هدف اصلی از پروژه ی حاضر کاوش اطلاعات از ترکیباتی بر پایه ی 4-کینولین هیدرازون با استفاده از مدل های qsar است که این مدل سازی ها در جستجوی ترکیبات ضد سل قوی ایجاد می شود. مدل سازی فعالیت ضد سل این ترکیبات به صورت تئوری به عنوان تابعی از توصیف کننده های مولکولی مختلف به وسیله ی روش های خطی و غیرخطی انجام شد. مدل سازی qsar با استفاده از انواع مختلفی از توصیف کننده هایی که توسط نرم افزارهای دراگون و آدریانا محاسبه شدند، انجام شد و سپس با استفاده از روش رگرسیون خطی چندگانه، تعداد مناسبی از توصیف کننده ها انتخاب شدند. توصیف کننده ها در سه گروه برای مدل سازی استفاده شدند. در ابتدا مدل سازی mlr با استفاده از توصیف کننده های دراگون و سپس با کمک توصیف کننده های آدریانا انجام شد و در گام بعدی، مدل سازی با هر دو گروه از توصیف کننده ها انجام شد و در نهایت نتایج به دست آمده، مقایسه شدند. شبکه های عصبی مصنوعی به عنوان روش های غیرخطی استفاده شدند و بررسی ها نشان داد که شبکه ی عصبی مصنوعی ann-lm بهترین نتایج را برای پیش بینی فعالیت ضد سل ارائه می دهد. توصیف کننده های منتخب در هر سه مدل، اهمیت محیط الکترواستاتیک اطراف گروه هیدرازون را روی فعالیت ضد سل ترکیبات مورد مطالعه نشان داد و نیز توصیف کننده های سه بعدی را مهمترین پارامترهای تاثیرگذار در فعالیت ضد سل معرفی کرد.

در این پژوهش، روش رابطه کمی ساختار- فعالیت (qsar) برای مدل سازی و پیش‏بینی فعالیت ضد فشار خون مشتقات پیریدازینون با استفاده از روش‏های مختلف کمومتریکس به کار رفته است. ابتدا با استفاده از نرم افزار‏های هایپرکم، موپک و دراگون تعدادی توصیف‏ کننده بدست آمد. در مرحله بعد با استفاده از روش رگرسیون خطی چند متغیره (mlr) تعداد مناسبی از توصیف ‏کننده‏ ها انتخاب شدند. در این قسمت از نرم افزار spss استفاده شد. نتایج بدست آمده از روش mlr نشان داد که فعالیت ضد فشار خون مشتقات پیریدازینون به توصیف‏ کننده ‏هایی مانند توصیف‏ کننده‏ های توپولوژیکی، توصیف‏ کننده ‏های تابع توزیع شعاعی و توصیف ‏کننده‏ های سه بعدی مورس بستگی دارند. در مرحله بعد این توصیف ‏کننده ‏ها به عنوان ورودی به شبکه‏ های عصبی مصنوعی با الگوریتم‏ های آموزش متفاوت به‏ کار برده شدند . از بین شبکه‏ های عصبی آموزش داده شده، شبکه جلو‏رونده با انتشار به عقب خطا که با الگوریتم لونبرگ مارکوواردت آموزش دیده است، بهترین نتایج را ایجاد کرد. پس از بهینه سازی این شبکه دارای ساختار 1-6-8 می‏باشد. با بررسی نتایج آماری دریافتیم که شبکه عصبی مصنوعی قدرت پیش‏ بینی بهتری نسبت به روش‏ خطی mlr دارد.

