کاربرد الگوریتم ژنتیک به همراه رگرسیون خطی چند گانه برای پیش بینی فعالیت دارویی مشتقات پیرازول ها

نویسندگان

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

2 دانشکده شیمی، دانشگاه تهران، تهران، ایران

3 گروه شیمی، دانشگاه آزاد اسلامی، واحد علی‌آباد کتول، علی‌آباد کتول، ایران

چکیده

مطالعه ارتباط کمی ساختار- فعالیت برای پیش بینی فعالیت دارویی مشتقات پیرازول ها، با استفاده از توصیف کننده های ساختاری و روش رگرسیون خطی چند گانه توسعه داده شده است. توصیف کننده های مولکولی با استفاده از الگوریتم ژنتیک انتخاب شدند. سپس یک مدل ساده، قوی، قابل تفسیر و با خطای کم و ضریب همبستگی بالا ساخته شد. نتایج نشان می دهد که تکنیک های خطی مانند رگرسیون خطی چند گانه که با یک روش انتخاب متغیر مناسب کوپل شده باشد، قادر است مدلهای مناسبی برای پیش بینی فعالیت دارویی ترکیبات ارائه نماید. مدل ارائه شده پارامترهای آماری بالایی را نشان داد که می تواند جهت پیش بینی فعالیت دارویی ترکیبات مشابه مورد استفاده قرار گیرد.

کلیدواژه‌ها


عنوان مقاله [English]

Application of genetic algorithm with multiple linear regressions for prediction of medicinal activity pyrazole derivatives

نویسندگان [English]

  • Mehdi Nekoe 1
  • Majid Mohammadhosseini 1
  • Pourbasheer 2
  • Maham 3
1
2
3
چکیده [English]

Quantitative structure-activity relationship (QSAR) study for prediction of medicinal activity of pyrazole derivatives is developed using structural descriptors and multiple linear regression (MLR) method. Molecular descriptors are selected by genetic algorithm. Then a simple, strong, descriptive and interpretable model with low error and high correlation coefficient is construct. The results illustrated that the linear techniques such as MLR combined with a successful variable selection procedure are capable to generate an efficient QSAR model for predicting the activity of different compounds. This model was used for the prediction of activity values of some medicinal compounds which were not used in the modeling procedure.

کلیدواژه‌ها [English]

  • Quantitative structure
  • Activity relationship
  • Pyrazole derivatives
  • Multiple linear regression
  • Genetic algorithm