پیش بینی ثابت های هنری بعضی از ترکیبات آلی با استفاده از روش های خطی و غیر خطی qspr

امروزه ارتباط کمّی ساختار - خاصیت (qspr) برای مطالعه ی وابستگی خواص مختلف فیزیکوشیمیایی ترکیبات با ساختار مولکولی استفاده شده است. در بخش اول این پروژه، از رگرسیون خطی چندگانه (mlr) به عنوان یک روش خطی و از شبکه ی عصبی مصنوعی (ann) به عنوان روشی غیر خطی برای پیش بینی ثابت هنری 333 ترکیب آلی استفاده گردید. سری داده-ها به سری های آموزش (263 ترکیب)، آزمون (40 ترکیب) و ارزیابی بیرونی (30 ترکیب) تقسیم شدند. یک شبکه ی عصبی پیشخور سه لایه پس انتشار خطا با استفاده از چهار توصیف کننده ی مولکولی بدست آمده در مدل mlr، ایجاد گردید. مشخصات آماری بدست آمده به وسیله ی مدل خطی چندگانه (942/0=r2 ، 109/0=mse برای سری آزمون) توانایی پیش بینی آنرا نشان داد، درحالی که توانایی پیش بینی ann تا اندازه ای بهتر می باشد (982/0=r2 ، 039/0=mse برای سری آزمون). در بخش دوم این پروژه، روش های الگوریتم ژنتیک بر اساس رگرسیون خطی چندگانه (ga-mlr) و الگوریتم ژنتیک بر اساس شبکه ی عصبی مصنوعی (ga-ann) برای ایجاد مدل-های qspr میان توصیف کننده ها و ضریب شکست 144پلیمر استفاده شدند. توصیف کننده -هایmor15e ، r2e،r2p و j3d به وسیله ی الگوریتم ژنتیک برای تشکیل مدل های خطی و غیر خطی به منظور پیش بینی ضریب شکست انتخاب شدند. مجذور میانگین مربعات خطای سری های آموزش، آزمون و ارزیابی برای مدل ann به ترتیب، 018/0، 023/0، 018/0 و همچنین ضرایب تعیین (r2)، 929/0، 881/0 و 931/0 هستند.