یک مطالعه رابطه ساختار- خاصیت برای پیش بینی دمای خوداشتعالی ترکیبات آلی پیشهاد شد. انواع توصیف کننده های مولکولی محاسبه شدند. روش رگرسیون مرحله ای برای انتخاب زیرگروه بهینه توصیف کننده هایی که مشارکت معناداری در خصوصیت دمای خوداشتعالی دارند، بکار برده شد. شبکه عصبی مصنوعی برای مدل کردن رابطه کمی موجود میان این توصیف کننده های انتخاب شده و خصوصیت دمای خود اشتعالی بکار برده شد. مدل نتیجه شده قدرت پیشگویی بالایی را با میانگین درصد خطای نسبی 91/8 و مجذور میانگین مربع خطای 55/37 برای دسته ارزیابی را نشان می دهد، که در محدوده خطاهای تجربی اندازه گیری دمای خوداشتعالی می باشد. و برای ارزیابی بیشتر روش پیشنهادی با روش خطی مورد مقایسه قرار گرفت. نتایج برتری روش غیرخطی پیشنهادی را نشان می دهند. در ادامه شبکه عصبی در مطالعه ساختار- فعالیت برای پیشگویی فعالیت مهارکننده های سیکلواکسیژناز-2 مورد استفاده قرار گرفت. مشتقات یک مهارکننده اختصاصی سیکلواکسیژناز-2 برای مطالعه انتخاب شدند. علاوه بر توصیف کننده های محاسبه شده با نرم افزار دراگون، چهار توصیف کننده تجربی جمع آوری شده از مراجع در مرحله انتخاب زیر گروه بهینه توصیف کننده ها مورد استفاده قرار گرفته است. رگرسیون مرحله ای برای انتخاب زیرگروه بهینه توصیف کننده هایی که مشارکت معناداری در خصوصیت دمای خوداشتعالی دارند، بکار برده شد. میانگین درصد خطای نسبی 47/2 و مجذور میانگین مربع خطا 19/0 برای دسته ارزیابی نتیجه شده است. نهایتا قدرت پیشگویی روش با روش خطی مقایسه شد.

در این کار حلالیت هیدروکربن های هالوژن دار در آب با استفاده از ماشین بردار پشتیبان مدل سازی و پیشگویی شده است. ابتدا ساختار مولکولی این ترکیبات در نرم افزار hyper chem رسم شده و پس از بهینه سازی ساختار با استفاده از روش نیمه تجربی am1، توصیف کننده های مختلف (1497 توصیف کننده) با استفاده از نرم افزار dragon محاسبه گردید. بهترین توصیف کننده ها توسط نرم افزار spss و به روش رگرسیون خطی چند مرحله-ای انتخاب شدند. 5 توصیف کننده انتخاب شده به عنوان ورودی به برنامه مطلب داده شده و با استفاده از ماشین بردار پشتیبان جهت پیشگویی مقادیر حلالیت هیدروکربن های هالوژن دار در آب استفاده شدند. پس از بهینه سازی پارامترهای مختلف، مجذور میانگین مربعات خطاها (rmse) برابر 281/0 و 258/0 به ترتیب برای داده های سری آموزش و پیشگویی بدست آمد. مدل های qspr راهکاری برای پیشگویی خواص ترکیبات آلی بر مبنای ساختار مولکولی می باشند. در این قسمت مدلی جهت پیشگویی ثابت قانون هنری ترکیبات آلی در آب ارائه شده است. ابتدا ساختار مولکولی این ترکیبات در نرم افزار hyper chem رسم شده و پس از بهینه سازی ساختار با استفاده از روش نیمه تجربی am1، توصیف کننده های مختلف (1497 توصیف کننده) با استفاده از نرم افزار dragon محاسبه گردید. 10 توصیف کننده که بالاترین همبستگی را با ثابت قانون هنری (log h) داشتند توسط نرم افزار spss و به روش رگرسیون خطی چند مرحله ای انتخاب شدند. توصیف کننده های انتخاب شده به عنوان ورودی به برنامه مطلب داده شده و با استفاده از ماشین بردار پشتیبان جهت پیشگویی مقادیر ثابت قانون هنری ترکیبات آلی در آب استفاده شدند. مجذور میانگین مربعات خطاها (rmse) برابر 309/0 و 335/0 به ترتیب برای داده های آموزشی و پیشگویی بدست آمد.

