چکیده روش های کمومتریکس (شامل روش های طراحی آزمایش، بهینه سازی، تفکیک منحنی چند متغیره (mcr) و مطالعه رابطه کمی ساختار- ویژگی (qspr)) جهت آنالیز مواد فرار موجود در چند نمونه برنج ایرانی با استفاده از کروماتوگرافی گازی- طیف سنجی جرمی(gc-ms) مورد استفاده قرار گرفت. به این منظور در بخش اول، بهینه سازی عوامل موثر بر کارایی نمونه برداری از فضای فوقانی ایستا کروماتوگرافی گازی- طیف سنجی جرمی با استفاده از طرح فاکتوریال کامل و طرح مرکب مرکزی مورد بررسی قرار گرفت. مطابق نتایج حاصل، سطح بهینه پارامترهای موثر، دما (oc ???t=) و زمان استخراج (s 900t=) بوده و سایر پارامترها نظیر سرعت چرخش همزن تأثیر معنی داری بر کارایی استخراج نداشتند. انجام آزمایش در شرایط بهینه شده نشان داد که همبستگی خوبی بین نتایج پیش بینی شده و تجربی (??/?? %) وجود دارد. سپس آنالیز مواد فرار نمونه هایی از برنج ایرانی در شرایط ذکر شده منجر به شناسایی ??، ?? ، ??، ?? و ?? ترکیب شیمیایی به ترتیب در برنج های دم سیاه، دیلمانی، شیرودی، هاشمی و طارم شد. عمده ترین ترکیبات شناخته شده، آلکیل آلدهیدها بودند. همچنین اندازه گیری و استخراج مواد فرار از پنج نمونه برنج توسط روش میکرو استخراج فاز جامد و gc–ms انجام شد. در مجموع حدود ?39 25 ? 27 ? 15 و 21 پیک به ترتیب برای نمونه های دم سیاه، دیلمانی، هاشمی، شیرودی و طارم شناسایی شد. ترکیبات فرار شناسایی شده در این نمونه ها متعلق به خانواده های آلدهیدها، کتون ها، الکل ها، ترکیبات هتروسیکل و غیره می باشند. عمده ترین ترکیبات فرار در این برنج ها یکسان نبوده و نشان دهنده ی تفاوت در نمونه های برنج می باشد. در قسمت دوم، از روش های تفکیک منحنی چند متغیره به منظور تفکیک پیک های gc-ms همپوشانی کرده ترکیبات فرار موجود در نمونه برنج دم سیاه استفاده شد. در ابتدا با در نظر گرفتن انطباق طیف جرمی اجزا نمونه و اطلاعات پایگاه داده های جرمی، 29 ترکیب در مواد فرار موجود در نمونه برنج شناسایی شد. سپس با به کارگیری روش های تفکیک منحنی چند متغیره - حداقل مربعات متناوب (mcr-als) و با استفاده از محدودیت های مناسب، پروفایل های مجزای غلظتی و طیفی برای اجزا موجود در پیک های همپوشانی کرده به دست آمد. تعداد اجزا شناخته شده پس از به کارگیری روش تفکیک منحنی چند متغیره، ?3 ترکیب می باشد که عمده ترین آن ها شامل نونانال (50/12%)، هگزانال (84/9%)، ایزوپروپیل هیدروپروکساید (00/7%)، ?- بنزوئیل-?و?-دی متوکسی-?- متیلیدین-?-هیدروژن- ?و?- بنزوتیازین (36/5%)، اپیلوفودیون (82/4%) و ?- متیل-?-(?- متیل اتنیل)- سیکلوهگزن (54/4%) است. در قسمت سوم، زمان بازداری اندازه گیری شده توسط کروماتوگرافی گازی 64 ترکیب فرار نمونه برنج ایرانی به کمک روش های رگرسیون خطی چندگانه (mlr)، شبکه عصبی مصنوعی (ann)، ماشین بردار پشتیبان (svm) و جنگل تصادفی (rf) مدل سازی شدند. برای انتخاب تعداد بهینه توصیف کننده ها از روش رگرسیون خطی چندگانه مرحله ای استفاده شد که منجر به شکل گیری مدل نهایی با ? توصیف کننده گردید. این هشت توصیف کننده متعلق به گروه های الکتروتوپولوژیکی ‍می باشند. بهترین مدل به دست آمده از بین مدل های موجود، مدل حاصل از جنگل های تصادفی می باشد که دارای پارامترهای آماری???/? r=و ???/?se= برای سری آموزشی و ???/? r= و ???/? se=برای سری آزمون است. اعتبار این مدل، به کمک روش ارزیابی تقاطعی (???/? q2=) و آزمون درهم ریختگی بردار پاسخ بررسی شد. نتایج این مطالعه نشان دهنده توانایی مدل qsrr حاصل در پیش بینی زمان بازداری ترکیبات فرار برنج در کروماتوگرافی گازی است. در قسمت چهارم، شاخص بازداری ?? ترکیب فرار برنج در کروماتوگرافی گازی به کمک نرم افزار کورال با توصیف کننده های مبتنی بر گراف مولکولی، توصیف کننده های مبتنی بر ساختار مولکولی و مجموعه ای از آن ها مورد مدل سازی قرار گرفت. پارامترهای آماری بهترین مدل برای سری آموزشی، آزمون داخلی و آزمون خارجی به ترتیب دارای ضریب همبستگی ???