه ارتباط کمی ساختار-خاصیت جهت پیش بینی قطبیت برخی از حلال ها با استفاده از توصیف کننده های مکانیک کوانتومی و تکنیک ماشین بردار پشتیبان(SVM) انجام شد. مقادیر تجربی قطبیت برای 69 حلال گردآوری شد. این حلال ها شامل هیدروکربن های اشباع و غیراشباع، حلال های شامل هالوژن، سیانید، نیترو، آمید، سولفید، مرکاپتو، فسفات، استر، اتر و غیره بود. در ابتدا ساختار حلال ها، رسم و گروه مناسبی از توصیف کنندهها محاسبه شدند. سپس از روش انتخاب مرحلهای برای بدست آوردن بهترین توصیف کنندهها که بیشترین ارتباط را با قطبیت حلال مورد نظر داشتند استفاده گردید. در ابتدا مدل خطی رگرسیون خطی چندگانه(MLR) ساخته شد. سپس برای به دست آوردن نتایج بهتر، از SVM استفاده گردید. داده های آماری، برتری روش SVM را نسبت به روش MLR نشان می دهد.
Manuscript profile
ددر این مطالعه کنفورماسیونهای مختلف دیپپتید For-Ser-Ala-NH2 با استفاده از روشDFT درسطح محاسباتی B3LYP/6-31G(d) مورد بررسی و تحلیل قرار گرفته است. بدین منظور 54 کنفورماسیون حاصل از تغییر زوایای دووجهی زنجیر جانبی سرین و زنجیر اصلی دیپپتید Ser-Ala ( و ) را بهینه نموده More
ددر این مطالعه کنفورماسیونهای مختلف دیپپتید For-Ser-Ala-NH2 با استفاده از روشDFT درسطح محاسباتی B3LYP/6-31G(d) مورد بررسی و تحلیل قرار گرفته است. بدین منظور 54 کنفورماسیون حاصل از تغییر زوایای دووجهی زنجیر جانبی سرین و زنجیر اصلی دیپپتید Ser-Ala ( و ) را بهینه نموده و با استفاده از محاسبات فرکانس در سطح مشابه ساختارهای پایدار و مقادیر ترمودینامیکی مربوطه بدست آمده-اند. از بین 54 کنفورماسیونهای مورد بررسی در این پژوهش، 35 کنفورماسیون یافت شدند و 19 کنفورماسیون یافت نشدند. کنفورمرهایی که یافت نشدند به ساختار هندسی دیگری با سطح انرژی پایینتر و پایدارتر مهاجرت نمودهاند. از بین 35 کنفورماسیون یافت شده پایدارترین و ناپایدارترین کنفورماسیون بوده که اختلاف انرژی نسبی بین این دو 64/14 کیلوکالری بر مول است. همچنین از میان 19 کنفورماسیون یافت نشده با ساختارهای کلی و ، مهاجرت به کنفورمر برای باقیماندههای سرین و آلانین، بیشترین مهاجرت بوده است، به عبارتی کنفورمر باعث پایداری بیشتر ساختار دیپپتید میشود. کلمات کلیدی: دیپپتید، For-Ser-Ala-NH2 ، نقشه راماچاندران، زنجیر جانبی ، DFT .
Manuscript profile
شیمی درمانی، یکی از مؤثرترین درمان ها برای سرطانها به شمار می رود اما بسیاری از سرطانها در طی درمان با داروهای شیمی درمانی نسبت به اثرات درمانی داروی مصرفی، مقاوم میشوند که به آن مقاومت به داروهای چندگانه یا Multi Drug Resistance می گویند. در حال حاضر از برخی داروهای ج More
شیمی درمانی، یکی از مؤثرترین درمان ها برای سرطانها به شمار می رود اما بسیاری از سرطانها در طی درمان با داروهای شیمی درمانی نسبت به اثرات درمانی داروی مصرفی، مقاوم میشوند که به آن مقاومت به داروهای چندگانه یا Multi Drug Resistance می گویند. در حال حاضر از برخی داروهای جدید از جمله مشتقات کربوکسیلات جهت کاهش مقاومت دارویی استفاده شده است. در تحقیق حاضر، مطالعه ارتباط کمی ساختار-فعالیت(QSAR) جهت پیش بینی فعالیت دارویی برخی از مشتقات کربوکسیلات با استفاده از روش رگرسیون خطی چند متغیره(MLR) و شبکه های عصبی مصنوعی(ANN) انجام شد. در ابتدا ساختار ترکیبات دارویی، رسم و گروه مناسبی از توصیف کنندهها محاسبه شدند. سپس از روش انتخاب مرحلهای برای بدست آوردن بهترین توصیف کنندهها که بیشترین ارتباط را با فعالیت دارویی ترکیبات مورد نظر داشتند استفاده گردید. در ابتدا مدل خطی رگرسیون خطی چندگانه(MLR) ساخته شد. سپس برای به دست آوردن نتایج بهتر از ANN استفاده گردید. داده های آماری، برتری روش ANN را نسبت به روش MLR نشان می دهد.
