چکیده: در این پروژه به منظور بررسی مهارکنندگی آنزیم گاما سکرتاز توسط مشتقات آمینوکاپرولاکتام، log ic50 آنها به روش ارتباط کمی ساختار- فعالیت (qsar) مدل سازی شد. در مرحله اول یک سری داده شامل52 مولکول انتخاب و به دوسری مرجع و پیش بینی شونده تقسیم شدند. در مرحله بعد 1497 توصیف کننده برای هر مولکول محاسبه شد. در آنالیز توصیف کننده ها 969 توصیف کننده که دارای مقادیر ثابت یا همبستگی بالا بودند حذف شدند. در مرحله سوم رگرسیون خطی چندگانه برای انتخاب توصیف کننده ها و مدل سازی مورد استفاده قرار گرفت. بر طبق محاسبات mlr، از مجموع 528 توصیف کننده، ده توصیف کننده به عنوان مناسب ترین انتخاب شدند. به منظور در نظر گرفتن روابط خطی و غیرخطی، شبکه های عصبی مصنوعی به کار گرفته شدند. ساختار بهینه شبکه عصبی پس انتشار 1-3-10 بود. نهایتاً مقایسه log ic50 محاسباتی و تجربی ترکیبات آمینوکاپرولاکتام برای سری های مرجع و پیش بینی شونده همبستگی خوب و توانایی بالای مدل ann را نشان می دهد. در قسمت دوم این تز، به منظور بررسی مهارکنندگی آنزیم کربنیک انیدراز توسط 1 و 3 و 4- تیادیازول 2- تیون،log ic50 آنها به روش ارتباط کمی ساختار- فعالیت مدل سازی شد. در مرحله اول یک سری داده شامل 25 مولکول انتخاب و به دو سری مرجع و پیش بینی شونده تقسیم گردید. در مرحله بعد 1501 توصیف کننده برای هر مولکول محاسبه شد. در آنالیز توصیف کننده ها 1025 توصیف کننده که دارای مقادیر ثابت یا همبستگی بالا بودند حذف شدند. در مرحله سوم از الگوریتم ژنتیک برای انتخاب توصیف کننده ها استفاده شد. براساس محاسبات ژنتیک الگوریتم، 3 توصیف کننده از 476 توصیف کننده انتخاب گردید. در مرحله چهارم برای مدل سازی میزان مهارکنندگی تیادیازول تیون ها از شبکه عصبی پس انتشار استفاده شد. ساختار بهینه شبکه عصبی پس انتشار 1-3-3 بود. در نهایت مقایسه log ic50 محاسباتی و تجربی ترکیبات تیادیازول تیون برای سری های مرجع و پیش بینی شونده همبستگی خوب و توانایی بالای مدل gnn را نشان می دهد.