دمای بحرانی، دمایی است که در بالای آن دما هر چه فشار وارد بر یک گاز را افزایش دهیم تبدیل به مایع نمی شود. در این پروژه از سیستم استنتاج فازی- عصبی تطبیقی (anfis) برای پیشگویی دمای بحرانی 165 ترکیب آلی استفاده شد. ابتدا ساختار ترکیبات در نرم افزار hyper chem رسم و با روش نیمه تجربی am1 بهینه شدند، سپس با استفاده از نرم افزار dragon، 1497 توصیف کننده محاسبه شد. از روش مرحله ای به عنوان روش انتخابگر توصیف کننده ها استفاده گردید، که شش توصیف کننده به عنوان ورودی برای سیستم استنتاج فازی- عصبی تطبیقی انتخاب شدند. پس از بهینه کردن شبکه، ریشه میانگین مربع خطاها برای سری آموزش، ارزیابی و پیشگویی به ترتیب برابر با 1/8، 1/18 و 5/11 بدست آمدند. نتایج بدست آمده با سیستم استنتاج فازی- عصبی تطبیقی که ترکیبی از شبکه عصبی و منطق فازی می باشد، نشان می دهد که یک ارتباط کمی ساختار - ویژگی (qspr) با صحت قابل قبولی برای ترکیبات آلی بر اساس مجموعه ساده ای از توصیف کننده های مولکولی بنا شده است

در بخش اول این پروژه، مدل qsprبر پایه روش ماشین بردار پشتیبان، جهت پیشگویی دمای خود اشتعالی 35 ترکیب آلی مایع قابل اشتعال با هوا در فشار بالا، بین 10-2 بار ساخته شد. آنها گروه های مختلف از ترکیبات آلی، شامل هیدروکربن های آلیفاتیک، آروماتیک ها، الکل ها، اسیدها، آلدهیدها، کتون ها، استرها و آمین ها می باشند. ابتدا ساختار مولکولی این ترکیبات در نرم افزار hyper chem رسم شدند و پس از بهینه سازی ساختار توسط روش نیمه تجربی am1، توصیف کننده های مختلف (1497 توصیف کننده) با استفاده از نرم افزار dragon، محاسبه گردیدند و همراه با توصیف کننده فشار، جمعا 1498 توصیف کننده می باشند. سپس بهترین توصیف کننده ها توسط نرم افزار spss و به روش رگرسیون خطی چند مرحله ای انتخاب شدند. 8 توصیف کننده انتخاب شده به عنوان ورودی به برنامه matlab داده شده و با استفاده از ماشین بردار پشتیبان جهت پیشگویی مقادیر دمای خود اشتعالی ترکیبات آلی مایع قابل اشتعال با هوا استفاده شدند. پس از بهینه سازی پارامتر های مختلف، میانگین قدر مطلق نسبی انحراف (aard)، برابر 68/2 و 53/8 درصد به ترتیب برای داده های سری آموزش و پیشگویی بدست آمد. مدل های qspr راهکاری برای پیشگویی خواص ترکیبات آلی بر مبنای ساختار مولکولی می باشند. در بخش دوم کار، مدل qspr بر پایه روش های mlr، جهت پیشگویی عدد ستان 21 ترکیب آلی از خانواده الکل ها ساخته شد. در ابتدا، توصیف کننده ها بر مبنای روش سهم گروه (شامل 15 توصیف کننده) طراحی گردید. به وسیله ی روش سهم گروه، ساختار مولکولی ترکیبات به گروه های سازنده اش شکسته می شود. سپس با استفاده از نرم افزار spss ، روش رگرسیون خطی چند مرحله ای برای انتخاب زیر گروه بهینه توصیف کننده هایی که مشارکت معناداری در خصوصیت عدد ستان دارند، بکار برده می شود. 3 توصیف کننده بر مبنای روش سهم گروه، جهت ساختن مدل انتخاب شدند. بهترین مدل که دارای بیشترین مقدار ضریب همبستگی (r) و آماره f و کمترین مقدار خطای استاندارد، به ترتیب برابر 973/0، 933/100 و 5 می باشد، به عنوان مدل نهایی برای پیشگویی عدد ستان ترکیبات انتخاب گردید.

بنزیلیدین هیدرازیدها گروهی از ترکیبات آلی هستند که از کربوکسیلیک اسیدها، هیدرازین هیدرات و بنزالدهید سنتز می-شوند. تحقیقات انجام شده در زمینه بیماریهای عفونی نشان می دهد که این ترکیبات با فعالیت های ضد باکتری، ضد قارچی، ضد ویروسی خود می توانند به عنوان آنتی بیوتیک های قوی در درمان بسیاری از بیماریهای عفونی به کار روند. مطالعه رابطه ساختار- فعالیت (qsar) برای پیش بینی فعالیت ضدمیکروبی 40 بنزیلیدین هیدرازید پیشنهاد شد. انواع توصیف کننده های مولکولی با استفاده از نرم افزار dragon محاسبه شدند و به ازای هر ترکیب 1497 توصیف کننده بدست آمد. الگوریتم ژنتیک و جستجوی ممنوعه برای انتخاب بهترین توصیف کننده ها که مشارکت معناداری در خصوصیت فعالیت ضدمیکروبی دارند، بکار برده شدند. به ازای هر مدل 5 توصیف کننده از میان 1497 توصیف کننده به عنوان توصیف کننده های برتر انتخاب شدند. در این کار مدلسازی فعالیت ضدمیکروبی بنزیلیدین هیدرازیدها در مقابل باکتری گرم مثبت(sa) staphylococcus aureus و قارچ albicans (ca) candida صورت پذیرفت. مدل اول ساخته شده برای باکتری sa با استفاده از الگوریتم ژنتیک، قدرت پیشگویی بالایی را با میانگین درصد خطای نسبی 91/2 و ریشه میانگین مربعات خطای 0469/0و ضریب همبستگی 9543/0 نشان می دهد. در مدل دوم که برای باکتری sa با استفاده از الگوریتم جستجوی ممنوعه ساخته شد میانگین درصد خطای نسبی 53/2، ریشه میانگین مربعات خطا 0475/0 و ضریب همبستگی 9524/0 بدست آمد. در مدل سوم که برای قارچ ca با استفاده از الگوریتم ژنتیک ساخته شد، میانگین درصد خطای نسبی 97/10، ریشه میانگین مربعات خطا 2911/0 و ضریب همبستگی 8021/0 می باشد.