. ابتدا تعداد زیادی از توصیف کننده های مولکولی با استفاده از نرم افزار های هایپرکم، موپک و دراگون محاسبه شده است. سپس تعداد مناسبی از این توصیف کننده ها با استفاده از روش mlr انتخاب شده است. نتایج بدست آمده از روش mlr نشان می دهد که فعالیت ضد آلزایمر این ترکیبات به پارامتر های مختلفی از قبیل: توصیف کننده های توپولوژیکی، خود همبستگی دوبعدی، توصیف کننده های سه بعدی مورس و شاخص های بار الکتریکی بستگی دارد. سپس این توصیف کننده ها به عنوان ورودی برای شبکه عصبی ann-lm بکار برده شده است. بهترین شبکه عصبی مصنوعی یک شبکه جلو رونده با انتشار به عقب خطا که با الگوریتم lm آموزش داده شده است می باشد که دارای ساختار 1-8-8 می باشد. بهترین خطای استاندارد و ضریب همبستگی برای مجموعه آموزشی به ترتیب 10/0 و 954/0 می باشد و برای مجموعه آزمایشی بهترین خطای استاندارد و ضریب همبستگی به ترتیب 098/0 و 946/0 می باشد. مقایسه نتایج بدست آمده نشان می دهد که شبکه های عصبی مصنوعی در پروژه حاضر قدرت پیش بینی بهتری نسبت به سایر روش ها از قبیل: mlr و pls دارا می باشد.

هدف اصلی از پروژه حاضر کاوش اطلاعات از مشتقات کورکومین با استفاده از مدل های qsar است. این مدل سازی ها در جستجوی ترکیبات ضد سرطان قوی بر روی رده های سلولی سرطان انسانی، pc-3، panc-1 و ht-29 ایجاد می شود. مدل سازی فعالیت ضد سرطان این ترکیبات به صورت تئوری به عنوان تابعی از توصیف کننده های مولکولی مختلف به وسیله روش های خطی و غیرخطی انجام شد. مدل سازی qsar با استفاده از انواع مختلفی از توصیف کننده هایی که توسط نرم افزارهای دراگون و هایپرکم محاسبه شدند و همچنین نتایجی که از طیف های 13c-nmr مولکول ها بدست آمد، انجام شد. ابتدا مدل سازی برای هر کدام از رده های سلولی با استفاده از رگرسیون خطی چندگانه (mlr)، حداقل مربعات جزئی (pls) و رگرسیون اجزای اصلی (pcr) به عنوان روش های خطی با استفاده از توصیف کننده ها انجام شد. توصیف کننده های انتخاب شده در مدل های mlr مربوط به هر سه رده ی سلولی pc-3، panc-1 و ht-29 شامل belv1، gnn، rdf055m، mor23m و جابجایی شیمیایی 13c-nmr مربوط به کربن کربونیل مولکول می باشند. سپس شبکه عصبی مصنوعی لونبرگ مارکواردت (ann-lm) که یک روش غیرخطی است، با استفاده از توصیف کننده های وارد شده در مدل mlr برای رده های سلولی pc-3، panc-1 و ht-29 طراحی شد. شبکه های عصبی مصنوعی طراحی شده برای هر سه رده ی سلولی pc-3، panc-1 و ht-29 ساختار [1×3×5] دارند. در نهایت نتایج به دست آمده از مدل های مختلف مورد مقایسه قرار گرفتند، بررسی ها نشان داد که شبکه ی عصبی مصنوعی ann-lm بهترین نتایج را برای پیش بینی فعالیت ضد سرطان ارائه می دهد