Manuscript profile
مدل 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 More
مدل 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.
Manuscript profile
مطالعه ارتباط کمی ساختار-فعالیت (QSAR) جهت پیش بینی فعالیت دارویی برخی از مشتقات کموکین ها با استفاده از رگرسیون خطی چندگانه و شبکه های عصبی مصنوعی (ANN) انجام شد. در ابتدا ساختار ترکیبات دارویی به کمک نرم افزار هایپرکم رسم و بهینه گردیدند. سپس دسته وسیعی از توصیف کننده More
مطالعه ارتباط کمی ساختار-فعالیت (QSAR) جهت پیش بینی فعالیت دارویی برخی از مشتقات کموکین ها با استفاده از رگرسیون خطی چندگانه و شبکه های عصبی مصنوعی (ANN) انجام شد. در ابتدا ساختار ترکیبات دارویی به کمک نرم افزار هایپرکم رسم و بهینه گردیدند. سپس دسته وسیعی از توصیف کنندههای مولکولی توسط نرم افزار دراگون محاسبه شدند. بعد از کاهش تعدادی از توصیف کننده ها که همبستگی بالای9/0 داشتند و توصیف کننده هایی که بیش از 90% آنها مشابه بود از رگرسیون مرحله ایی برای بدست آوردن بهترین توصیف کنندهها که بیشترین ارتباط را با فعالیت دارویی ترکیبات مورد نظر داشتند استفاده گردید. با این کار تعداد 7 توصیف کننده شامل MATS2p، PCWTe، RDF045m، RDF065m، RDF115m، C-003 و C-040 انتخاب شدند سپس از روشهای رگرسیون خطی چندگانه (MLR) و شبکه های عصبی مصنوعی (ANN) برای مدلسازی و پیش بینی فعالیت ترکیبات سری تست استفاده گردید. نتایج بدست آمده نشان می دهد که هر دو روش نتایج قابل قبولی ارایه می دهند که می توان از آنها برای پیش بینی ترکیبات دارویی جدید استفاده کرد.
Manuscript profile
مطالعه ارتباط کمی ساختار-فعالیت(QSAR) جهت پیش بینی فعالیت ضدمیکروبی برخی مشتقات آنیلیدها با استفاده از روشهای رگرسیون خطی چند متغیره(MLR) و شبکه های عصبی مصنوعی(ANN) انجام شد. در ابتدا ساختار ترکیبات، رسم و گروه مناسبی از توصیف کنندهها محاسبه شدند. سپس از روش انتخاب مر More
مطالعه ارتباط کمی ساختار-فعالیت(QSAR) جهت پیش بینی فعالیت ضدمیکروبی برخی مشتقات آنیلیدها با استفاده از روشهای رگرسیون خطی چند متغیره(MLR) و شبکه های عصبی مصنوعی(ANN) انجام شد. در ابتدا ساختار ترکیبات، رسم و گروه مناسبی از توصیف کنندهها محاسبه شدند. سپس از روش انتخاب مرحلهای برای بدست آوردن بهترین توصیف کنندهها که بیشترین ارتباط را با فعالیت ضدمیکروبی ترکیبات مورد نظر داشتند استفاده گردید. با این روش 5 توصیف کننده انتخاب و در ابتدا مدل خطی MLR ساخته شد. سپس برای به دست آوردن نتایج بهتر از شبکه عصبی مصنوعی استفاده گردید. مقادیر ضریب تعیین (R2) و ریشه میانگین مربعات خطا (RMSE) برای سری تست به ترتیب برابر 077/0 و 073/0 برای مدل خطی MLR و 613/0 و 021/0 برای مدل غیرخطی ANN بدست آمد. داده های آماری، برتری روش ANN را نسبت به روش MLR نشان می دهد.