مطالعات qsar و 3d-qsar بر روی مشتقات 4?5?6?7- تتراهیدروتیئنو ]3?2-[c- پیریدین و آمینوپیرازولوپیریدین اوره به عنوان داروهای ضد انعقاد خون و ضد رگ زایی انجام گرفت. در مطالعه ی qsar از الگوریتم ژنتیک برای پیش گویی فعالیت ضد انعقاد خون درون سلولی 42 مولکول از مشتقات 4?5?6?7- تتراهیدروتیئنو ]3?2-[c- پیریدین استفاده شد. در بخش دوم، در مطالعه ی 3d-qsar، از مدل comsia برای پیش گویی بازداری فاکتور رشد اندوتلیال رگی بیرون سلولی 28 مولکول از مشتقات آمینوپیرازولوپیریدین اوره استفاده شد. در بخش سوم، در مطالعه ی 3d-qsar از روش های comfa و comfa تمرکز میدانی و comsia، برای پیش گویی بازداری فاکتور رشد اندوتلیال رگی درون سلولی همان سری از ترکیبات استفاده شد. همه ی مدل سازی های comfa و comfa تمرکز میدانی و comsia، با نرم-افزار مدل سازی مولکولی sybyl از شرکت tripos انجام گرفت. همه ی ترکیبات با استفاده از این نرم افزار رسم شدند و بارهای اتمی آنها با روش گاستیگر هوکل محاسبه و بهینه سازی انرژی بر روی آنها انجام شد. مولکول ها با روش distill موجود در این نرم افزار تراز شدند. برای ارزیابی مدل ها، مجموعه ی داده ها بر اساس تنوع ساختاری به دو دسته ی آموزش و آزمون تقسیم شدند. پارامترهای آماری بدست آمده مناسب بودن و قدرت پیش گویی بالای مدل ها را نشان می دهند. کانتورهای سه بعدی ایجاد شده راهنمایی های سودمندی را برای طراحی بازدارنده های قوی فراهم می کنند.

در این پروژه یک مطالعه qsar به منظور پیشگوئی میزان جذب داروها در بدن انسان(%hia) صورت پذیرفت. در ابتدا روش طبقه بندی و رگرسیون درختی(cart) برای پیشگویی %hia 138 ترکیب دارویی استفاده شد. برای هر یک از مولکولهای موجود در دسته دارویی 1497 توصیف کننده متعلق به 18 نوع از توصیفکنندههای تئوری بدست آمد. 3 توصیف کننده توسط روش cart انتخاب شدند که شاملt(o..o) ، mats1e و ms می باشد. همچنین روش رگرسیون خطی چند متغیره (mlr) به منظور انتخاب توصیف-کننده و مدلسازی بکار رفت. 5 توصیف کننده ی انتخاب شده در این روش شامل no، mlogp، spi، t(s..s) و ggi5 می باشد. ریشه میانگین مربع خطاها (rmse) برای سری آموزش و پیشگویی به ترتیب برای روش cart، 231/0و 280/0 و برای روش mlr، 339/0 و 290/0 بدست آمد. سپس نتایج حاصل شده با دو روش دیگر مورد مقایسه قرار گرفتند. بدین صورت که 5 توصیف کننده انتخاب شده در روش mlr به عنوان ورودی برای سیستم فازی-عصبی تطبیقی (anfis) انتخاب شدند .در روش دیگر انتخاب توصیف کننده توسط الگوریتم مورچه صورت پذیرفت و 5 توصیف کننده برتر انتخاب شده توسط این الگوریتم وارد برنامه anfis شدند که شامل o-056،spi ، seigv،g(o..s) و g2s می باشند. ریشه میانگین مربع خطاها برای سه سری آموزش، پیشگویی و ارزیابی در روش mlr-anfis به ترتیب 228/0 و 166/0 و 410/0 و در روش ant-anfis به ترتیب 208/0 و 175/0 و 222/0 بدست آمد. نتایج حاصل شده نشان داد که مقادیر پیشگویی شده از روش ant-anfis به مقادیر تجربی نزدیک تر است.

