به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

multiple linear regressionmethod

در نشریات گروه گیاهپزشکی
تکرار جستجوی کلیدواژه multiple linear regressionmethod در نشریات گروه کشاورزی
تکرار جستجوی کلیدواژه multiple linear regressionmethod در مقالات مجلات علمی
  • عصمت محمدی نسب*، مینا کیانپور

    سموم ارگانوفسفات از جمله سموم شیمیایی خطرناک برای سلامت انسان محسوب می شوند. بسیاری از محققین، با وجود رعایت اصول ایمنی و جلوگیری از مواجهه با خطرات ناشی از استفاده از ترکیبات شیمیایی، به منظور بررسی میزان سمیت ترکیبات ارگانوفسفات در تماس با این سموم قرار دارند و احتمال جذب این سموم از طریق پوست وجود دارد. مطالعه ارتباط ساختار - فعالیت با کمک روش ها و مدل های تئوری پیش بینی کننده، با صرف حداقل وقت و هزینه، امکان دست یابی به داده ها، اطلاعات و خواص فیزیکی- شیمیایی ترکیبات مورد نظر را فراهم می نماید. در این مطالعه، روش های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی با مدل پرسپترون چند لایه با هدف بررسی ارتباط کمی شاخص سمیت LD50با برخی توصیف گرهای مولکولی، در برخی ترکیبات ارگانوفسفات به کار گرفته شد. بررسی مقادیر ضرایب همبستگی و میزان جذر خطای مجذور میانگین مدل های پیشنهادی در این مطالعه نشان داد که روش شبکه عصبی مصنوعی در پیش بینی شاخص سمیت LD50 در ترکیبات ارگانوفسفات نسبت به روش رگرسیون خطی چندگانه، از برتری بسیار بالایی برخوردار می باشد.

    کلید واژگان: ترکیبات ارگانوفسفات، متوسط دوز کشنده، رابطه کمی ساختار-فعالیت، شبکه عصبی مصنوعی، روش رگرسیون خطی چندگانه
    M. kianpour, E. Mohammadinasab*

    The organophosphate pesticides are considered as dangerous chemical pesticides for human health. The possibility of absorbing these toxins through the skin is accessible to many researchers who have been studying the toxicity of organophosphate compounds. Experimental methods are time-consuming and high cost, and they come with a lot of dangers. Quantitative structure activity/property relationship studies provide the capability to access data, information and physico-chemical properties of chemical compounds, using the methods and modeling.  In this study, the multiple regression linear method and the artificial neural network with multi-layer perceptron (MLP) model were used to investigate the quantitative relationship of LD50 </sub>(mgkg-1</sup>) toxicity index with some molecular descriptors of some organophosphate compounds.  Investigation of correlation coefficients and root mean square errors values of final models in this study showed that ANN method using the MLP model was higher than the MLR method for prediction of LD50</sub>(mgkg-1</sup>) of organophosphates compounds.

    Keywords: Organophosphate compounds, LD50, QSAR, Artificial Neural Network, Multiple Linear RegressionMethod
  • عصمت محمدی نسب*، مرتضی رضایی

    در دهه های گذشته، استفاده از روش های محاسباتی با پارامترهای اعتبار سنجی دقیق برای تعیین خواص فیزیکی- شیمیایی ترکیبات، به عنوان جایگزین اقتصادی و زیست محیطی باصرفه جویی در زمان و حذف هزینه های بالا مورد توجه بسیاری از پژوهشگران قرارگرفته است. در این مطالعه، به بررسی ارتباط مقادیر لگاریتمی سمیت LD50 (log (LD50)(molkg-1))با توصیف گرهای مولکولی برای 60 نوع از مشتقات آنیلین (شامل ترکیبات علف کش) پرداخته شده است. بعد از ترسیم ساختار این ترکیبات با استفاده از نرم افزار 05 Gauss View و بهینه سازی آن ها با کمک نرم افزار 09 Gaussian با روش **G++311-6/B3LYP توصیف گرهای مولکولی استخراج شدند. به کمک ژنتیک الگوریتم، توصیف گرهای نامناسب حذف شده و بهترین آن ها برای مدل های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی مورداستفاده قرار گرفتند. نتایج حاصل از این مدل نشان داد که روش شبکه عصبی مصنوعی با کمترین خطا و بالاترین ضریب تعیین نسبت به روش رگرسیون خطی چندگانه برای پیش بینی لگاریتم سمیت (molkg-1)LD50 مشتقات آنیلین از برتری بالایی برخوردار است.

    کلید واژگان: متوسط دوز کشنده، روش رگرسیون خطی چندگانه، شبکه عصبی مصنوعی، مشتقات آنیلین
    M. Rezaei, E. Mohammadinasab*

    In recent decades, computational methods with regard to accurate validation parameters for the determination of the physical- chemistry properties of compounds have been considered by many researchers and have been used as an economic and environmental alternative to saving time and eliminating high costs.  In this study, the relationship between the logarithmic values of LD50</sub>,) log (LD50</sub>)(molkg-1</sup>) and molecular descriptors has been investigated for 60 types of aniline derivatives(including some herbicides compounds). At first, the structure of the compounds were drawn by Gauss view05 software and optimized using Gaussian 09 software with B3LYP/6-311++G** method, and then were extracted molecular descriptors. Then inappropriate descriptors were eliminated by genetic algorithm method and the best ones were used for multiple linear regression (MLR) and artificial neural networks (ANN) models. The results showed that the ANN method with the lowest error and the highest coefficient of determination was higher than the MLR method to predicting the log(LD50</sub>)(molkg-1</sup>) of studied aniline derivatives.

    Keywords: LD50, Multiple Linear Regressionmethod, Artificial Neural Network, Aniline Derivatives
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال