کاربرد رگرسیون خطی چندگانه و شبکه های عصبی مصنوعی جهت مطالعه ارتباط کمی ساختار-فعالیت دسته ایی از مشتقات کموکین ها
محورهای موضوعی : شیمی کوانتومی و اسپکتروسکوپی
مهدی نکوئی
1
,
محمدرضا کیانسب
2
,
مجید محمدحسینی
3
,
بهنام مهدوی
4
,
تهمینه باهری
5
1 - دانشگاه آزاد اسلامی واحد شاهرود
2 - دانشگاه آزاد اسلامی شاهرود
3 - دانشگاه آزاد شاهرود
4 - دانشگاه حکیم سبزواری
5 - دانشگاه نیروی انتظامی
کلید واژه: رگرسیون خطی چند گانه, ارتباط کمی ساختار- فعالیت, شبکه های عصبی مصنوعی, مشتقات کموکین ها,
چکیده مقاله :
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.
A quantitative structure-activity relationship (QSAR) study was conducted to predict the pharmacological activity of some chemokine derivatives using multiple linear regression and artificial neural networks (ANN). At first, the structure of pharmaceutical compounds was drawn and optimized with the help of Hypercam software. Then, a wide range of molecular descriptors were calculated by Dragon software. After reducing the number of descriptors that had a correlation above 0.9 and the descriptors that were more than 90% similar, stepwise regression was used to obtain the best descriptors that were most related to the pharmacological activity of the target compounds. became 7 descriptors including MATS2p, PCWTe, RDF045m, RDF065m, RDF115m, C-003 and C-040 were selected. Then, multiple linear regression (MLR) and artificial neural networks (ANN) methods were used to model and predict the activity of test series compounds. The obtained results show that both methods provide acceptable results that can be used to predict new pharmaceutical compounds.
_||_
