کاربرد مدل کمی ساختار-سمیت (QSTR) برای پیش بینی سمیت آفت کش های کاربامات با استفاده از روش های محاسباتی و توصیفگرهای مولکولی
محورهای موضوعی : حشره شناسی و سایر بندپایان
سیده آزاده موسوی
1
,
عصمت محمدی نسب
2
,
طاهره مومنی اصفهانی
3
1 - گروه شیمی، واحد اراک، دانشگاه آزاداسلامی، اراک، ایران
2 - گروه شیمی، واحد اراک، دانشگاه آزاد اسلامی اراک، اراک، ایران
3 - گروه شیمی، واحد اراک، دانشگاه آزاد اسلامی اراک، اراک، ایران
کلید واژه: واژه‌‌های کلیدی: "آفتکش", "QSTR", "سمیت", "کارباماتها", " GA-BWMLR", "GA-BPANN", Keywords: "Pesticide", "Toxicity", "Carbamates", "GA-BWMLR",
چکیده مقاله :
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.
In this study, we performed quantum mechanics computation at density function theory level with 6-31G* basis set to construct a quantitative structure-toxicity relationship (QSTR) model for predicting lethal dose (LD50) pesticide carbamates derivatives. The best molecular descriptors were selected using genetic algorithm (GA) by MATLAB software. Then, we studied the relationship between the selected descriptors and the logLD50 of carbamate derivatives using backward-stepwise multiple linear regression (BW-MLR) and backpropagation artificial neural network (BP-ANN) models. The RDF010e, WW, and R3e descriptors were applied for modeling the GA-BWMLR and GA-BPANN models. The comparison of results illustrated that the R2 and Q2 of GA-BPANN model for all set were significantly higher than the GA-BWMLR model. The GA-BPANN model was more accurate with lower mean square error (MSE), root-mean-square error (RMSE), standard error of prediction (SEP), and absolute average deviation (ADD) values of data set for predicting the LD50 of studied carbamates.
_||_
