پیشگویی شاخص سمیت LD50 در مشتقات آنیلین)حاوی ترکیبات علف‌‌کش( با روش‌های محاسباتی

محورهای موضوعی : حشره شناسی و سایر بندپایان

عصمت محمدی نسب ¹ (داﻧﺸﮕﺎه آزاد اﺳﻼﻣﻲ، واﺣﺪ اراک، ﮔﺮوه شیمی، اراک، ایران)
مرتضی رضایی ² (داﻧﺸﮕﺎه آزاد اﺳﻼﻣﻲ، واﺣﺪ اراک، ﮔﺮوه شیمی، اراک، ایران)

تاریخ دریافت : 1397/08/26 تاریخ پذیرش : 1398/02/22 تاریخ انتشار : 1398/03/01

کلید واژه: Artificial Neural Network, Aniline derivatives, واژه‌‌های کلیدی: &quot, متوسط دوز کشنده&quot, , &quot, روش رگرسیون خطی چندگانه &quot, , &quot, شبکه عصبی مصنوعی &quot, , &quot, مشتقات آنیلین&quot, , Key words: LD50, Multiple Linear Regression Method,

چکیده مقاله :

در دهه‌ های گذشته، استفاده از روش ‌های محاسباتی با پارامترهای اعتبار سنجی دقیق برای تعیین خواص فیزیکی- شیمیایی ترکیبات، به ‌عنوان جایگزین اقتصادی و زیست ‌محیطی باصرفه جویی در زمان و حذف هزینه‌ های بالا مورد توجه بسیاری از پژوهشگران قرارگرفته است. در این مطالعه، به بررسی ارتباط مقادیر لگاریتمی سمیت LD50 (log (LD50)(molkg-1))با توصیف گرهای مولکولی برای 60 نوع از مشتقات آنیلین (شامل ترکیبات علف‌ کش) پرداخته‌ شده است. بعد از ترسیم ساختار این ترکیبات با استفاده از نرم ‌افزار 05 Gauss View و بهینه ‌ سازی آن‌ها با کمک نرم‌ افزار 09 Gaussian با روش **G++311-6/B3LYP توصیف گرهای مولکولی استخراج شدند. به کمک ژنتیک الگوریتم، توصیف گرهای نامناسب حذف‌ شده و بهترین آن‌ ها برای مدل‌ های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی مورداستفاده قرار گرفتند. نتایج حاصل از این مدل نشان داد که روش شبکه عصبی مصنوعی با کمترین خطا و بالاترین ضریب تعیین نسبت به روش رگرسیون خطی چندگانه برای پیش بینی لگاریتم سمیت (molkg-1)LD50 مشتقات آنیلین از برتری بالایی برخوردار است.

چکیده انگلیسی:

In recent decades, computational methods with regard to accurate validation parameters for the determination of the physical- chemistry properties of compounds have been considered by many researchers and have been used as an economic and environmental alternative to saving time and eliminating high costs.  In this study, the relationship between the logarithmic values of LD50,) log (LD50)(molkg-1) and molecular descriptors has been investigated for 60 types of aniline derivatives(including some herbicides compounds). At first, the structure of the compounds were drawn by Gauss view05 software and optimized using Gaussian 09 software with B3LYP/6-311++G** method, and then were extracted molecular descriptors. Then inappropriate descriptors were eliminated by genetic algorithm method and the best ones were used for multiple linear regression (MLR) and artificial neural networks (ANN) models. The results showed that the ANN method with the lowest error and the highest coefficient of determination was higher than the MLR method to predicting the log(LD50)(molkg-1) of studied aniline derivatives.