Manuscript profile
مطالعه ارتباط کمی ساختار-خاصیت(QSPR) جهت پیش بینی زمان نیمه عمر برخی مشتقات بی فنیل های پلی کلرینهبا استفاده از روشهای رگرسیون خطی چند متغیره(MLR) و شبکه های عصبی مصنوعی(ANN) انجام شد. در ابتدا ساختار ترکیبات، رسم و گروه مناسبی از توصیف کننده ها محاسبه شدند. سپس از روش More
مطالعه ارتباط کمی ساختار-خاصیت(QSPR) جهت پیش بینی زمان نیمه عمر برخی مشتقات بی فنیل های پلی کلرینهبا استفاده از روشهای رگرسیون خطی چند متغیره(MLR) و شبکه های عصبی مصنوعی(ANN) انجام شد. در ابتدا ساختار ترکیبات، رسم و گروه مناسبی از توصیف کننده ها محاسبه شدند. سپس از روش انتخاب مرحله ای برای بدست آوردن بهترین توصیف کننده ها که بیشترین ارتباط را با نیمه عمر ترکیبات مورد نظر داشتند استفاده گردید. با این روش 6 توصیف کننده شاملLop, GATS5m, GATS8m, LDip, RDF020u, R2v+ که از انواع توصیف کننده های توپولوژیکی، بار، نمایش سه بعدی مولکول بر اساس پراش الکترونی و تابع توزیع شعاعی هستند انتخاب گردید. در ابتدا مدل خطی MLR ساخته شد. سپس برای به دست آوردن نتایج بهتر از شبکه عصبی مصنوعی استفاده گردید. مقادیر ضریب تعیین (R2) و ریشه میانگین مربعات خطا (RMSE) برای سری تست به ترتیب برابر 716/0 و 050/0 برای مدل خطی MLR و 896/0 و 030/0 برای مدل غیرخطی ANN بدست آمد. داده های آماری، برتری روش ANN را نسبت به روش MLR نشان می دهد.
Manuscript profile
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 More
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.
Manuscript profile
Eco-phytochemical Journal of Medicinal Plants
,
Issue2,Year,
Autumn
2016
در چند سال اخیر روند استفاده از روش میکرواستخراج فاز جامد فضای فوقانی بهطور قابل توجهی در منابع علمی افزایش یافته است.این امر قویاً به واسطه مزایای اصلی آن نظیر کاهش زمان استخراج، مقدار بسیار کم نمونه و عدم نیاز به حلال در مقایسه با روشهای استخراج قبلی میباشد. در این More
در چند سال اخیر روند استفاده از روش میکرواستخراج فاز جامد فضای فوقانی بهطور قابل توجهی در منابع علمی افزایش یافته است.این امر قویاً به واسطه مزایای اصلی آن نظیر کاهش زمان استخراج، مقدار بسیار کم نمونه و عدم نیاز به حلال در مقایسه با روشهای استخراج قبلی میباشد. در این تحقیق بهمنظور بررسی اثر روشهای مختلف استخراج بر کمیت و کیفیت مواد موثره اسانس گیاه دارویی مینای نیشابوری Sclerorhachis platyrachis Boiss. ، سرشاخههای هوایی و گلدار گیاه در تیرماه 1394 از ارتفاع 1530 متری روستای افچنگ سبزوار جمعآوری گردید. اسانس نمونه با استفاده از روشهای میکرواستخراج فاز جامد فضای فوقانی و تقطیر با آب و سپس کمیت و کیفیت مواد موثره اسانس توسط دستگاه کروماتوگرافی گازی-طیف سنج جرمی (GC/MS) مورد بررسی قرار گرفت. مقایسه نتایج نشان داد که در روش تقطیر با آب اسانس دارای 22 ترکیب بود که بهترتیب مواد موثره بتا-پینن (5/20 درصد)، کامفور (05/18 درصد)، آلفا -پینن (16/15 درصد) و بورنیل استات (17/12 درصد) از ترکیبات غالب اسانس بودند، در صورتیکه در روش میکرواستخراج فاز جامد اسانس دارای 29 ترکیب که بهترتیب ترکیبات: بتا- پینن (33/25 درصد)، آلفا- پینن (4/13 درصد)، لیمونن (7/9 درصد) و کامفور (20/8 درصد) از مهمترین ترکیبات موثره اسانس بودند.یافتههای این بررسی نشان میدهد که مونوترپنها و سزکوِییترپنهای هیدروکربنی بیشتر توسط روش میکرواستخراج و مونوترپنها و سزکوِییترپنهای اکسیژندار توسط روش تقطیر با آب استخراج شده است.
Manuscript profile
Journal of applied research in chemisry
,
Issue5,Year,
Winter
1391
این 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. More
این 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.
