QSPR modeling of heat capacity, thermal energy and entropy of aliphatic Aldehydes by using Topological Indices and MLR method

مدل‌هاي كمي ساختار-خاصيت در فهميدن ارتباط ساختار شيميايي با خواص فيزيكي شيميايي مواد طبيعي و سنتزي مفيد مي باشند. در مطالعه حاضر، كاربرد شاخص‌هاي توپولوژيكي براي مطالعه ارتباط كمي ساختار-خاصيت 24 آلدييد مورد آزمون قرار گرفته است. شاخص‌هاي توپولوژيكي مورد استفاده عبارتند از: شاخص رانديك اتصال يك(1?)، بالابان(J)، وينر(W) و هاراري(H). در اين مطالعه، ارتباط بين شاخص‌هاي توپولوژيكي با انرژي گرمايي، ظرفيت گرمايي و گشتاور 24 آلدييد با استفاده از نرم‌افزار گوسين 98 و يكي از روش‌هاي آغازين، هارتري-فاك و سري پايه 6-31G محاسبه گرديد. سپس به منظور مطالعه رابطه كمي ساختار– خاصيت از نرم‌افزار آماري SPSS، روش برگشتي و رگرسيون خطي چند متغيره (MLR) استفاده شد. بدين طريق معين گرديد كه براي پيشگويي كميت ظرفيت گرمايي در حجم ثابت ((CV آلدييد هاي مورد مطالعه تركيبي از سه توصيفگر توپولوژيكي (J, W, 1?)، براي تخمين و پيشگويي كميت آنتروپي (S) تركيبي از دو توصيفگر توپولوژيكي ( J, 1?) ، وجهت پيشگويي انرژي گرمايي(Eth) شاخص رانديك اتصال يك(1?) مناسب هستند.

Quantitative Structure-Property Relationship (QSPR) models are useful in understanding how chemical structure relates to the physicochemical properties of natural and synthetic chemicals. In the present investigation the applicability of various topological indices are tested for the QSPR study on 24 aldehydes. The topological indices used for the QSPR analysis were Randi? ( 1 ?) (the first order molecular connectivity), Balaban (J), Wiener (W) and Harary (H) indices. In this study, the relationship between the topological indices to the thermal energy (Eth), heat capacity (Cv) and entropy(S) of 24 aldehydes are established. The thermodynamic properties are taken from HF level using the ab initio 6-31 G basis sets from the program package Gussian 98. For obtaining appropriate QSPR model we have used multiple linear regression (MLR) techniques and followed Back ward regression analysis. The results have shown that combining the three descriptors (J, W, 1 ?) could be used successfully for modeling and predicting the heat capacity (CV), two descriptors (J, 1?) could be efficiently used for estimating the entropy (S) and one descriptors ( 1 ?) could be predict the thermal energy of compounds.