ارتباط کمی ساختار با زمان بازداری برای مدسلسازی و پیش بینی زمان بازداری ترکیبات آروماتیک کلردار بکار رفته است. مجموعه مناسب توصیف گرهای مولکولی محاسبه شده است و توصیف گرهای مناسب با کمک روش رگرسیون چندگانه گام به گام و الگوریتم ژنتیکی (ga) انتخاب شده است. مقایسه نتایج حاصل نشانگر برتری روش الگورتیم ژنتیکی نسبت به رو رگرسیون گام به گام در انتخاب توصیف گرها می باشد. ابتدا مدلسازی با روشهای الگوریتم ژنتیک - رگرسیون خطی چندگانه (ga-mlr) و الگوریتم ژنتیک - شبکه عصبی مصنوعی (ga-ann) مدلی خطی با یک توصیف گر با نام حجم واندروالیسی و مولکول (r2v) ایجاد کرد که r2 به ترتیب 0/982 و 0/983 حاصل شد. در ادامه کار برای افزایش کارایی مدل با توجه به خطی بودن مدلسازی با چندین توصیف گر با روش های sw-mlr و ga-mlr انجام گرفت. اولین توصیف گر متوسط مجذور فاصله یا (msd) است که جزو توصیف گرهای توپولوژی می باشد msd با افزایش تعداد اتم های جانشین شده در سری ایزومری مولکول افزایش می یابد. دومین توصیف گر elp است که در مدل ga-mlr ظاهر می شود. elp یکی از توصیف گرهای دسته whim می باشد که براساس تصویر کردن اتم ها بر روی جزء اصلی محاسبه می شوند. قطبش پذیری اتمی یکی از شکل های وزنی است که برای محاسبه وزن ماتریس کوواریانس وزنی در این توصیف گر استفاده می شود. نتایج کار نشان می دهد که افزایش جانشینی و قطبش پذیری اتمی منجر به افزایش مقدار زمان بازداری آن می شود. اعتبار مدل پیشنهادی با روش های leave-group-out (lgo) cross-validation و leave-one-out (loo) و آزمون تصادفی y ارزیابی گردید. سنجش های آماری نظیر r و q و مقدار f این مدل به ترتیب برابر 0/986 و 0/986 و 5881/823 بود که نشانگر اعتبار مدل می باشد.

qspr برای مدل سازی و پیش بینی چرخش ویژه نوری بکار رفته است. در این پروژه ، ابتدا 59 مولکول الکل که دارای چرخش ویژه بودند انتخاب شدند و شکل مولکولی آنها با استفاده از نرم افزار hyperchem 7.0 ترسیم شد. سپس فایل شکل های رسم شده به نرم افزار draogn انتقال یافت که تعداد 1481 توصیف گر مولکولی را محاسبه می کند. با توجه به اینکه یک رابطه غیر خطی میان توصیف گرها وجود داشت از الگوریتم ژنتیک برای انتخاب بهترین توصیف گر استفاده شد. ابتدا مدل سازی با روش های الگوریتم ژنتیک-رگرسیون خطی چندگانه (ga-mlr) و الگوریتم ژنتیک-شبکه عصبی مصنوعی (ga-ann) مدلی خطی با هشت توصیف گر ایجاد کرد که r2 به ترتیب 773/0 و 926/0 حاصل شد. برای اعتبار سازی مدل از روش leave-one-out در سری آموزشی استفاده شد و چهار پارامتر بهینه شدند. در ادامه برای بدست آوردن ارتباط غیر خطی مولفه های اصلی از روش ga-ann جهت محاسبه چرخش ویژه نوری الکل ها استفاده شد. در این روش ورودی شبکه های عصبی مصنوعی مولفه های اصلی انتخاب شده در الگوریتم ژنتیک بودند. بدین ترتیب یک شبکه از نوع 1-4-8 بکار گرفته شد. در نهایت با توجه به مقادیر تجزیه و تحلیل واریانس و جداول و منحنی ها می توان نتیجه گرفت که مدل ریاضی بدست آمده توانایی پیش بینی r را داراست.