كاربرد رگرسيون خطي چند متغيره و شبكه هاي عصبي مصنوعي جهت پيش بيني فعاليت ضدميكروبي برخي مشتقات آنيليدها به روش ارتباط كمي ساختار فعاليت -( QSAR)

Application of multivariate linear regression and artificial neural networks to predict the antimicrobial activity of some anilide derivatives by quantitative structure-activity relationship (QSAR) method

مطالعه ارتباط كمي ساختار-فعاليت(QSAR) جهت پيش بيني فعاليت ضدميكروبي برخي مشتقات آنيليدها با استفاده از روش هاي 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 فعاليت ضدميكروبي تركيبات مورد نظر داشتند استفاده گرديد. با اين روش 5 توصيف كننده انتخاب و 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 0/077 و 0/073 براي مدل خطي MLR و 0/613 و 0/021 براي مدل غيرخطي ANN بدست آمد. داده هاي آماري، برتري روش ANN را نسبت به روش MLR نشان مي دهد.

Quantitative structure-activity relationship (QSAR) study was performed to predict the antimicrobial activity of some anilide 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 selection method was used to obtain the best descriptors that were most associated with the antimicrobial activity of the compounds. With this method, 5 descriptors were selected and first the linear MLR 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 0.07 and 0.073 for the MLR linear model and 0.613 and 0.021 for the nonlinear ANN model, respectively. Statistical data show the superiority of ANN method over MLR method.