/? ، ???/? و ???/? و انحراف استاندارد ?/?? ، ?/??? و ?/??? می باشند. قابلیت اطمینان این مدل به کمک روش ارزیابی تقاطعی مورد بررسی قرار گرفت. مقادیر بالای q2 (???/?) نشان دهنده قابلیت اطمینان مدل است. در بخش پنجم، یک مدل خطی qsrr برای پیش بینی شاخص بازداری ?? ترپنول بر روی ستون hp-5ms در کروماتوگرافی گازی به کمک توصیف کننده های مولکولی آن ایجاد شد. در این راستا ابتدا ترکیبات بر اساس مقدار ritms آن ها از کوچک به بزرگ مرتب شده و سپس سری آموزشی و آزمون از بین آن ها انتخاب شد. سری آموزشی، حاوی ?? ترکیب، به منظور توسعه مدل و سری آزمون، حاوی ?? ترکیب، برای ارزیابی مدل ها مورد استفاده قرار گرفت. توصیف کننده های انتخاب شده در مدل ri شامل؛ شاخص رندیک خی-1 اصلاح شده (xmod)، تعداد مولکول های گردشی درجه 10 (mwc10)، متوسط مجموع ضریب بردار از ماتریس مجاورت (vea2)، تابع توزیع شعاعی-0/2 وزن دارشده با وزن های اتمی (rdf020m) و تابع توزیع شعاعی-5/6 وزن دارشده با وزن های اتمی (rdf065m) و توصیف کننده های انتخاب شده در مدل ritms شامل؛ شاخص رندیک درجه ? (m?)، شاخص شکل کایر درجه دوم (2?)، مساحت سطح نسبی منفی وزن دار شده با بار (pnsa) و نسبت کسر مساحت سطح جزئی باردار مثبت (fpsa-3) به مساحت سطح نسبی مثبت (ppsa) می باشند. این توصیف کننده ها، جنبه های مختلف مولکول های نمونه که تحت تأثیر برهم کنش نمونه-فاز ساکن قرار می گیرد را نشان می دهد. بهترین مدل خطی به دست آمده برای مدل ri دارای آماره ی ضریب همبستگی 985/0 و 980/0 و برای مدل ritms دارای آماره ی ضریب همبستگی ???/? و ???/? به ترتیب برای سری آموزشی و سری آزمون می باشند. برای ارزیابی قدرت پیش بینی و تعمیم مدل، از روش ارزیابی تقاطعی استفاده شد. نتایج حاصل از این آزمون (?90/?= q2 برای ri و ???/?= q2 برای ritms) نشان دهنده ی اعتبار مدل حاصل می باشد. به علاوه، دامنه کاربرد مدل نیز مورد بررسی قرار گرفت که به جز دو داده سایر داده ها در محدوده ی کاربرد مدل می باشند. در قسمت ششم، ضریب نفوذ پوستی (شار) مواد شیمیایی فرار و غیر فرار به کمک روش های ارتباط کمی ساختار-فعالیت با استفاده از توصیف کننده های مولکولی تخمین زده شد. در این بخش، مدل های خطی و غیرخطی متفاوتی ایجاد شد. در این مدل های جداگانه به ترتیب از 7 و 6 توصیف کننده برای مدل سازی qsar ضریب نفوذ پوستی ترکیبات فرار و غیر فرار استفاده شد. همه ی این توصیف کننده ها نشان دهنده ی جنبه های توپولوژی و الکترونی ترکیبات شیمیایی هستند که بر میزان نفوذ آن ها به پوست تأثیر می گذارد. مقایسه پارامترهای آماری مدل های mlr و ann حاصل، مشخص کرد که تفاوت معنی داری بین مدل ها وجود ندارد. برای ارزیابی اعتبار مدل های به دست آمده، از روش های ارزیابی تقاطعی استفاده شد. مقادیر آماره های این آزمون عبارتند از 812/?= q2mlrو ?62/?= q2annبرای ترکیبات غیر فرار و 788/?= q2mlrو 800/?= q2ann برای ترکیبات فرار می باشد. همچنین آزمون در هم ریختگی بردار پاسخ نیز به عنوان یک روش ارزیابی داخلی مدل استفاده شد. متوسط r2 پس از هزار بار درهم ریختگی تصادفی بردار پاسخ، برابر ???/? و ???/? برای مدل mlr و ???/? و ???/? برای مدل ann به ترتیب برای ترکیبات فرار و غیر فرار می باشد که مقدار کم آن (کمتر از ?/?) حاکی از عدم وجود هر گونه ارتباط تصادفی بین متغیرها و مقادیر پارامتر مورد نظر می باشد. واژه های کلیدی: مواد فرار برنج، نمونه برداری فضای فوقانی ایستا، طراحی آزمایش، میکرواستخراج فاز جامد، کروماتوگرافی گازی- طیف سنجی جرمی، تفکیک منحنی چند متغیره، ارتباط کمی ساختار- فعالیت، جنگل تصادفی، کورال، ترپنول، سرعت نفوذ پوستی.

