۲۸۷۹پ

QSAR study of some thiazolyl alkynes derivatives and some dihydroquinolinone and phthalimide as metabotropic glutamate receptor 5 by linear and artificial intelligence methods

كارشناسي ارشد

شيمي تجزيه

دانشگاه پيام نور همدان

۱۳۹۵

۱۳۹۵/۶/۲۳

عالي

۱۴۵ص.

ملكي ، عباس - رستمي ، زهرا

گلبداغي ، رضا

۱۱۱-۱۱۵ص.

Quantitative structure - Activity Relationship, nerve receptors, Metabotropic glutamate5 (mGlu5) , Artificial intelligence, Genetic Algorithm, Artificial Neural Network, combination of Neural Network- Genetic Algorithm, combination of Neural Network- Particle swarming Algorithm, ANFIS, combination of ANFIS-Genetic Algorithm, regression of support vector machine

هدف: در اين مطالعه، مدل‌سازي فعاليت بيولوژيكي مبتني بر ساختار مولكولي برخي از تركيبات مشتقات تيازوليل آلكين ها و مشتقات دي هيدرو كينولينون و فتاليميد با استفاده از روابط كمي ساختار- فعاليت (QSAR) مورد بررسي قرار گرفته است. روش تحقيق: مطالعه بر روي دو مجموعه اصلي شامل 36 مولكول از مشتقات آلكين هاي تيازوليل و نيز 43 مولكول از مشتقات دي هيدرو كينولينون و فتاليميد به عنوان گيرنده هاي عصبي متابوتروپيك گلوتامات پنج انجام شده است. ابتد مجموعه مناسبي از توصيف كننده هاي مستقل مولكولي با استفاده از نرم افزار دراگون محاسبه و توصيف كننده هاي موثر با استفاده از روش الگوريتم ژنتيك انتخاب شده است، سپس سري مولكولي به دو گروه سري آموزش و سري پيش بيني تقسيم بندي شدند. در مرحله بعد، مجذور ضريب همبستگي (R2) براي سري اول مولكول ها براي سري آموزش و پيش بيني به ترتيب برابر 839/0، 809/0 و براي سري دوم مولكول ها به ترتيب برابر 912/0، 827/0 محاسبه شد. و در مرحله دوم مدل‌سازي با استفاده از روش حداقل مربعات جزئي (PLS)انجام شد كه مجذور ضريب هبستگي (R2) براي سري اول مولكول ها براي سري آموزش و پيش بيني به ترتيب برابر 889/0، 846/0 و براي سري دوم مولكول ها برابر 917/0، 843/0 بدست آمد. سپس رگرسيون اجزء اصلي (PCR) انجام شد كه مجذور ضريب همبستگي (R2) براي سري آموزش و پيش بيني به ترتيب برابر 815/0، 799/0 و براي سري دوم مولكول ها برابر 864/0، 839/0 محاسبه گرديد. جهت ارزيابي مدل هاي ارائه شده، از روش هاي ارزيابي متقاطع مونت كارلوي، ارزيابي خارجي و تصادفي كردن Y استفاده گرديد. همچنين به منظور بررسي رابطه غيرخطي ميان توصيف كننده هاي ظاهر شده در مدل الگوريتم ژنتيك و فعاليت مولكول هاي مورد مطالعه از روش هاي هوش مصنوعي براي مدل سازي و مناسب ترين توصيف كننده هاي گزينش شده به كمك GA به عنوان ورودي استفاده شده است.برخي از اين روش ها عبارتند از روش شبكه عصبي مصنوعي (ANN)، تلفيق شبكه عصبي الگوريتم ازدحام ذرات (ANN-PSO)، انفيس (ANFIS)، تلفيق انفيس الگوريتم ژنتيك (ANFIS-GA) و رگرسيون ماشين بردار پشتيبان (SVR). مقايسه بين روش هاي انجام شده نشان مي دهد كه روش هاي (ANFIS-GA) و (SVR) داراي قدرت پيش بيني بالاتري هستند. همچنين نتايج بدست آمده در اين پژوهش نشان مي دهد نحوه بازدارندگي داروهاي مورد مطالعه داراي ماهيت غيرخطي بوده و با بررسي توصيف كننده ها مشخص شد كه توصيف كننده ي HATS6p بيشترين تاثير را بر روي فعاليت بيولوژيكي سري اول مولكول ها دارد. همچنين توصيف كننده ي R6e+ بيشترين سهم و تاثيرگذاري را بر روي فعاليت سري دوم مولكولها دارد. يافته ها: در اين مطالعه، ضريب همبستگي در مدل هاي ايجاد شده براي هر دو دسته از مشتقات تيازوليل آلكين ها و دي هيدرو كينولينون و فتاليميد در روش هاي خطي و غيرخطي محاسبه و مقايسه شد. نتيجه گيري: با توجه به فعاليت‌هاي پيش بيني شده و ضريب همبستگي مدل هاي بدست آمده، مي توان نتيجه گرفت كه روش هاي غيرخطي موفق تر از روش هاي خطي بوده است.

۱۳۹۸/۲/۲

52283