عنوان مقاله :
پيشگويي شاخص سميت LD50 در مشتقات آنيلين (حاوي تركيبات علف‌‌كش) با روش‌هاي محاسباتي
عنوان به زبان ديگر :
Prediction of LD50 for aniline derivatives (Including some herbicide compounds) using computational methods
پديد آورندگان :
رضايي، مرتضي دانشگاه آزاد اسلامي واحد اراك - گروه شيمي , محمدي نسب، عصمت دانشگاه آزاد اسلامي واحد اراك - گروه شيمي
كليدواژه :
متوسط دوز كشنده , روش رگرسيون خطي چندگانه , شبكه عصبي مصنوعي , مشتقات آنيلين
چكيده فارسي :
در دهه هاي گذشته، استفاده از روش‌هاي محاسباتي با پارامترهاي اعتبارسنجي دقيق براي تعيين خواص فيزيكي- شيميايي تركيبات، به‌عنوان جايگزين اقتصادي و زيست‌محيطي باصرفه جويي در زمان و حذف هزينه‌هاي بالا مورد توجه بسياري از پژوهشگران قرارگرفته است. در اين مطالعه، به بررسي ارتباط مقادير لگاريتمي سميت (LD50 (log (LD50)(molkg-1) با توصيفگرهاي مولكولي براي 60 نوع از مشتقات آنيلين (شامل تركيبات علف كش) پرداخته شده است. بعد از ترسيم ساختار اين تركيبات با استفاده از نرم‌افزار 05 Gauss View و بهينه سازي آن‌ها با كمك نرم‌افزار 09 Gaussian با روش **G++311-6/B3LYP توصيف گرهاي مولكولي استخراج شدند. به كمك ژنتيك الگوريتم، توصيف گرهاي نامناسب حذف شده و بهترين آن‌ها براي مدل هاي رگرسيون خطي چندگانه و شبكه عصبي مصنوعي مورداستفاده قرار گرفتند. نتايج حاصل از اين مدل نشان داد كه روش شبكه عصبي مصنوعي با كمترين خطا و بالاترين ضريب تعيين نسبت به روش رگرسيون خطي چندگانه براي پيش بيني لگاريتم سميت (molkg-1)LD50) مشتقات آنيلين از برتري بالايي برخوردار است.
چكيده لاتين :
In recent decades, computational methods with regard to accurate validation parameters for the
determination of the physical- chemistry properties of compounds have been considered by many
researchers and have been used as an economic and environmental alternative to saving time and
eliminating high costs. In this study, the relationship between the logarithmic values of LD50, (log
(LD50)(molkg-1) and molecular descriptors has been investigated for 60 types of aniline derivatives
(including some herbicides compounds). At first, the structure of the compounds were drawn by
Gauss view05 software and optimized using Gaussian 09 software with B3LYP/6-311++G**
method, and then were extracted molecular descriptors. Then inappropriate descriptors were
eliminated by genetic algorithm method and the best ones were used for multiple linear regression
(MLR) and artificial neural networks (ANN) models. The results showed that the ANN method
with the lowest error and the highest coefficient of determination was higher than the MLR method
to predicting the log(LD50)(molkg-1) of studied aniline derivatives.
عنوان نشريه :
تحقيقات حشره شناسي
