%0 Journal Article %A Mousavi, Mehdi %A Daryaee, Fereidoon %A Ranjbaran, Omid %A Mohseni, Behnam %A Taheri, Saeideh %A Hassanzadeh, Abdolreza %T Quantitative Structure-Activity Relationship Study on Thiosemicarbazone Derivatives as Antitubercular agents Using Artificial Neural Network and Multiple Linear Regression %J Journal of Mazandaran University of Medical Sciences %V 30 %N 184 %U http://jmums.mazums.ac.ir/article-1-13865-fa.html %R %D 2020 %K quantitative structure–activity relationship, multiple linear regression, Bayesian regularized artificial neural network, Thiosemicarbazone derivatives, %X 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. %> http://jmums.mazums.ac.ir/article-1-13865-fa.pdf %P 106-118 %& 106 %! %9 Research(Original) %L A-10-11714-1 %+ Assistant Professor, Pharmaceutics Research Center, Institute of Neuropharmacology, Kerman University of Medical Sciences, Kerman, Iran %G eng %@ 1735-9260 %[ 2020