چکیده ندارد.

در قسمت نخست مدلسازی و پیش بینی فاکتور مهاجرت برخی از مشتقات بنزن درکروماتوگرافی الکتروسینتیکی مایسلی با استفاده از رگرسیون خطی چندتایی و شبکه عصبی مصنوعی انجام گرفت. بدین منظور ابتدا مولکول هایی به عنوان سری داده ها انتخاب شدند. این مولکولها به سه سری آموزشی، پیش بینی و ارزیابی تقسیم شدند. سپس توصیف کننده های الکترونی، توپولوژی، هندسی و کوانتوم – شیمیایی برای تمام مولکول ها مورد محاسبه قرار گرفت. با استفاده ازتکنیک های انتخاب متغیرمرحله ای توصیف کننده های مهمترانتخاب ( توصیف کننده های وارد شده در مدل عبارتند از: اندیس کایر و هال، ممان اینرسی c ، بارسطحی وزن دارشده اتمهای دهنده پیوند هیدروژنی، بار منفی ترین اتم، ممان دو قطبی در راستای محورy و سپس به کمک روشهای رگرسیون خطی چندتایی (mlr) و شبکه عصبی مصنوعی (ann) بین این توصیف کننده ها و فاکتور مهاجرت مدلسازی انجام شد. درمورد شبکه عصبی مصنوعی، ابتدا پارامترهایی نظیر تعداد گره های لایه مخفی، ممنتوم و سرعت آموزش وزن ها و بایاس به روش پس- انتشاربهینه شدند. پارامترهای آماری برای مدلهای بدست آمده قابلیت پیش بینی مدل qspr را نشان می دهد که مبین این است که مدل ann بر مدل mlr برتری چندانی ندارد. در قسمت دوم مدلسازی و پیش بینی فاکتوربازداری 40 ترکیب دارویی در کروماتوگرافی مایع با غشائ مصنوعی ثابت در دو فاز متحرک مورفولین پروپان سولفونیک اسید(mops) و فسفات بافر سالین (pbs) در 7/4= ph مایسلی با استفاده از رگرسیون خطی چندتایی، روش lfer و شبکه عصبی مصنوعی انجام گرفت. خطای استاندارد برای در مدل ann برای سری آموزشی ، سری تست ارزیابی داخلی و خارجی به ترتیب برابر 0/205 ، 0/329 و 0/389است و درمدل mlr به ترتیب برابر 0/280 ، 0/426 و 0/448 می باشد و همچنین برای در مدل ann برای سری آموزشی ، سری تست ارزیابی داخلی و خارجی ه ترتیب برابر 144/0 ، 596/0 و 557/0است و درمدل mlr به ترتیب برابر 0/318 ، 0/613 و 0/453 می باشد. پارامترهای آماری مبین است که مدل ann بر مدل mlr برتری دارد و برای ارزیابی و بررسی بیشتر مدل مورد نظر تست تصادفی کردن مقدار داده تجربی و ارزیابی تقاطعی مورد بررسی قرار گرفت. در بخش پایانی علاوه بر مدلسازی به روش رگرسیون خطی چندتایی مدلسازی به کمک معادله ارتباط انرژی آزاد خطی (lfer) انجام گرفت. مربع ریشه خطا برا ی و در مدل mlr به ترتیب برابر 0/332 و 0/351 است در حالیکه در مدل lfer به نرتیب برابر 0/371 و 0/500 می باشد. پارامترهای آماری مدل mlr برتر از مدل lfer است. تست ارزیابی تقاطعی چندتایی و تست تصادفی کردن مقدار داده تجربی بر روی مدل انجام گرفت.