بررسی معیارهای متفاوت برای منظم کردن اجزاهای اصلی به منظور ایجاد یک مدل QSPR برای پیش ­بینی نقطه های ذوب

پژوهش های کاربردی در شیمی

مقاله 2، دوره 4، شماره 15، آذر 1389، صفحه 13-20   

نوع مقاله: پژوهشی

نویسندگان

ولی زارع شاه­ آبادی^{* 1}؛ فاطمه عباسی­ تبار²

¹دانشکده شیمی و مهندسی شیمی، دانشگاه آزاد اسلامی واحد ماهشهر، ماهشهر، ایران

²دانشگاه آزاد اسلامی واحد مرودشت، مرودشت، ایران

چکیده

براساس اهمیت پیش ­بینی نقطه های ذوب ترکیب ها، در این مقاله سعی شد که برای دسته وسیعی از ترکیب ها مدل مناسبی که توانایی پیش­ بینی نقطه های ذوب را در حد مطلوبی داشته باشد، ارایه شود. برای این منظور 4173 ترکیب شیمیایی با ساختارهای متنوع گزارش شده در مقاله های قبلی، انتخاب و برای توصیف ساختار آن ها از یک دسته 202 تایی از توصیفکننده­ های 2D و 3D استفاده شد. این دسته داده­ ها به دو دسته آموزش و دسته تست به ترتیب با اندازه ­های 2573 و 1600 تقسیم­ بندی شد. ارزیابی بیشتر مدل ایجاد شده به کمک یک دسته داده دیگر با اندازه 277 صورت گرفت. برای کاهش حجم ماتریس توصیف­ کننده­ ها از تجزیه اجزای اصلی کمک گرفته شد و از شبکه عصبی برای ایجاد مدل استفاده شد. بردارهای ویژه به دست آمده از تجزیه اجزای اصلی بر اساس معیارهای متفاوتی مرتب و به عنوان ورودی شبکه مورد استفاده قرار گرفتند. معیارهای استفاده شده عبارت بودند از بزرگی مقدار ویژه، میزان همبستگی با نقطه ذوب و میزان قدرت پیش­بینی کنندگی. بهترین مدل در حالتی بدست آمد که بردارهای ویژه براساس میزان قدرت پیش­ بینی­ کنندگی­ اشان مرتب و به عنوان ورودی استفاده بودند. در پایان پارامترهای شبکه از قبیل تعداد لایه­ های پنهان، تعداد گره در هر لایه، سرعت یادگیری و مومنتوم بهینه ­سازی شدند. شبکه با ساختار [25 10 8 1] و سرعت یادگیری 0/7 و مومنتوم 0/16به عنوان شبکه بهینه انتخاب شد.
 

کلیدواژه‌ها

ارتباط کمی میان ساختار و خاصیت؛ آنالیز اجزای اصلی؛ مرتب سازی اجزاهای اصلی؛ شبکه عصبی مصنوعی

مراجع

[1] H. van de Waterbeemd. VCH, New York, 1995.
[2] Yao, S.W., Lopes, V.H.C., Fernandez, F., Garcia-Mera, X., Morales, M., Rodriguez-Borges, J.E., Cordeiro, M.N.D.S., Synthesis and QSAR Bioorg. Med. Chem. 11 4999–5006 (2003).
[3] Shijin, R., Chemosphere 53 1053–1065 (2003).
[4] Liang, Y.Z., Xie, Y.L., Yu, R.Q., Chim. Acta 222 347-357 (1989).
[5] Kalivas, J.H., Roberts, N., Sutter, M.J., Anal. Chem. 61 2024-2030 (1989).
[6] Lucasius, C.B., Beckers, M.L.M., Kateman, G., Anal. Chim. Acta 286 135-153 (1994).
[7] Araujo, M.C.U., Saldanha, T.C.B., Galvao, R.K.H., Oneyama, T., Chame, H.C., Visani,

V., The Chemometr. Intell. Lab. Syst. 57 65-73 (2001).
[8] Leardi, R., . J. Chemomert. 14 643-655 (2000).
[9] Niculescu, S.P., (Theochem) 622 71–83 (2003).
[10] Hemmateenejad, B., Optimal QSAR PCR. J. Chemom. 18 475–485 (2004).
[11] Yalkowsky, S. H., Valvani, S. C.,. J. Pharm. Sci. 69 912–922 (1980).
[12] Ran, Y., Yalkowsky, S.H., (GSE). J. Chem. Inf. Comput. Sci. 41 354–357 (2001).
[13] Gavezzotti, A., Molecular symmetry. J. Chem. Soc., Perkin Trans; 2 1399–1404 (1995).
[14] Dearden, J.C., Sci. Total Environ. 109 59–68 (1991).
[15] Charton, M., Charton, B., J. Phys. Org. Chem. 1994, 7, 196–206.
[16] Katritzky, A.R., Maran, U., Karelson, M., J. Chem. Inf. Comput. Sci. 37 913–919 (1997).
[17] Charton, M., J. Comput.-Aided Mol. Des. 17 197–209 (2003).

[18] Bergström, C.A.S., Norinder, U., Luthman, K., Artursson, P., J. Chem. Inf. Comput. Sci. 43 1177–1185 (2003).
[19] Ma, L., Cheng, C., J. Chemom. 16 75–80 2002.
[20] Burch, K.J., J. Chem. Eng. Data 49 858–863 (2004).
[21] Simamora, P., Miller, A.H., Yalkowsky, S.H., J. Chem. Inf. Comput. Sci. 33و 437–440 (1993).
[22] Krzyzaniak, J.F., Myrdal, P.B., Simamora, P., Yakowsky, S.H., Ind. Eng. Chem. Res. 34 2530–2535 (1995).
[23] Simmamora, P., Yalkowsky, S.H., Ind Eng Chem Res 33 1405–1409 (1994).
[24] Karthikeyan, M., Glen, R.C., Bender, A., J. Chem. Inf. Model. 45 581–590 (2005).
[25] J., Gasteiger, J., Wiley-VCH, Weinheim, 1999.
[26] MATLAB, version 7.6.0.324, Math Work, Inc.