مطالعات 3d-qsar بر روی تعدادی از مشتقات کوئینولین به عنوان دارو‏های بازدارنده‏ی فسفودی‏استراز ? انجام گرفت.. در این مطالعه‏ از روش‏های comfa، comfa تمرکز میدانی و comsia، برای پیش‏گویی میزان اثر بازدارندگی ?? مولکول از مشتقات کوئینولین روی فسفودی‏استراز ?، استفاده گردید. مدل‏سازی‏های comfa، comfa تمرکز میدانی وcomsia ، با نرم‏افزار مدل‏سازی sybyl از شرکت tripos انجام شد. ترکیبات با استفاده از این نرم‏‏افزار رسم شدند و بار‏های اتمی آن‏ها با روش گاستیگر هوکل محاسبه شد و پس از آن بهینه‏سازی انرژی بر روی ترکیبات انجام گرفت. سپس مرحله‏ی تراز کردن مولکول‏ها با روش distill موجود در نرم‏افزار انجام گرفت. برای ارزیابی مدل‏های ساخته شده، مجموعه‏ی داده‏ها بر اساس تنوع ساختاری به دو دسته‏ی آموزش و آزمون تقسیم شدند. سپس قدرت پیش‏گویی مدل‏های ساخته شده از طریق پارامتر‏های آماری تعیین گردید. پارامتر‏های آماری بدست آمده، مناسب بودن و قدرت پیش‏گویی بالای مدل‏ها را نشان دادند. در نهایت کانتور‏های سه بعدی ایجاد شده برای مدل‏ها، راهنمایی‏های ارزشمندی را برای طراحی بازدارنده‏های قوی فراهم کردند.

استفاده گسترده از حلال های سمی و فرار (volatile) در صنایع شیمیایی منجر به آسیب دیدگی جدی محیط زیست می شود. لذا یافتن جایگزین مناسبی برای این حلال ها به شدت در صنایع دارویی و شیمیایی حس می شود. مایعات یونی می توانند جایگزین بسیاری از حلال های معمول در صنایع دارویی باشند که به علت فشار بخار ناچیز، به عنوان حلال های سازگار با محیط زیست به شمار می روند. ولی این ترکیبات به علت انحلال در اب می توانند موجب سمیت محیط زیست شوند و آگاهی از میزان سمیت آنها در صنایع شیمیایی بسیار مهم است. از این رو دست یابی به مدل های محاسباتی آسان و سریع برای پیشگویی سمیت این مایعات چالشی بزرگ برای محققان به شمار می رود. در این پروژه مطالعه رابطه ساختار فعالیت ((qsar برای پیش بینی سمیت مایعات یونی پیشنهاد شد و برای افزایش قدرت جستجو و بهبود مدل پیشنهادی از الگوریتم کرم شب تاب (fa) استفاده شد و همانگونه که انتظار می رفت همبستگی بین مقادیر تجربی سمیت و مدل پیشنهادی بهبود یافت . برای شروع کار ابتدا مقادیر تجربی مربوط به سمیت 54 مایع یونی از مراجع گرداوری شد سپس به منظور طراحی مدل qsar ساختار مولکولی ترکیبـات مورد نظر در نرم افزار hyperchem رسم شده و بهینه گردید. سپس این ساختارهای بهینه شده وارد نرم افـزار dragon شده که این نرم افزار 1497 توصیف کننده برای هر ترکیب در اختیار ما قرار می دهد. با استفاده از الگوریتم کرم شب تاب بهترین توصیف کننده ها انتخاب شده و مدل طراحی گردید. در نهایت همبستگی مقادیر تجربی و مدل پیشنهادی با روش رگرسیون خطی چندگانه mlr)) محاسبه شد که ضریب همبستگی برابر 955/0، میانگین درصد خطای نسبی 653/5 و و مجذور میانگین مربع خطا 023/0 می باشد.

در سال‏های اخیر لومینسانس شیمیایی در فاز مایع به طور گسترده‏ای در زمینه‏های داروئی، پزشکی، زیست‏محیطی و مواد غذایی استفاده شده است. در این کار ابتدا مقادیر تجربی مربوط به فعالیت لومینسانس شیمیایی 161 ترکیب آلی از منابع جمع‏آوری گردید. سپس ساختار مولکولی این ترکیبات در نرم افزار hyperchem رسم شده و پس از بهینه سازی، توصیف کننده‏های مختلف (1497 توصیف کننده) با استفاده از نرم افزار dragon محاسبه گردید سپس بهترین توصیف کننده‏ها (4 توصیف کننده) توسط نرم افزار spss و روش stepwise انتخاب شدند، 4 توصیف کننده انتخاب شده به عنوان ورودی به برنامه های matlabو spss داده شد و با استفاده از روش تحلیل ممیزی فعالیت لومینسانس شیمیایی ترکیبات به صورت تابع تحلیلی (df) پیش گویی شد حال اگر df>0 باشد ترکیب لومینسانس شیمیایی دارد و اگر df<0 باشد ترکیب لومینسانس شیمیایی ندارد. این مدل توانست با موفقیت 85/83% لومینسانس شیمیایی ترکیبات آلی را پیش گویی نماید.