چکیده در بخش اول این پژوهش مدلهای qsrr برای پیش بینی فاکتور بازداری نمونه در کروماتوگرافی سیال فوق بحرانی(sfc) در درصد های مختلف اصلاحگر در فاز متحرک ایجاد شد. سری داده ها شامل بازداری 35 ترکیب آلی مختلف در 0 ،2 ،4 و6 درصد متانول در فاز متحرک است. مدل سازی فاکتور ظرفیت یک بار برای درصدهای مختلف اصلاحگر به طور جداگانه و یک بار به طور همزمان برای تمام شرایط صورت گرفته است. در مدلسازی همزمان، 140 داده بازداری برای 35 ترکیب وجود داشت که این داده ها به سه سری آموزشی، ارزیابی داخلی و ارزیابی خارجی تقسیم شدند. به منظور حصول اطمینان از پراکندگی یکنواخت داده ها در سری های آموزشی، ارزیابی داخلی و ارزیابی خارجی آنالیز پراکندگی داده ها بر روی داده های بازداری مذکور صورت گرفت. توصیف کننده های انتخاب شده با روش انتخاب متغیر رگرسیون خطی مرحله ای عبارتند از: درصد متانول در فاز متحرک، پارامتر قطبیت، اندیس هدایت رهایی اتصال-2، اندیس هدایت رهایی اتصال– 5 ، هیدروژن متصل به هترواتم و محتوای اطلاعات ساختاری ترکیبات. این توصیف کننده ها به منظور مدلسازی خطی و غیر خطی توسط روش های رگرسیون خطی چندگانه ) (mlrو شبکه عصبی مصنوعی (ann) به کار گرفته شده اند. مقدار متوسط مربع خطای پیش بینی (rmse)برای سری های آموزشی، ارزیابی داخلی و ارزیابی داخلی محاسبه شده که در مدل mlr به ترتیب برابر است با 116/0 ، 138/0 و 260/0. در حالی که این مقادیر برای مدل ann به ترتیب برابر است با 036/0 ، 097/0 و 244/0 می باشد. این نتایج و سایر آزمون های آماری دیگر نشان دهنده ی ارجحیت مدل ann نسبت به mlr در پیش بینی فاکتور بازداری در کروماتوگرافی سیال فوق بحرانی می باشد. در بخش دوم ارتباط ساختار- سمیت 392 مشتق بنزن نسبت به یک تک یاخته زیستی با استفاده از توصیف کننده های مولکولی مورد بررسی قرار گرفت. توصیف کننده های مورد استفاده در این بخش با استفاده از نرم افزار codessa وdragon محاسبه شدند. روش های رگرسیون خطی چندگانه ) (mlrو شبکه عصبی مصنوعی (ann) به منظور مدلسازی به کار گرفته شده اند. توصیف کننده های وارد شده در بهترین مدل mlr شامل te، ksi،h046 ، c026،c024 ، rdf020e، mw می باشند. این توصیف کننده ها قادر به سنجش جنبه هایی از رفتار و خواص مولکول ها می باشند که بر بر همکنش های الکترونی، فضایی و چربی دوستی آنها موثر می باشند. پارامترهای آماری بهترین مدل شامل 822/0= 2r و806/1386= f و 312/0= se برای سری آموزشی و 815/0= 2r و384/361= f و 337/0= se برای سری پیش بینی در محاسبه ی log(1/igc50 ) می باشد. برای ارزیابی مدل به دست آمده از روش ارزیابی تقاطعی استفاده شد. مقدار q2 وspress حاصل از این آزمون به ترتیب 819/0 و 32/0 می باشد که نشان دهنده ی اعتبار قابل قبول مدل حاصل است. همچنین نتایج حاصل از تصادفی کردن بردار پاسخ ها نشان دهنده ی این است که در ایجاد مدل حاصل شانس و تصادف نقشی نداشته است. واژه های کلیدی: رابطه کمی ساختار- فعالیت، رگرسیون خطی چندگانه، شبکه عصبی مصنوعی، کروماتوگرافی سیال فوق بحرانی، سمیت.