Journal of Mazandaran University of Medical Sciences

fa بررسی رابطه کمی ساختمان با اثر ضد سل مشتقات تیوسمی کاربازونی به روش شبکه عصبی مصنوعی و رگرسیون خطی چندگانه Quantitative Structure-Activity Relationship Study on Thiosemicarbazone Derivatives as Antitubercular agents Using Artificial Neural Network and Multiple Linear Regression شیمی دارویی Medicinal Chemistry پژوهشي-کامل Research(Original) 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. Background and purpose: Nonlinear analysis methods for quantitative structure–activity relationship (QSAR) studies better describe molecular behaviors, than linear analysis. Artificial neural networks are mathematical models and algorithms which imitate the information process and learning of human brain. Some S-alkyl derivatives of thiosemicarbazone are shown to be beneficial in prevention and treatment of mycobacterial infections and this study seeks to find out the relationship between structural features and the anti-tuberculosis activity of these compounds. Materials and methods: Multiple linear regression and Bayesian regularized artificial neural network (BRANN) for 47 compounds of thiosemicarbazone derivatives were designed using QSAR approaches. Descriptors were selected from a pool of 343 descriptors by stepwise selection and backward elimination. A three layer Bayesian regularized back-propagation feed-forward network was designed, optimized, and evaluated using MATLAB version R2009a. Results: The best model with 6 descriptors was found using multiple linear regression analysis: Log MIC= 2.592 + (0.067 ± 0.018) PMIX – (0.066 ± 0.017) PMIZ – (1.706 ± 1.600) Qneg – (0.235 ± 0.039) RDF030p + (0.118 ± 0.026) RDF 140u – (0.064 ± 0.021) RDF060p. The best BRANN model was a three-layer network with three nodes in its hidden layer. Conclusion: The BRANN model has a better predictive power than linear models and may better predict the anti-tuberculosis activity of new compounds with similar backbone of thiosemicarbazone moiety. رابطه‌ کمی ساختمان-اثر, رگرسیون خطی چندگانه, شبکه ی عصبی مصنوعی با تنظیم بایسین, مشتقات تیوسمی کاربازون quantitative structure–activity relationship, multiple linear regression, Bayesian regularized artificial neural network, Thiosemicarbazone derivatives 106 118 http://jmums.mazums.ac.ir/browse.php?a_code=A-10-11714-1&slc_lang=fa&sid=1 Mehdi Mousavi مهدی موسوی mehdi4465@yahoo.com 1003194753284600118273 1003194753284600118273 No 1Associate Professor, Department of Chemistry, Shahid Bahonar University of Kerman, Kerman, Iran دانشیار، گروه شیمی، دانشگاه شهید باهنر کرمان، کرمان، ایران Fereidoon Daryaee فریدون دریایی fereiddoondaryaei588@yahoo.com 1003194753284600118274 1003194753284600118274 No Assistant Professor, Department of Medicinal Chemistry, Faculty of Pharmacy, Kerman University of Medical Sciences, Kerman, Iran استادیار، گروه شیمی دارویی، دانشکده داروسازی، دانشگاه علوم پزشکی کرمان، کرمان، ایران Omid Ranjbaran امید رنجبران Ranjbaran.omid@gmail.com 1003194753284600118275 1003194753284600118275 No Doctor of Pharmacy, Department of Medicinal Chemistry, Faculty of Pharmacy, Kerman University of Medical Sciences, Kerman, Iran دکتر داروساز، گروه شیمی دارویی، دانشکده داروسازی، دانشگاه علوم پزشکی کرمان، کرمان، ایران Behnam Mohseni بهنام محسنی behnammahseni588@yahoo.com 1003194753284600118276 1003194753284600118276 No PhD in Chemistry, Department of Chemistry, Shahid Bahonar University of Kerman, Kerman, Iran دکترای شیمی، دانشگاه شهید باهنر کرمان، کرمان، ایران Saeideh Taheri سعیده طاهری staheri83@yahoo.com 1003194753284600118277 1003194753284600118277 No Doctor of Pharmacy, Department of Medicinal Chemistry, Faculty of Pharmacy, Kerman University of Medical Sciences, Kerman, Iran دکتر داروساز، گروه شیمی دارویی، دانشکده داروسازی، دانشگاه علوم پزشکی کرمان، کرمان، ایران Abdolreza Hassanzadeh عبدالرضا حسن زاده a_hassanzadeh@kmu.ac.ir 1003194753284600118278 1003194753284600118278 Yes Assistant Professor, Pharmaceutics Research Center, Institute of Neuropharmacology, Kerman University of Medical Sciences, Kerman, Iran استادیار، مرکز تحقیقات فارماسیوتیکس، پژوهشکده‌ نوروفارماکولوژی، دانشگاه علوم پزشکی کرمان، کرمان، ایران