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 بررس چکیده کامل
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.
پرونده مقاله
سموم ارگانوفسفات از جمله سموم شیمیایی خطرناک برای سلامت انسان محسوب می شوند. بسیاری از محققین، با وجود رعایت اصول ایمنی و جلوگیری از مواجهه با خطرات ناشی از استفاده از ترکیبات شیمیایی، به منظور بررسی میزان سمیت ترکیبات ارگانوفسفات در تماس با این سموم قرار دارند و احتم چکیده کامل
سموم ارگانوفسفات از جمله سموم شیمیایی خطرناک برای سلامت انسان محسوب می شوند. بسیاری از محققین، با وجود رعایت اصول ایمنی و جلوگیری از مواجهه با خطرات ناشی از استفاده از ترکیبات شیمیایی، به منظور بررسی میزان سمیت ترکیبات ارگانوفسفات در تماس با این سموم قرار دارند و احتمال جذب این سموم از طریق پوست وجود دارد. مطالعه ارتباط ساختار - فعالیت با کمک رو ش ها و مدل های تئوری پیش بینی کننده، با صرف حداقل وقت و هزینه، امکان دست یابی به داده ها، اطلاعات و خواص فیزیکی- شیمیایی ترکیبات مورد نظر را فراهم می نماید. در این مطالعه، روش های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی با مدل پرسپترون چند لایه با هدف بررسی ارتباط کمی شاخص سمیت LD50با برخی توصیف گرهای مولکولی، در برخی ترکیبات ارگانوفسفات به کار گرفته شد. بررسی مقادیر ضرایب همبستگی و میزان جذر خطای مجذور میانگین مدل های پیشنهادی در این مطالعه نشان داد که روش شبکه عصبی مصنوعی در پیش بینی شاخص سمیت LD50 در ترکیبات ارگانوفسفات نسبت به روش رگرسیون خطی چندگانه، از برتری بسیار بالایی برخوردار می باشد.
پرونده مقاله
در این تحقیق، از طریق مطالعه رابطه ساختار-فعالیت به پیش بینی مقادیر سمیت مشتقات کربوکسیلیک اسید پرداخته شده است. ابتدا مقادیر LD50 برای مجموعه ای از ترکیبات مورد مطالعه با استفاده از منابع علمی معتبر استخراج گردید و ساختار آنها به کمک نرم‌افزار گوس ویو 05 رسم شده و با ن چکیده کامل
در این تحقیق، از طریق مطالعه رابطه ساختار-فعالیت به پیش بینی مقادیر سمیت مشتقات کربوکسیلیک اسید پرداخته شده است. ابتدا مقادیر LD50 برای مجموعه ای از ترکیبات مورد مطالعه با استفاده از منابع علمی معتبر استخراج گردید و ساختار آنها به کمک نرم‌افزار گوس ویو 05 رسم شده و با نرم‌افزار گوسین09 به روش هارتری فاک و سری پایه G21-3 بهینه شدند. سپس با استفاده از نرم افزار دراگون توصیف‌گرهای مولکولی استخراج گردیدند. به کمک ژنتیک الگوریتم و روش برگشتی توصیف‌گرهای نامناسب حذف شده و بهترین آنها برای مدل‌های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی مورد استفاده قرار گرفت. دقت پیش بینی مدل نهایی توسط ضرایب آماری مورد بحث قرار گرفت. اعتبارسنجی تقاطعی و نیز اعتبارسنجی خارجی مدل های پیش بینی همبستگی بسیار بالا را بین مقادیر تجربی و مقادیر پیش بینی گروه های آموزش آزمون و اعتبارسنجی در روش شبکه عصبی مصنوعی نشان داد. مشخص گردید که روش شبکه عصبی مصنوعی با خطای کمتر و ضریب تعیین بالاتر نسبت به روش رگرسیون خطی چندگانه از برتری قابل توجه ای برخوردار می باشد. مدل پیشنهادی می تواند برای پیش بینی log(LD50) ترکیبات جدید کربوکسیلیک اسید مفید واقع گردد.
پرونده مقاله
در این مطالعه، قدرت پیش بینی ضریب تقسیم آب-اکتانل (logP) برای34 نوع از مشتقات پیرتروئیدی با استفاده از رابطه کمی ساختار–خاصیت مورد مطالعه قرار گرفت. مقدار logP پیرتروئیدهای مورد مطالعه با کمک الگوریتم ژنتیک بر اساس روش رگرسیون خطی چندگانه(GA-MLR) مدل‌سازی شد و معل چکیده کامل
در این مطالعه، قدرت پیش بینی ضریب تقسیم آب-اکتانل (logP) برای34 نوع از مشتقات پیرتروئیدی با استفاده از رابطه کمی ساختار–خاصیت مورد مطالعه قرار گرفت. مقدار logP پیرتروئیدهای مورد مطالعه با کمک الگوریتم ژنتیک بر اساس روش رگرسیون خطی چندگانه(GA-MLR) مدل‌سازی شد و معلوم گردید که سه توصیفگر موثر GATS4P ، PW3و ZM1V همبستگی معقولی با logP دارند و منجر به ایجاد مدلی با ضریب رگرسیون بالا و خطای کم شدند. ارزیابی توانایی پیشبینی logP با مدل (GA-MLR) توسط پارامترهای آماری: R2 = 0.862، R2adj = 0.848، F=62.296و MSE = 0.503 برای مجموعه آزمایشی انجام شد. همچنین مقدار Q2LOO= 0.861 در روش اعتبارسنجی تقاطعی و نیز مقادیر R2 برابر با 0.880 و 0.929 به ترتیب برای سری های آموزش و آزمایش در روش اعتبارسنجی خارجی, همبستگی بسیار خوبی را بین مقادیر تجربی و مقادیر پیش بینی نشان داد. مشخص گردید که مدل MLR در پیشبینی logP حشره‌کش‌های پیرتروئیدی قابل اعتماد بوده و با در نظر داشتن خطای بسیار کم از دقت کافی برخوردار است.
پرونده مقاله
سکوی نشر دانش
سند یا سکوی نشر دانش ،سامانه ای جهت مدیریت حوزه علمی و پژوهشی نشریات دانشگاه آزاد می باشد
