Mousavi M, Daryaee F, Ranjbaran O, Mohseni B, Taheri S, Hassanzadeh A. Quantitative Structure-Activity Relationship Study on Thiosemicarbazone Derivatives as Antitubercular agents Using Artificial Neural Network and Multiple Linear Regression. J Mazandaran Univ Med Sci 2020; 30 (184) :106-118
URL:
http://jmums.mazums.ac.ir/article-1-13865-fa.html
موسوی مهدی، دریایی فریدون، رنجبران امید، محسنی بهنام، طاهری سعیده، حسن زاده عبدالرضا. بررسی رابطه کمی ساختمان با اثر ضد سل مشتقات تیوسمی کاربازونی به روش شبکه عصبی مصنوعی و رگرسیون خطی چندگانه. مجله دانشگاه علوم پزشکی مازندران. 1399; 30 (184) :106-118
URL: http://jmums.mazums.ac.ir/article-1-13865-fa.html
چکیده: (2761 مشاهده)
سابقه و هدف: روشهای مدل سازی غیر خطی برای مطالعات رابطه کمی ساختمان- اثر، راههای گویاتری نسبت به روشهای خطی، برای رفتارهای مولکولی هستند. شبکههای عصبی مصنوعی، مدل ها و الگوریتمهای ریاضی هستند که پردازش اطلاعات و یادگیری مغز انسان را تقلید میکنند. نشان داده شده است برخی مشتقات S-alkyl تیوسمی کاربازون در پیشگیری و درمان عفونتهای مایکو باکتریایی اثر بخش بودهاند. این مطالعه با هدف یافتن ارتباط ساختار با اثر این ترکیبات انجام پذیرفت.
مواد و روشها: در این مطالعه وابستگی کمی کنش و ساختار (QSAR)، از رگرسیون خطی چندگانه و شبکه عصبی مصنوعی با تنظیم بایسین برای 47 ترکیب از مشتقات تیوسمی کاربازون، استفاده گردید. توصیفکنندهها از روش انتخاب و حذف گام به گام از مجموع 343 توصیفکننده، انتخاب شدند. یک شبکهی سه لایهی پیش خور پس انتشار با تنظیم بایسین به وسیله نرمافزار MATLAB نسخه R2009a طراحی، بهینه و ارزیابی شد.
یافتهها: پس از رگرسیون خطی چندگانه یک مدل با 6 توصیف کننده حاصل شد:
(039/0 ± 235/0)Qneg – (600/1 ± 706/1)PMIZ – (017/0 ± 066/0)PMIX – (018/0 ± 067/0) + 592/2 Log MIC=
RDF060p (021/0 ± 064/0) RDF 140u– (026/0 ± 118/0) RDF030p+ بهترین مدل BR-ANN یک شبکه سه لایه با سه گره در لایه مخفی بود.
استنتاج: مدل BR-ANN قدرت پیشبینیکنندگی بیشتری نسبت به مدلهای خطی دارد و احتمالاً بهتر میتواند فعالیت ضد سلی ترکیبات جدید با شالوده ساختاری یکسان در میان مشتقات تیوسمی کاربازون را پیشبینی کند.
نوع مطالعه:
پژوهشي-کامل |
موضوع مقاله:
شیمی دارویی