در این کار، مطالعات 3d-qsar بر روی مشتقات 2- ایزوپروپیل- 5- متیل سیکلوهگزانول به ¬عنوان ترکیبات ضد میکروبی و مشتقات 4- ان-آریل-]4,1[ دیازپان اتیل اوره¬آز به عنوان ترکیبات مهار¬کننده¬ی گیرنده¬ی cxcr3 برای درمان اختلالات التهابی انجام گرفت. در مطالعه 3d-qsar، از روش¬های comfa، comfa تمرکز میدانی و comsia برای پیش¬گویی فعالیت ضد میکروبی 18 ترکیب از مشتقات 2- ایزوپروپیل- 5- متیل سیکلوهگزانول(منتول) و پیش¬گویی فعالیت 27 ترکیب از مشتقات 4- ان-آریل-]4,1[ دیازپان اتیل اوره¬آز برای مهار گیرنده¬ی cxcr3 استفاده شد. مدل¬سازی¬های comfa، comfa تمرکز میدانی و comsia، با نرم¬افزار مدل¬سازی مولکولی sybyl از شرکت tripos انجام گرفت. همه این ترکیبات با استفاده از این نرم¬افزار رسم شدند، بهینه¬سازی انرژی بر روی آن¬ها انجام شد و بارهای اتمی آن¬ها با روش گاستیگر هوکل محاسبه شد. ترکیبات با الگوریتم distill موجود در این نرم¬افزار بر روی ساختار الگو تراز شدند. به منظور ارزیابی مدل¬های ایجاد شده، مجموعه¬ی داده¬ها، بر اساس تنوع ساختاری به دو دسته¬ی تست و آموزش تقسیم¬بندی شدند. سپس با روش comfa، comfa تمرکز میدانی و comsia مدل¬سازی مولکولی به طور جداگانه بر روی هر سری انجام گرفت و بهترین مدل در هر سری از ترکیبات با استفاده از دسته¬ی تست ارزیابی شد. پارامترهای آماری بدست آمده، قدرت پیش¬گویی بالای مدل¬ها را نشان می¬دهند. برای اولین سری، q2cv و r2ncv برای مدل comfa تمرکز میدانی با استفاده از ارزیابی متقاطع به ترتیب 659/0 و 966/0 و در بهترین مدل comsia، q2cv و r2ncv به ترتیب 718/0 و 971/0 بدست آمد. برای دومین سری، q2cv و r2ncv برای مدل comfa تمرکز میدانی به ترتیب 603/0 و 975/0 و در بهترین مدل comsia، q2cv و r2ncv به ترتیب 458/0 و 968/0 بدست آمد.در نهایت، کانتور¬های مربوط به بهترین مدل، توسط نرم¬افزار طراحی گردید که با تحلیل و تفسیر این کانتورها، بهترین مشتق 2- ایزوپروپیل- 5- متیل سیکلوهگزانول به عنوان ضد میکروب و بهترین مشتق 4- ان-آریل-]4,1[ دیازپان اتیل اوره¬آز برای مهار گیرنده cxcr3 قابل دسترس است.

