مدلی ساده و معتبر برای پیش‌بینی حساسیت به ضربه مبتنی بر ویژگی‌های ساختاری کوکریستال‌های پرانرژی

در این تحقیق از روش رگرسیون خطی چندگانه (mlr) به عنوان یک روش ایمن، سریع ، ارزان و متداول برای پیش بینی حساسیت به ضربه ی کوکریستال های پرانرژی استفاده گردید. برای این منظور، داده های مربوط به 28 ترکیب کوکریستال پرانرژی از منابع مختلف جمع آوری و سپس با استفاده از نرم افزار dragon، تعدادی توصیف کننده مولکولی مانند ترکیب شیمیایی، تعداد اتم ها، گروه های عاملی و ... استخراج شد. سپس با انتخاب بهترین توصیف کننده های موثر بر حساسیت به ضربه کوکریستال های پرانرژی از قبیل تعداد اتم های کربن، اکسیژن، کلر و برم و همچنین تعداد حلقه های 9 عضوی در ساختار کوکریستال، مدلی با ضریب تعیین رابطه خطی r^2 0.954 به دست آمد. انحراف ریشه میانگین مربعات (rmsd) و میانگین انحراف مطلق (aad) به ترتیب 4.55 و 3.53 ژول محاسبه گردید. مقادیر rmsd و aad برای سری شش تایی آزمایشی به عنوان اعتبارسنجی خارجی به ترتیب برابر 4/48 و 3/34 ژول به دست آمد.همچنین مقادیر rmsd و aad برای محاسبات اعتبارسنجی داخلی به ترتیب برابر 4/36 و 3/95 حاصل شد. برای ارزیابی توان پیش بینی مدل از دو روش اعتبار سنجی متقاطع به عنوان اعتبارسنجی داخلی استفاده شد که مقادیر (0.927= q^2loo و 0.958= q^2lmo) به دست آمد. همچنین از محاسبات ارائه شده توسط روی و همکاران برای ارزیابی نتایج اعتبار سنجی داخلی استفاده شد.

a simple and reliable model for predicting impact sensitivity of energetic cocrystals based on their structural properties

in this study, multiple linear regression (mlr) was used as a safe, fast, inexpensive and common method to predict impact sensitivity of energetic cocrystals. for this purpose, the data related to 28 of energetic cocrystal compounds were collected from different reliable references. then various descriptors such as topological, structural, sub structural and … descriptors were calculated using dragon software. the results showed that optimum elemental composition and number of nine-member rings in the cocrystal structure are the most effective descriptors in this model. determination coefficient of the new model was 0.954 for 22 members training set and root mean square deviation (rmsd) and average absolute deviation (aad) were calculated as 4.55 and 3.53 j, respectively. also, rmsd and aad for six members test set as external validation were derived 4.48 and 3.34 respectively. also, rmsd and aad were 4.36 and 3.95 respectively for cross validation of derived model. for investigating of predictability of the new model were used two cross validation method as internal validation. the results showed that the values (q2loo=0.927 and q2lmo=0.958). the roy et. al computations were also used for confirmation of internal validation.