ایجاد مدل‌های خطی و غیر خطی QSAR برای ارزیابی فعالیت کلرو - اتیل نیتروزاوره‌ها

Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,147

متن کامل این Paper منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل Paper (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

NCOGP03_049

تاریخ نمایه سازی: 25 خرداد 1393

Abstract:

توجه به جنبه‌های ساختاری بازدارنده‌های ضدتوموری در طراحی مشتقات جدید بسیارمؤثر است. در این پروژه سعی شد یک ارتباط خطی بین فعالیت بازدارندگی 58 ترکیب از بازدارنده‌های ضدتوموری با ساختار این ترکیبات برقرار شود. توسعه مدل‌های QSAR ذاتاً شامل اعمال روش‌‌های آماری بر ریو دسته‌ داده‌های شیمیایی است. روش‌های آماری پایه‌های ریاضی و برای توسعه مدل‌های QSAR هستند. نتایج مطالعات QSAR علاوه بر شفاف‌سازی نحوه ارتباط بین خواص مولکول‌ها و ویژگی‌های ساختمانی ان‌ها به پژوهشگران در پیش‌بینی رفتار مولکول‌های جدید براساس رفتار مولکول‌های مشابهکمک می‌کند. در این مطالعه بررسی QSAR غیر خطی توسط مدل شبکه عصبی سه لایه‌ای انجام می‌شود. نتایج ثابت می‌‌کنند که مدل NN رابطه بین فعالیت ضد تومور و توصیف گرهای مولکولی را نشان می‌دهد. سپس از یک روش کمومترویکس بنام کمترین مربعات جزئی (PLS) استفاده شد. یکی از مهمترین کاربردهای ارتباط کمی ساختار – فعالیت QSAR می‌باشد که به نحوه ارتباط بین فعالیت بیولوژیکی و ساختار شیمیایی ترکیبات می‌پردازد. مقدار R2 برای مدل NN 983/0 به دست آمده که با مقدار 506/0در مدل MIR مقایسه می‌شود و مدل غیر خطی برای 3/98٪ از اختلاف فعالیت‌های ضد تومور محاسبه می‌شود.

Keywords:

رابطه کمی ساختار , , فعالیت (QSAR) , بازدارنده ضد تئوموری کلرواتیل نیتروز (CENUs) , کمومتریکس

Authors

آرش سیرویی نژاد

گروه شیمی، دانشگاه آزاد اسلامی واحد شیراز، شیراز، ایران

نوید صادقی

گروه شیمی، دانشگاه آزاد اسلامی واحد گچساران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • A. M. Helguera, M. P. Gonzalez, M. N. D. S. ...
  • F.T.Simona, I.Daniela, S. Takahiro, A tentative quantitative structure- toxicity relationship ...
  • L. Douali, D. Villemin, D. Cherqaoui, Neural networks: accurate nonlinear ...
  • Rucker, C., Meringer, M., Kerber, A., J. Chem. Inf. Comput. ...
  • Ehresmann, B., Grootde, M.J., Alex., Clark, T... J.Chem. Inf. Comput. ...
  • Butina, D., Gola, J.M.R. j. chem.. Inf. Comput. Sci. 2003, ...
  • نمایش کامل مراجع