روش‌های خطی و غیرخطی ارتباط کمی‌ساختار- فعالیت جهت پیش‌بینی فعالیت دارویی برخی از مشتقات آمینواسیدها

پژوهش های کاربردی در شیمی

مقاله 6، دوره 6، شماره 4، اسفند 1391، صفحه 53-61   

نوع مقاله: پژوهشی

نویسندگان

مهدی نکویی^{* 1}؛ مجید محمدحسینی²؛ مهدی رحیمی³؛ عبدالرضا علوی‌قره‌باغ⁴

¹استادیار شیمی تجزیه، گروه شیمی، دانشگاه آزاد اسلامی، واحد شاهرود، شاهرود، ایران

²دانشیار شیمی تجزیه، گروه شیمی، دانشگاه آزاد اسلامی، واحد شاهرود، شاهرود، ایران

³کارشناس ارشد شیمی فیزیک، گروه شیمی، دانشگاه آزاد اسلامی، واحد شاهرود، شاهرود، ایران

⁴مربی، دانشجوی دکترای برق، گروه برق، دانشگاه آزاد اسلامی، واحد شاهرود، شاهرود، ایران

چکیده

این پژوهش به پیش‌بینی فعالیت دارویی 38 مشتق آمینواسید به عنوان بازدارنده‌های هیستون دی استیلاز (HDAC) جهت درمان سرطان و برخی از بیماری‌ها اختصاص دارد. آنزیم‌های HDAC موجب تسریع روند حذف گروه‌های استیل از باقیمانده‌های لیزین از پروتیین‌های شامل هیستون (Histone) می‌شوند. پس از محاسبه‌ی توصیف‌کننده‌های مولکولی مستقل، با استفاده از روش مرحله‌ای انتخاب متغیر و گزینش 4 توصیف‌کننده، جهت مدل‌سازی از رگرسیون خطی چندگانه (MLR) و شبکه‌ی عصبی مصنوعی (ANN) استفاده شد. سری‌های آموزش و آزمون جهت ساخت مدل و ارزیابی قدرت پیش‌بینی روش‌های MLR و ANN به ترتیب شامل 30 و 8 ترکیب بودند. افزون‌بر آن، از روش‌های متفاوت جهت ارزیابی مدل‌ها استفاده شد. نتیجه‌ها حاکی از آن است که روش غیرخطی شبکه‌ی عصبی مصنوعی در مجموع دارای توانمندی پیش‌بینی مناسب‌تر در مقایسه با روش ‌MLR است. شاخص‌های آماری مرتبط با مدل مبتنی بر شبکه‌ی عصبی مصنوعی دلالت بر این حقیقت دارد که مدل ارایه شده می‌تواند جهت پیش‌بینی فعالیت دارویی ترکیب‌های مشابه مورد استفاده قرار گیرد.

کلیدواژه‌ها

ارتباط کمی‌ساختار- فعالیت؛ مشتقات آمینواسیدها؛ رگرسیون خطی چندگانه؛ شبکه عصبی مصنوعی؛ هیستون دی استیلاز (HDAC)

مراجع

[1] Melagraki, G.; Afantitis, A.; Makridima, K.; Sarimveis, H.; Igglessi-Markopoulou, O.; J. Mol. Model., 12, 297-305, 2006.
[2] Habibi-Yangjeh, A.; Pourbasheer, E.; Danandeh-Jenagharad, M.; B. Korean. Chem. Soc., 29, 833-841, 2008.
[3] Habibi-Yangjeh, A.; Pourbasheer, E.; Danandeh-Jenagharad, M.; Monatsh. Chem.; 140, 15-27, 2009.
[4] Beheshti, A.; Pourbasheer, E.; Nekoei, M.; Banaei, A.R.; Anal.Chem. Let., 2, 33-43, 2012.
[5] Adimi, M.; Salimi, M.; Nekoei, M.; Pourbasheer, E.; Beheshti, A.; J. Serb. Chem. Soc., 77, 639-650, 2012.
[6] Dolatabadi, M.; Nekoei, M.; Banaei, A.R.; Monatsh Chem., 141, 577-588, 2010.
[7] Nekoei, M.; Salimi, M.; Dolatabadi, M.;
Mohammadhosseini, M.; Monatsh Chem., 142, 943-948, 2011.
[8] Nekoei, M.; Salimi, M.; Dolatabadi, M.; Mohammadhosseini, M.; J. Serb. Chem. Soc., 76, 1117-1127, 2011.
[9] Todeschini, R.; Consonni, V.; Mannhold, R.; Kubinyi, H.; Timmerman, H(Eds.), Handbook of Molecular Descriptors, Wiley-VCH, Weinheim, 2000.
[10] Menhaj, M.; Foundations of Neural Networks, Amir Kabir University Press, Iran, 2000.
[11] Beals, R.; Jackson, T.; Neural computing: An introduction, IOP Publishing Ltd., NewYork, 1998.
[12] Pham, D.T.; Liu, X.; Neural networks for identification. predication and control, Springer-Velag, London, 1999.
[13] Meiler, J.; Meusinger, R.; Will, M.; J. Chem. Inf. Comput. Sci., 40, 1169-1176, 2000.
[14] Habibi-Yangjeh, A.; Nooshyar, M.; Phys. Chem. Liq., 43, 239-247, 2005.
[15] Nekoei, M.; Mohammadhosseini, M.; J. Chin. Chem. Soc., 54, 383-390, 2007.
[16] Zarei, K.; Atabati, M.; Nekoei, M.; Annali. Di. Chimica., 97, 723-731, 2007.
[17] Nekoei, M.; Mohammadhosseini, M.; Zarei, K.; J. Chin.Chem. Soc., 55, 362-368, 2008.
[18] Hubbs, J.L.; Zhou, H.; Kral, A.M.; Fleming, J.C.; Dahlberg, W.K.; Hughes, B.L.; Middleton, R.E.; Szewczak, A.A.; Secrist, J.P.; Miller, T.A.; Bio. & Med. Chem. Let., 18, 34-38, 2008.
[19] HyperChem Release 7, HyperCube, Inc.: http://www.hyper.com.
[20] Todeschini, R.; Milano Chemometrics and QSPR Group; http://www.disat.unimib.it/vhm.

[21]منهاج، م.ب.؛ "مبانی شبکه‌های عصبی"، انتشارات دانشگاه امیرکبیر، 1379.