مقاومت در برابر داروهای شیمی درمانی به مدت طولانی به یک مانع قابل توجهی برای درمان موفقیت آمیز بسیاری از سرطان ها تبدیل شده است. gstp1-1 ها خاصیت سم زدایی داشته و این خاصیت خود را می-توانند بر روی داروهای شیمی درمانی انجام داده و میزان فعالیت دارو را کم کنند. در روش mia-qsar پیکسل هایی از عکس دو بعدی ساختار مولکول که دوتایی است گرفته می شود و با این اعداد مدل سازی صورت می گیرد. با استفاده از برنامهacd/chemsketch (2008) ساختار مشتقات 35 مولکول داروی بازدارنده gstp1-1 کشیده شده، بعد اندازه این عکس را تغییر داده به طوری که تمام مولکول ها از لحاظ مکان روی هم افتاده و ساختارهای مشترک آن ها روی هم قرار می گیرند. هر تصویر مولکول را وارد برنامه matlab کرده و ساختار های مشترک که برای همه مولکول ها یکسان است حذف می گردد. سپس هر مولکول در برنامه matlab به یک سطر تبدیل شده و همه مولکول ها پشت هم ردیف می شوند طوری که تعداد سطرها با تعداد مولکول ها برابر شود. بعد به وسیله الگوریتم مولفه های اصلی، بهترین pc ها را انتخاب کرده و با استفاده از رگرسیون mlr آنها را مدل می کنند. مقدار r2 برابر 9973/0 و rmse برابر 16/1 می-باشد. آنزیم dhodh یک آنزیم مهم برای توسعه بیماری مالاریا است. زمانی که انگل پلاسمودیوم فالسیپاروم به dhodh وارد می شود یک آنزیم مناسب برای رشد انگل های پلاسمودیوم فالسیپاروم فراهم می شود و در واقع سرعت تکثیر این انگل زیاد می شود. در روش مدل سازی mars این امکان وجود دارد تا بتوان الگوی غیر خطی پنهان در مجموعه داده های با تعداد متغیر زیاد را آشکار کرد و بدین ترتیب ضمن بکارگیری یک روش، امکان تعریف تابع تخمین ممکن می شود و ضرورتی به تلفیق چندین روش آماری وجود نخواهد داشت. tmars در واقع ترکیبی از دو روش mlr (رگرسیون خطی چندگانه) وmars (رگرسیون اسپلاین وفقی چند متغیره) است. در این مطالعه مشتقات داروی بازدارنده pfdhodh مورد بررسی قرار گرفت. پس از بهینه سازی ساختار، توصیف کننده های مختلف (1497توصیف کننده) با استفاده از نرم افزار dragon بدست می آید. بهترین توصیف کننده ها (6 توصیف کننده) با استفاده از روش گام به گام انتخاب شده و سپس mars برای مدل سازی استفاده می گردد. مقدار r2 در این روش 9552/0 و مقدار rmse برابر 2401/0 به دست آمده است.

مشتقات رنگ های آزو سنتزی تهیه می شوند که دارای گروه عاملی n=n می باشند و کاربرد اصلی آنها در صنایع غذائی و نساجی است. قسمت آروماتیکی تعیین کننده رنگ است. در این کار از الگوریتم کلونی مورچه و مدل رگرسیون خطی جهت پیشگویی ?max یک سری30- تایی از مشتقات رنگ های آزو استفاده شده است. در ابتدا پس از بهینه سازی ساختار مولکولی توسط نرم افزار hyper chem، در مجموع 1521 توصیف کننده به وسیله نرم افزارهای hyper chem و dragon محاسبه گردید. توصیف کننده ها به عنوان ورودی به برنامه الگوریتم مورچه داده شدند. به منظور به دست آوردن بهترین نتیجه با درصد خطای پایین و توصیف کننده های مناسب، برنامه الگوریتم مورچه را چند بار اجرا کرده و در اجراهای مختلف پارامترهای آن از جمله تعداد مورچه های اولیه، پارامتر تبخیر و تعداد دورها بهینه شدند. 5 توصیف کننده که بالاترین همبستگی را با ?max رنگ های آزو داشتند، توسط الگوریتم مورچه انتخاب شدند. از این توصیف کننده های انتخاب شده، برای ساختن مدل خطی مناسب جهت پیشگویی ?max ترکیبات مورد نظر استفاده شد. این روش نتایج خوبی را در هر دو سری آموزش (9346/0=2r) و پیشگویی (8419/0=2r) فراهم آورد. با توجه به موارد ذکر شده، معلوم گردید الگوریتم مورچه طراحی شده روشی مناسب جهت انتخاب توصیف کننده ها برای مدل سازی و پیشگویی?max مشتقات رنگ های آزو می باشد. کاپساسین ماده داروئی است که از فلفل قرمز استخراج می شود و مصارف داروئی ازجمله درمان انواع سرطان، آرتروز، رماتیسم مفصلی، زخم معده دارد. با استفاده ازروش های آموزش آماری ماشین یک رابطه کمی ساختار- فعالیت برای کاپساسین برقرار شده است .99 مولکول کاپساسین مطابق روش قسمت اول رسم شد و 1206 توصیف کننده محاسبه گردید. برای کاهش تعداد توصیف کننده ها ابتدا از روش های pca، ica و fuzzy clustering استفاده کردیم که صحت از حدود 62-61% بالاتر نرفت. در رهیافت دیگری از تئوری اطلاعات و معیار" بیشترین ارتباط، کمترین تقلیل پذیری" استفاده شد و پس از بهینه سازی توصیف کننده ها 100 توصیف کننده انتخاب شد. در مرحله بعد مجموع توصیف کننده ها با استفاده از الگوریتم wrapper بهینه سازی شد که مجموعا 13 توصیف کننده انتخاب شد و صحت برای طبقه بندی به پنج دسته فعالیت بسیار ضعیف ، ضعیف، متوسط ، خوب و فعالیت عالی84% بدست آمد.در کارهای قبلی ]72[ تنها با تقسیم مولکول به سه قسمت و طبقه بندی به فعال و غیر فعال، صحت نزدیک به 80% آمده بود. اما در کار حاضر بدون تقسیم بندی مولکولی و با تکیه به روش های محاسباتی صحتی بالاتر از کارهای سابق به دست آمد که نشانگر مناسب بودن و برتری روش های تئوری اطلاعات و svm بر روش های قدیمی تر می باشد.

