مهدی موسوی - ۱Associate Professor, Department of Chemistry, Shahid Bahonar University of Kerman, Kerman, Iran
فریدون دریایی - Assistant Professor, Department of Medicinal Chemistry, Faculty of Pharmacy, Kerman University of Medical Sciences, Kerman, Iran
امید رنجبران - Doctor of Pharmacy, Department of Medicinal Chemistry, Faculty of Pharmacy, Kerman University of Medical Sciences, Kerman, Iran
بهنام محسنی - PhD in Chemistry, Department of Chemistry, Shahid Bahonar University of Kerman, Kerman, Iran
سعیده طاهری - Doctor of Pharmacy, Department of Medicinal Chemistry, Faculty of Pharmacy, Kerman University of Medical Sciences, Kerman, Iran
عبدالرضا حسن زاده - Assistant Professor, Pharmaceutics Research Center, Institute of Neuropharmacology, Kerman University of Medical Sciences, Kerman, Iran

سابقه و هدف: روش های مدل سازی غیر خطی برای مطالعات رابطه کمی ساختمان- اثر، راه های گویاتری نسبت به روش های خطی، برای رفتارهای مولکولی هستند. شبکه های عصبی مصنوعی، مدل ها و الگوریتم های ریاضی هستند که پردازش اطلاعات و یادگیری مغز انسان را تقلید می کنند. نشان داده شده است برخی مشتقات S-alkyl تیوسمی کاربازون در پیش گیری و درمان عفونت های مایکو باکتریایی اثر بخش بوده اند. این مطالعه با هدف یافتن ارتباط ساختار با اثر این ترکیبات انجام پذیرفت. مواد و روش ها: در این مطالعه وابستگی کمی کنش و ساختار (QSAR)، از رگرسیون خطی چندگانه و شبکه عصبی مصنوعی با تنظیم بایسین برای ۴۷ ترکیب از مشتقات تیوسمی کاربازون، استفاده گردید. توصیف کننده ها از روش انتخاب و حذف گام به گام از مجموع ۳۴۳ توصیف کننده، انتخاب شدند. یک شبکه ی سه لایه ی پیش خور پس انتشار با تنظیم بایسین به وسیله نرم افزار MATLAB نسخه R۲۰۰۹a طراحی، بهینه و ارزیابی شد. یافته ها: پس از رگرسیون خطی چندگانه یک مدل با ۶ توصیف کننده حاصل شد: (۰۳۹/۰ ± ۲۳۵/۰)Qneg –  (۶۰۰/۱ ± ۷۰۶/۱)PMIZ – (۰۱۷/۰ ± ۰۶۶/۰)PMIX –  (۰۱۸/۰ ± ۰۶۷/۰) + ۵۹۲/۲ Log MIC= RDF۰۶۰p (۰۲۱/۰ ± ۰۶۴/۰) RDF ۱۴۰u– (۰۲۶/۰ ± ۱۱۸/۰) RDF۰۳۰p+ بهترین مدل BR-ANN یک شبکه سه لایه با سه گره در لایه مخفی بود. استنتاج: مدل BR-ANN قدرت پیش بینی کنندگی بیش تری نسبت به مدل های خطی دارد و احتمالا بهتر می تواند فعالیت ضد سلی ترکیبات جدید با شالوده ساختاری یکسان در میان مشتقات تیوسمی کاربازون را پیش بینی کند.

quantitative structure–activity relationship, multiple linear regression, Bayesian regularized artificial neural network, Thiosemicarbazone derivatives, رابطه کمی ساختمان-اثر, رگرسیون خطی چندگانه, شبکه ی عصبی مصنوعی با تنظیم بایسین, مشتقات تیوسمی کاربازون