Manuscript profile
Journal of Chemical Health Risks
,
Issue2,Year,
Spring
2018
A robust linear quantitative structure-property relationship (QSPR) model has been constructed to model and predict the refractivity indices of 101 organic compounds as common halo-derivatives of normal paraffin by application of the structural descriptors combined with More
A robust linear quantitative structure-property relationship (QSPR) model has been constructed to model and predict the refractivity indices of 101 organic compounds as common halo-derivatives of normal paraffin by application of the structural descriptors combined with multiple linear regressions (MLR) method. In the main part of this study, theoretical molecular descriptors were adopted from the original pool through the stepwise feature selection method. A simple model with low standard errors and promising correlation coefficients was obtained. MLR method could model the relationship between refractivity and structural descriptors, perfectly. The accuracy of the proposed MLR model was illustrated using cross-validation, validation through an external test set, and Y-randomization techniques. The linear techniques such as MLR combined with a successful variable selection procedure are capable of generating an efficient QSPR model for predicting the refractivity indices of different compounds. The constructed model, with high statistical significance (R2train = 0.926; Ftrain = 240.675; R2test = 0.947; Ftest = 52.978; REP (%) = 1.219; Q2LOO = 0.914 and Q2LGO = 0.914), could be adequately used for the prediction and description of the affecting parameters on refractivity behavior of similar or even unknown compounds.
Manuscript profile
Journal of Chemical Health Risks
,
Issue1,Year,
Winter
2016
A robust and reliable quantitative structure-property relationship (QSPR) study was established to forecast the melting points (MPs)Â of a diverse and long set including 250 drug-like compounds. Based on the calculated descriptors by Dragon software package, to detect More
A robust and reliable quantitative structure-property relationship (QSPR) study was established to forecast the melting points (MPs)Â of a diverse and long set including 250 drug-like compounds. Based on the calculated descriptors by Dragon software package, to detect homogeneities and to split the whole dataset into training and test sets, a principal component analysis (PCA) approach was used. Accordingly, there was no outlier in the constructed cluster. Afterwards, the genetic algorithm (GA) feature selection strategy was used to select the most impressive descriptors resulting in the best-fitted models. In addition, multiple linear regression (MLR) and support vector machine (SVM) were used to develop linear and non-linear models correlating the molecular descriptors and the melting points. The validation of the obtained models was confirmed applying cross validation, chance correlation along with statistical features associated with external test set. Our computational study exactly showed a determination coefficient and of 0.853 and a root mean square error (RMSE) of 11.082, which are better than those MLR model (R2=0.712, RMSE 15.042%) accounting for higher capability of SVM-based model in prediction of the theoretical values related to melting points. In fact, using the GA approach resulted in selection of powerful descriptors having useful information concerning effective variables on MPs, which can be utilized in further designing of drug-like compounds with desired melting points.
Manuscript profile
مطالعه ارتباط کمی-ساختار فعالیت(QSAR) جهت پيشبيني فعالیت دارویی(IC50) برخی از مشتقات N-آریل2و2-دی کلرواستامید و آریل2و2-دی کلرواستات با استفاده از روشهای رگرسیون خطی چندگانه (MLR) و شبکه های عصبی مصنوعی (ANN) به عنوان روشهای خطی و غیرخطی جهت درمان سرطان انجام شد. در اب More
مطالعه ارتباط کمی-ساختار فعالیت(QSAR) جهت پيشبيني فعالیت دارویی(IC50) برخی از مشتقات N-آریل2و2-دی کلرواستامید و آریل2و2-دی کلرواستات با استفاده از روشهای رگرسیون خطی چندگانه (MLR) و شبکه های عصبی مصنوعی (ANN) به عنوان روشهای خطی و غیرخطی جهت درمان سرطان انجام شد. در ابتدا ساختار ترکیبات مورد نظر توسط نرم افزار هایپرکم رسم و بهینه گردید. ترکیبات رسم شده جهت محاسبه توصیف¬کنندههای مولکولی به نرم افزار دراگون وارد و تعداد 1481 توصیف کننده برای هر مولکول محاسبه شد. جهت انتخاب مناسب ترین توصیف کنندهها از روش رگرسیون مرحله¬ایی استفاده گردید. پس از انتخاب مناسب ترین توصیف کنندهها، از دو روش MLR وANN به عنوان روش¬های خطی و غیر خطی مطالعه ارتباط کمی-ساختار فعالیت جهت مدلسازی و پيشبيني فعالیت دارویی ترکیبات، استفاده شد. عملکرد هر مدل توسط چندین پارامتر آماری مورد ارزیابی قرار گرفت. نتایج بدست آمده نشان از برتری روش ANN نسبت به MLR دارد.
Manuscript profile
Sanad
Sanad is a platform for managing Azad University publications