ﻣﺪل ﺳﺎزي و ﻣﻄﺎﻟﻌﻪ ارﺗﺒﺎط ﮐﻤﯽ ﺳﺎﺧﺘﺎر-ﺧﺎﺻﯿﺖ ﺟﻬﺖ ﭘﯿﺶ ﺑﯿﻨﯽ ﻧﯿﻤﻪ ﻋﻤﺮ ﺑﯽ ﻓﻨﯿﻞ ﻫﺎي ﭘﻠﯽ ﮐﻠﺮﯾﻨﻪ ﺑﺎ اﺳﺘﻔﺎده از رﮔﺮﺳﯿﻮن ﺧﻄﯽ ﭼﻨﺪ ﻣﺘﻐﯿﺮه و ﺷﺒﮑﻪ ﻫﺎي ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ

Modeling and quantitative structure-property relationship studying to predict the half-life of polychlorinated biphenyls using multivariate linear regression and artificial neural networks

مطالعه ارتباط كمي ساختار-خاصيت(QSPR) جهت پيش بيني زمان نيمه عمر برخي مشتقات بي فنيل هاي پلي كلرينهبا استفاده از روشهاي رگرسيون خطي چند متغيره(MLR) و شبكه هاي عصبي مصنوعي(ANN) انجام شد. در ابتدا ساختار تركيبات، رسم و گروه مناسبي از توصيف كننده­ها محاسبه شدند. سپس از روش انتخاب مرحله­اي براي بدست آوردن بهترين توصيف كننده­ها كه بيشترين ارتباط را با نيمه عمر تركيبات مورد نظر داشتند استفاده گرديد. با اين روش 6 توصيف كننده شاملLop, GATS5m, GATS8m, LDip, RDF020u, R2v+ كه از انواع توصيف كننده هاي توپولوژيكي، بار، نمايش سه بعدي مولكول بر اساس پراش الكتروني و تابع توزيع شعاعي هستند انتخاب گرديد. در ابتدا مدل خطي MLR ساخته شد. سپس براي به دست آوردن نتايج بهتر از شبكه عصبي مصنوعي استفاده گرديد. مقادير ضريب تعيين (R2) و ريشه ميانگين مربعات خطا (RMSE) براي سري تست به ترتيب برابر 0/716 و 0/050 براي مدل خطي MLR و 0/896 و 0/030 براي مدل غيرخطي ANN بدست آمد. داده هاي آماري، برتري روش ANN را نسبت به روش MLR نشان مي دهد.

Quantitative structure-property relationship (QSPR) study was performed to predict the half-life of some polychlorinated biphenyl derivatives using multivariate linear regression (MLR) and artificial neural networks (ANN). First, the structure of the compounds, the drawing, and the appropriate group of descriptors were calculated. Then, the step-wise method was used to obtain the best descriptors that were most related to the half-life of the compounds. With this method, 6 descriptors including Lop, GATS5m, GATS8m, LDip, RDF020u, R2v + were selected from the types of topological descriptors, charge, three-dimensional representation of molecules based on electron diffraction and radial distribution function. First, a multiple linear regression linear model was constructed. Then, artificial neural network was used to obtain better results. The values of coefficient of determination (R2) and root mean square error (RMSE) for the test series were equal to 0.716 and 0.050 for the MLR linear model and 0.896 and 0.030 for the nonlinear ANN model, respectively. Statistical data show the superiority of ANN method over MLR method.