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

سابقه و هدف: روش‌های مدل سازی غیر خطی برای مطالعات رابطه‌ کمی ساختمان اثر، راه‌های گویاتری نسبت به روش‌های خطی، برای رفتارهای مولکولی هستند. شبکه‌های عصبی مصنوعی، مدل ها و الگوریتم‌های ریاضی هستند که پردازش اطلاعات و یادگیری مغز انسان را تقلید می‌کنند. نشان داده شده است برخی مشتقات salkyl تیوسمی کاربازون در پیش‌گیری و درمان عفونت‌های مایکو باکتریایی اثر بخش بوده‌اند. این مطالعه با هدف یافتن ارتباط ساختار با اثر این ترکیبات انجام پذیرفت.مواد و روش‌ها: 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. توصیف‌کننده‌ها از روش انتخاب و حذف گام به گام از مجموع 343 توصیف‌کننده، انتخاب شدند. یک شبکه‌ی سه لایه‌ی پیش خور پس انتشار با تنظیم بایسین به وسیله نرم‌افزار matlab نسخه r2009a طراحی، بهینه و ارزیابی شد.یافته‌ها: پس از رگرسیون خطی چندگانه یک مدل با 6 توصیف کننده حاصل شد:(0.039 ± 0.235)qneg - (1.600 ± 1.706)pmiz - (0.017 ± 0.066)pmix - (0.018 ± 0.067) + 2.592 log mic=rdf060p (0.021 ± 0.064) rdf 140u - (0.026 ± 0.118) rdf030p+ بهترین مدل brann یک شبکه سه لایه با سه گره در لایه مخفی بود.استنتاج: مدل brann قدرت پیش‌بینی‌کنندگی بیش‌تری نسبت به مدل‌های خطی دارد و احتمالاً بهتر می‌تواند فعالیت ضد سلی ترکیبات جدید با شالوده ساختاری یکسان در میان مشتقات تیوسمی کاربازون را پیش‌بینی کند.

Quantitative Structure-Activity Relationship Study on Thiosemicarbazone Derivatives as Antitubercular agents Using Artificial Neural Network and Multiple Linear Regression

Background and purpose: Nonlinear analysis methods for quantitative structure -activity relationship (QSAR) studies better describe molecular behaviors, than linear analysis. Artificial neural networks are mathematical models and algorithms which imitate the information process and learning of human brain. Some Salkyl derivatives of thiosemicarbazone are shown to be beneficial in prevention and treatment of mycobacterial infections and this study seeks to find out the relationship between structural features and the antituberculosis activity of these compounds.Materials and methods: Multiple linear regression and Bayesian regularized artificial neural network (BRANN) for 47 compounds of thiosemicarbazone derivatives were designed using QSAR approaches. Descriptors were selected from a pool of 343 descriptors by stepwise selection and backward elimination. A three layer Bayesian regularized backpropagation feedforward network was designed, optimized, and evaluated using MATLAB version R2009a.Results: The best model with 6 descriptors was found using multiple linear regression analysis: Log MIC= 2.592 + (0.067 ± 0.018) PMIX - (0.066 ± 0.017) PMIZ - (1.706 ± 1.600) Qneg - (0.235 ± 0.039) RDF030p + (0.118 ± 0.026) RDF 140u - (0.064 ± 0.021) RDF060p. The best BRANN model was a threelayer network with three nodes in its hidden layer.Conclusion: The BRANN model has a better predictive power than linear models and may better predict the antituberculosis activity of new compounds with similar backbone of thiosemicarbazone moiety.