بررسی رابطه کمی ساختمان با اثر ضد سل مشتقات تیوسمی کاربازونی به روش شبکه عصبی مصنوعی و رگرسیون خطی چندگانه

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.

در این مطالعه وابستگی کمی کنش و ساختار (QSAR)، از رگرسیون خطی چندگانه و شبکه عصبی مصنوعی با تنظیم بایسین برای 47 ترکیب از مشتقات تیوسمی کاربازون، استفاده گردید. توصیف کننده ها از روش انتخاب و حذف گام به گام از مجموع 343 توصیف کننده، انتخاب شدند. یک شبکه ی سه لایه ی پیش خور پس انتشار با تنظیم بایسین به وسیله نرم افزار MATLAB نسخه R2009a طراحی، بهینه و ارزیابی شد.

پس از رگرسیون خطی چندگانه یک مدل با 6 توصیف کننده حاصل شد: (039/0 ± 235/0)Qneg - (600/1 ± 706/1)PMIZ - (017/0 ± 066/0)PMIX - (018/0 ± 067/0) + 592/2 Log MIC= RDF060p (021/0 ± 064/0) RDF 140u- (026/0 ± 118/0) RDF03 +
 بهترین مدل BR-ANN یک شبکه سه لایه با سه گره در لایه مخفی بود.

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.