این پایان نامه شامل پنج کار تحقیقاتی در زمینه های الکتروشیمی و کمومتریکس می باشد. در بخش الکتروشیمی سه کار تحقیقاتی برای اندازه گیری داروهای نیفیدیپین، کلرامفنیکل و فروزماید با استفاده از الکترودهای اصلاح شده انجام گرفته و در بخش کمومتریکس نیز دو کار تحقیقاتی انجام گرفته است.

توسعه و ایجاد یک مدل پیشگویانه برپایه ساختار با استفاده از روش رگرسیون خطی چندگانه براساس اجماع چندین روش داکینگ متفاوت (autodock vina, gold, flexx, surflex and glide) و توصیف کننده های حاصل از نتایج آن ها مورد مطالعه قرار گرفت. رابطه کمی ساختار-فعالیت میان فعالیت بازدارندگی 26 بازدارنده tmk استافیلوکوکوس اورئوس با توصیف کننده های داکینگ ایجاد گشت. برای اطمینان از توانایی پیشگویی مدل، مدل qsar به صورت درونی با استفاده از روش ارزیابی متقاطع loocv مورد ارزیابی قرار گرفت. نتایج مدل (r2 = 0.84, r2cv = 0.79,,re = 4.76%, mse = 0.179) با مدل های qsar حاصل از توصیف کننده های ساختاری قابل مقایسه بودند.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

در این پروژه، قابلیت کاربرد روش افزایش استاندارد نقطه h (hpsam) و مرکز میانگین برای داده های ولتامتری سینتیکی مورد بررسی قرار گرفته است. بدین منظور، فرایندی برای اندازه گیری آنتیموان(iii) و آنتیموان(v) به وسیله ولتامتری روبش خطی جذبی با استفاده از پیروگالول به عنوان عامل کمپلکس دهنده ارائه شده است. این روش براساس اختلاف بین سرعت تشکیل کمپلکس پیروگالول با آنتیموان(iii) و آنتیموان(v) در 2/1= ph است. سایر شرایط بهینه برای اندازه گیری این گونه ها، غلظت 4-10 × 2/1 مولار، پتانسیل جذب 4/0- ولت، زمان جذب 60 ثانیه و سرعت روبش پتانسیل 100 میلی ولت بر ثانیه بود. نتایج نشان داد که دو روش افزایش استاندارد نقطه h و مرکز میانگین برای اندازه گیری همزمان گونه های آنتیموان مناسب می باشند. محدوده اندازه گیری به ترتیب برای آنتیموان(iii) 0/120-0/3 و برای آنتیموان(v)، 0/240- 0/10 نانوگرم بر میلی لیتر در هر دو روش بدست آمد. حدود تشخیص برای آنتیموان(iii) در روش افزایش استاندارد نقطه h، ng/ml 0/1 و در روش مرکز میانگین ng/ml 2/1 و برای آنتیموان(v) در روش افزایش استاندارد نقطه h، ng/ml 0/3 و در روش مرکز میانگین ng/ml 8/2 بدست آمد. اثرات یون های خارجی مورد بررسی و مطالعه قرار گرفت. روش های پیشنهاد شده به طور موفقیت آمیزی برای اندازه گیری همزمان گونه های آنتیموان در نمونه های آب و فرآورده های دارویی به کار گرفته شد.

