بررسی معیارهای متفاوت برای منظم کردن اجزاهای اصلی به منظور ایجاد یک مدل qspr برای پیش ­بینی نقطه های ذوب

براساس اهمیت پیش ­بینی نقطه های ذوب ترکیب ها، در این مقاله سعی شد که برای دسته وسیعی از ترکیب ها مدل مناسبی که توانایی پیش­ بینی نقطه های ذوب را در حد مطلوبی داشته باشد، ارایه شود. برای این منظور 4173 ترکیب شیمیایی با ساختارهای متنوع گزارش شده در مقاله های قبلی، انتخاب و برای توصیف ساختار آن ها از یک دسته 202 تایی از توصیفکننده­ های 2d و 3d استفاده شد. این دسته داده­ ها به دو دسته آموزش و دسته تست به ترتیب با اندازه ­های 2573 و 1600 تقسیم­ بندی شد. ارزیابی بیشتر مدل ایجاد شده به کمک یک دسته داده دیگر با اندازه 277 صورت گرفت. برای کاهش حجم ماتریس توصیف­ کننده­ ها از تجزیه اجزای اصلی کمک گرفته شد و از شبکه عصبی برای ایجاد مدل استفاده شد. بردارهای ویژه به دست آمده از تجزیه اجزای اصلی بر اساس معیارهای متفاوتی مرتب و به عنوان ورودی شبکه مورد استفاده قرار گرفتند. معیارهای استفاده شده عبارت بودند از بزرگی مقدار ویژه، میزان همبستگی با نقطه ذوب و میزان قدرت پیش­بینی کنندگی. بهترین مدل در حالتی بدست آمد که بردارهای ویژه براساس میزان قدرت پیش­ بینی­ کنندگی­ اشان مرتب و به عنوان ورودی استفاده بودند. در پایان پارامترهای شبکه از قبیل تعداد لایه­ های پنهان، تعداد گره در هر لایه، سرعت یادگیری و مومنتوم بهینه ­سازی شدند. شبکه با ساختار [25 10 8 1] و سرعت یادگیری 0/7 و مومنتوم 0/16به عنوان شبکه بهینه انتخاب شد.