روش‌های محاسباتی و مطالعه ارتباط کمی ساختار- خاصیت جهت پیش‌بینی نقاط ذوب ترکیبات نیتروآروماتیک حلقوی با استفاده از توصیف‌کننده‌های شیمیایی و مکانیک‌کوانتومی: ترکیب محاسبات DFT و QSPR
محورهای موضوعی : شیمی کوانتومی و اسپکتروسکوپی
مهدی نکوئی
1
(
دانشگاه آزاد اسلامی واحد شاهرود
)
مهدی مهام
2
(
دانشگاه آزاد اسلامی علی آباد کتول
)
کلید واژه: ارتباط کمی ساختار- خاصیت, توصیف کنند های مکانیک کوانتمی, ماشین بردار پشتیبان, رگرسیون خطی چند گانه, نقطه ذوب,
چکیده مقاله :
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.
The DFT-B3LYP method, with the base set 6-31G (d), was used to calculate several quantum chemical descriptors of 60 compounds of carbocyclic nitroaromatics. A suitable set of quantum mechanics and chemical descriptors was calculated and quantitative structure–property relationship method for prediction of melting point of carbocyclic nitroaromatic compounds by multiple linear regression (MLR) and support vector machine (SVM) were studied. At first, structure of the compounds were plotted and of quantum mechanics descriptors was calculated and the stepwise method was employed to select those descriptors that resulted in the best fitted models. At first, we developed linear model of MLR. Then the selected molecular descriptors were used as inputs for SVM. The obtained results using SVM were compared with MLR which revealed superiority of the SVM model over the MLR method.
_||_