در این پروژه یک رابطه ساختار- خاصیت کمی به منظور پیشگویی حلالیت چند داروی استاتین در دی اکسید کربن فوق بحرانی مورد بررسی قرار گرفته است. با این روش حلالیت های لوواستاین، سیموواستاتین، آتورواستاتین، روسوواستاین و فلوواستاتین در دی اکسید کربن فوق بحرانی در 225 حالت مختلف دما و فشار پیشگویی گردید. در مجموعه داده ها از 1481 توصیف کننده صفر تا 3 بعدی و همچنین دما و فشار برای هر مولکول استفاده شد. سپس از روش طبقه بندی و رگرسیون درختی به عنوان روش انتخابگر توصیف کننده ها استفاده گردید. در نهایت 3 توصیف کننده (دما، فشار و جرم مولکولی) به عنوان ورودی برای سیستم فازی–عصبی تطبیقی (anfis) انتخاب شدند. ریشه میانگین مربعات خطاها برای سری آموزش، پیشگویی و ارزیابی به ترتیب برابر 0/90، 0/14 و 0/11به دست آمدند. نتایج به دست آمده با دو روش دیگر مورد مقایسه قرار گرفتند. در یکی از این روشها روش طبقه بندی و رگرسیون درختی به عنوان انتخابگر توصیف کننده ها استفاده شد و شبکه عصبی مصنوعی به عنوان روش مدلسازی استفاده شد. در روش دیگر، رگرسیون خطی چندگانه برای انتخاب توصیف کننده ها استفاده شد و شبکه عصبی مصنوعی برای مدلسازی انتخاب شد. همچنین در بررسی دیگری روش cart به هر دو منظور انتخاب توصیف کننده و رگرسیون مورد استفاده قرار گرفت. نتایج نشان دادند که روش طبقه بندی و رگرسیون درختی به همراه شبکه فازی–عصبی تطبیقی می تواند به عنوان مدلی ارزشمند برای پیشگویی حلالیت این داروها در دی اکسید کربن فوق بحرانی استفاده شود.در قسمت دوم این پروژه، ولتامتری پالس تفاضلی به منظور اندازه گیری همزمان چند ویتامین محلول در آب، اسید آسکوربیک (ویتامین c)، ریبوفلاوین (ویتامین b2) و پیریدوکسین (ویتامین b6 ) مورد استفاده قرار گرفته است. تاثیر پارامترهای مختلفی همچون phمحیط، سرعت روبش پتانسیل و اثر قدرت یونی محیط مورد بررسی قرار گرفتند. از بافر رابینسون با 0/5 = phبرای تثبیت ph محیط استفاده شد. در روبش پتانسیل از 1- تا 2- ولت ریبوفلاوین در پتانسیل 1/22- ولت پیک مشخصی ایجاد می کند و پیک مربوط به پیریدوکسین در پتانسیل 1/75- ولت دیده می شود. همچنین در روبش برگشت از 1- تا صفر ولت پیک اسید آسکوربیک در پتانسیل 0/15- ولت دیده می شود. غلظت اسید آسکوربیک از روی منحنی کالیبراسیون به دست آمده قابل محاسبه است اما برای محاسبه غلظت ریبوفلاوین و پیریدوکسین به دلیل همپوشانی ایجاد شده از روش anfis استفاده شد. مقادیر ضریب تعیین برای پیشگویی غلظتهای ریبوفلاوین و پیریدوکسین در سری پیشگویی به ترتیب 0/9873 و 0/9731و برای اسید آسکوربیک 0/9989 به دست آمد. در نهایت نتایج به دست آمده با نتایج حاصل از شبکه عصبی مصنوعی مقایسه گردیدند.

در قسمت اول پارامتر اختلال هیدروژن در اندیس های اتصال مولکولی و کاربرد آنها در مطالعات qspr بررسی شد. اندیس های اتصال مولکولی که خود دسته ای از توصیف کننده های مولکولی هستند، توسط گراف های شیمیایی به دست می آیند که در آنها از نمایش اتم های هیدروژن صرف نظر می شوند. پارامتر اختلال هیدروژن در محاسبه اندیس های اتصال مولکولی جهت محاسبه تاثیر اتم های هیدروژن به کار گرفته شد. پس از آن این اندیس ها در مطالعات qspr بر روی حجم مولی و شکست مولی آلکان ها، آلکن ها و الکل ها مورد استفاده قرار گرفتند. در پیشگویی حجم مولی ضریب تعیین 0/9607، 0/9506 و 0/9947 و در پیشگویی شکست مولی ضریب تعیین 0/9807، 0/9745 و 0/9829به ترتیب برای آلکان ها، آلکن ها و الکل ها به دست آمد. نتایج به دست آمده نشان داد که این اندیس ها منجر به تولید ضریب تعیین بهتری در مقایسه با اندیس های اتصال مولکولی ساده و اندیس های اتصال مولکولی والانس شدند. در قسمت دوم پیشگویی نقطه اشتعال آلکان ها به کمک اندیس های اتصال مولکولی مورد مطالعه قرار گرفت. نقطه اشتعال پائین ترین دمایی است که در آن سوخت به اندازه کافی به بخار تبدیل می شود و با هوا یک مخلوط قابل اشتعال می سازد. نقطه اشتعال برای انواع سوخت ها یک پارامتر مهم در مهندسی شیمی در طراحی کوره های صنعتی و راکتورها می باشد. اندازه گیری تجربی نقطه اشتعال دارای معایبی است از جمله پر هزینه بودن و خطرناک بودن آن. با توجه به این مطلب روش های محاسباتی و تئوری می توانند در ایجاد مدل هایی برای اندازه گیری و پیشگویی نقطه اشتعال موثر واقع شوند. در این پروژه، اندیس های اتصال مولکولی جهت پیشگویی نقطه اشتعال آلکان ها مورد استفاده قرار گرفته اند. برای آلکان ها مقادیر تجربی نشان می دهند که با افزایش طول زنجیر و شاخه ها، مقادیر عددی نقطه اشتعال نیز افزایش می یابد. یک مدل ریاضی جهت پیشگویی نقطه اشتعال 92 آلکان پیشنهاد شد و ضریب تعیین برای سری آموزش 0/9841=r2 و برای سری پیشگویی 0/9662=r2 بدست آمد.