پ.ش.3430

QSTR modeling for the prediction of acute oral toxicity of diverse pesticides toward various avian species based on Monte Carlo optimization

كارشناسي ارشد

شيمي - شيمي تجزيه

پبام نور كرج

1403

1403/07/02

عالي

پايه قدر. محمود

لطفي. شهرام

Prediction toxicity , SMILES descriptors , CORAL software , QSTR modeling

پ استاد راهنما پيام نور مركز كرج

در اين مطالعه، مدل¬سازي رابطه كمي ساختار- سميت براي تخمين سميت 244 نوع آفت¬كش بر روي پنج گونه پرنده شامل بلدرچين سفيد، اردك، قرقاول، گنجشك خانگي و بلدرچين ژاپني انجام شده است. داده¬ها به صورت تصادفي به چهار سري شامل سري آموزش فعال، آموزش غيرفعال، كاليبراسيون و دسته آزمون تقسيم شدند. توصيف¬گرهاي هيبريدي، حاصل از تركيب توصيف¬گرهاي شبه-اسملي (-quasi SMILES )و گراف مولكولي بدون هيدروژن (HSG )براساس يك تابع هدف جديد براي توليد مدل¬هاي QSTR استفاده شد. چهار تابع هدف (0TF، 1TF، 2TF و 3TF ) براي توسعه مدل¬هاي QSTR به كار گرفته شد و پتانسيل پيش¬بيني اين مدل¬ها با استفاده از سري آزمون مورد ارزيابي قرار گرفت. از ميان مدل¬هاي به دست¬آمده، مدل¬هاي QSTR طراحي شده با استفاده از تابع هدف 3TF با محدوده .0.7231-0.8131 R = و0.7031-0.7878 از لحاظ آماري، بهترين مدل¬ها بودند. بهترين مدل، مدل شماره شش، با مقادير براي دسته آموزش فعال، آموزش غيرفعال، كاليبراسيون و اعتبارسنجي به¬ترتيب برابر ،0.836، 0.806، 0.852 و 0.813 مي¬باشد. مقادير ميانگين خطاي مطلق(MAE ) براي دسته آموزش فعال، آموزش غيرفعال، كاليبراسيون و اعتبارسنجي به¬ترتيب برابر 0.317، 0.342، 0.409و 0.362 بيان¬گر دقت مدل ايجادشده به¬منظور پيش¬بيني سميت آفت¬كش¬ها بر عليه پنج گونه پرندگان مي¬باشد. از نتايج حاصل از اين مدل¬سازي، توصيف¬گرهاي با اهميت براي افزايش و كاهش متوسط غلظت مؤثر سميت 50 pLD شناسايي شدند. با استفاده از مدل¬هاي QSTR به¬دست¬آمده از اين مطالعه، پيش¬بيني سميت )50 (pLDآفت¬كش¬هاي جديد با داشتن نماد SMILES از آفت¬كش¬ها امكان¬پذير مي¬شود كه مي¬تواند به كاهش زمان، هزينه ها و نياز به حيوانات آزمايشگاهي كمك كند.

77893