در این تحقیق، روش qsar برای مدل سازی و پیش بینی فعالیت ضد فشارخون یک سری 65 تایی از بازدارنده های غیر اوره ای هیدرولاز اپوکسید محلول با استفاده از رگرسیون خطی چند گانه (mlr)، روش حداقل مربعات جزئی (pls)، رگرسیون اجزاء اصلی (pcr)، و شبکه عصبی مصنوعی (ann) به کاربرده شده است. ابتدا داده ها به دو گروه آموزش (45 مولکول) و آزمایش (20 مولکول) تقسیم شدند. سپس تعداد زیادی از توصیف کننده های مولکولی با استفاده از نرم افزارهای هایپرکم و دراگون محاسبه شدند. تعداد مناسبی از این توصیف کننده ها با استفاده از روش mlr انتخاب شدند. نتایج به دست آمده از این روش نشان می دهد که فعالیت ضد فشارخون ترکیبات مطالعه شده به پارامترهای مختلفی از قبیل: توصیف کننده های توپولوژیکی، خود همبستگی، سه بعدی مورس و توصیف کننده اجزا اتم در مرکز بستگی دارد. پس از آن این توصیف کننده ها به عنوان ورودی برای مدل سازی به روش های pls، pcr و ann به کار گرفته شدند. با مدلسازی به روش pls ضریب همبستگی برای دسته آموزش 963/0 و برای دسته آزمایش 944/0 بود. خطای استاندراد حاصل از این روش برای دسته آموزش251/0 و برای دسته آزمایش 345/0 بود. به منظور کاهش همپوشانی های خطی بیش از حد از روش pcr استفاده شد. ضریب همبستگی این روش برای دسته آموزش 950/0 و برای دسته آزمایش 908/0 بود. خطای استاندارد این روش برای دسته آموزش و آزمایش به ترتیب 288/0 و 440/0 بود. بهترین شبکه عصبی مصنوعی یک شبکه جلو رونده با انتشار رو به عقب خطا که به وسیله الگوریتم لونبرگ- مارکواردت ساخته شده است، می باشد. بهترین ضریب همبستگی و خطای استاندارد برای دسته آموزش با استفاده از مدل ann-lm به ترتیب 980/0 و 185/0 می باشد و برای دسته آزمایش بهترین ضریب همبستگی و خطای استاندارد نیز به ترتیب 959/0 و 322/0 می باشد. مقایسه نتایج به دست آمده نشان می دهد که روش ann قدرت پیش بینی بهتری نسبت به mlr و pls و pcr دارد.

مطالعه ارتباط کمی ساختار-بازداری (qsrr) روی زمان های بازداری کروماتوگرافی گازی (دتکتور نشر اتمی) سری وسیعی از آفت کش های مختلف روی فازهای ساکن با قطبیت متفاوت (5-db فاز ساکن غیر قطبی و 17-db فاز ساکن با قطبیت متوسط) صورت گرفته است. مدل سازی زمان بازداری این ترکیبات به صورت تیوری به عنوان تابعی از توصیف کننده های مولکولی مختلف به وسیله روش های خطی و غیر خطی انجام شد. با استفاده از روش رگرسیون خطی گام به گام در نرم افزار spss، مدل هایی که بهترین نتایج را داشتند انتخاب شدند. این مدل ها داری کمترین خطای استاندارد و بیشترین ضریب همبستگی با مقادیر تجربی زمان های بازداری می باشند. پنج دسته از توصیف کننده های مولکولی شامل توصیف کننده های هندسی، توپولوژیکی، اساسی، فیزیکوشیمیایی و کوانتوم شیمیایی برای توسعه ارتباط کمی بین زمان بازداری و خصوصیات ساختاری این ترکیبات مورد استفاده قرار گرفتند. رگرسیون خطی چندگانه (mlr) و حداقل مربعات جزیی (pls) به عنوان روش های خطی و شبکه های عصبی مصنوعی (anns) با الگوریتم های یادگیری متفاوت به عنوان روش های غیر خطی برای پیش بینی زمان های بازداری مورد استفاده قرار گرفتند. تحقیقات نشان داد که بعضی از انواع شبکه های عصبی مصنوعی مانند شبکه های عصبی با الگوریتم یادگیری شیب توأم مقیاس شده (ann-scg) و شبکه های عصبی مصنوعی با الگوریتم یادگیری انتشار به عقب ارتجاعی (ann-rp) بهترین نتایج را برای پیش بینی زمان های بازداری ارایه می دهند.

در این پروژه روش ارتباط کمی ساختار- ویژگی (qspr) برای مدل سازی و پیش بینی مقادیر جابجایی شیمیایی کربن-13 یک سری 113 تایی از مشتقات بنزن برای چهار موقعیت ایپسو، اورتو، متا و پارا بکار برده شده است. ابتدا تعداد زیادی از توصیف کننده های مولکولی با استفاده از نرم افزارهای هایپرکم، موپک، دراگون محاسبه شد. همچنین تعدادی توصیف کننده ساده از روی ساختار ترکیبات بدست آمد. سپس تعداد مناسبی از این توصیف کننده ها با استفاده از روش mlrبرای هر موقعیت انتخاب شدند. نتایج بدست آمده از روش mlr نشان می دهد که توصیف کننده های متفاوتی روی هر موقعیت موثر می باشند. سپس توصیف کننده های انتخابی برای هر موقعیت بعنوان ورودی برای شبکه های عصبی مصنوعی با الگوریتم های یادگیری مختلف از قبیل: شبکه های عصبی با الگوریتم یادگیری لونبرگ مارکوواردت، شبکه های عصبی با الگوریتم یادگیری پس انتشار ارتجاعی، شبکه های عصبی با الگوریتم یادگیری شیب توأم و شبکه های عصبی با الگوریتم یادگیری شیب توأم مقیاس شده بکار برده شده است. نهایتاً برای هر چهار موقعیت با انتخاب هفت توصیف کننده مشترک یک شبکه جلو رونده با انتشار به عقب خطا که با الگوریتم لونبرگ مارکوواردت آموزش داده شده و دارای ساختار 4-7-7 است بعنوان بهترین شبکه عصبی انتخاب شد.برای مثال کمترین خطای استاندارد و بهترین مجذور ضریب همبستگی برای مجموعه آموزشی موقعیت ایپسو به ترتیب 884/4 و 781/0 می باشد و برای مجموعه پیش بینی کمترین خطای استاندارد و بهترین مجذور ضریب همبستگی به ترتیب 357/1 و 963/0 می باشد. مقایسه نتایج بدست آمده نشان می دهد که شبکه های عصبی مصنوعی قدرت پیش بینی بهتری نسبت به روش های mlr و pls دارا می باشند. همچنین نتایج نشان می دهدکه توصیف کننده های مولکولی تأثیر مهمی بر روی جابجایی شیمیایی کربن-13 مشتقات بنزن دارند.

مشتقات 1، 2، 3-تری آزول برای مدت های طولانی در مطالعات صورت گرفته به عنوان یک منبع پر بار والهام بخش برای یافتن داروی ضد سرطان بوده است. هدف اصلی پروژه حاضر بررسی خاصیت ضد سرطانی یک سری از مشتقات 1 ، 2، 3-تری آزول-پریمیدین روی سه رده سلول سرطانی، b16-f10 (تومور سیاه رنگ قشر عمیق پوست) ، mgc-803 (سرطان معده) وmcf-7 (سلول های سرطان سینه انسان) با بهره گیری از روش های qsar می باشد. ابتدا ساختار هندسی تمام مولکول ها در نرم افزارhyperchem رسم شده و بهینه سازی آن ها توسط روش نیمه تجربیam1 صورت گرفت. سپس توصیف کننده ها در نرم افزار دراگون محاسبه شدند. مولکول های سری داده به نسبت 70 به 30 درصد به دو دسته تقسیم بندی شدند، به طوری که 70% در دسته ی آموزش و 30% در دسته ی آزمون قرار می گیرد.مدلسازی با انواعی روش های خطی و غیر خطی صورت گرفت.بررسی نتایج نشان دهنده ی برتری مدل بدست آمده از روش شبکه عصبی می باشد، نتایج بدست آمده نشان می دهد خاصیت ضد سرطانی این ترکیبات یک رابطه ی پیچیده با ویژگی-های ساختاری ترکیبات مورد نظر دارد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.