پیش ‌بینی سمیت برخی آفت‌ کش‌ ها علیه پنج گونه مختلف پرندگان با استفاده از ‏الگوی ارتباط ‏کمی ساختار- سمیت

افزایش تقاضای کشاورزی به استفاده از آفت ‌کش‌ها، موجودات غیرهدف مانند گونه‌های پرندگان را تهدید کرده و در سیستم اکولوژی اختلال ایجاد کرده است. بنابراین، با توجه به روش‌های کاربرد و ماهیت آفت کش‌ها، آزمایش سمیت پرندگان و حفاظت گونه‌های مختلف پرندگان در معرض خطر از منظر ایمنی اکوسیستم یک نیاز ضروری است. در این مطالعه، مدل‌سازی رابطه کمی ساختار- سمیت برای تخمین سمیت 244 نوع آفت‌کش‌ بر روی پنج گونه پرنده شامل بلدرچین سفید، اردک، قرقاول، گنجشک خانگی و بلدرچین ژاپنی برای اولین بار انجام شده است. تمام داده ها به‌صورت تصادفی به چهار سری شامل سری آموزش فعال، آموزش غیرفعال، کالیبراسیون و دسته آزمون تقسیم شدند. توصیف‌گرهای بهینه هیبریدی، حاصل از ترکیب توصیف‌گرهای شبه- اسملی (quasi-smiles) و گراف مولکولی بدون هیدروژن (hsg) براساس یک تابع هدف جدید برای تولید مدل‌های qstr  استفاده شد. چهار تابع هدف (tf0، tf1، tf2 و tf3) برای توسعه مدل‌های qstr به کار گرفته شد و پتانسیل پیش‌بینی این مدل‌ها با استفاده از سری آزمون مورد ارزیابی قرار گرفت. از میان مدل‌های به‌دست‌آمده، مدل‌های qstr طراحی شده با استفاده از تابع هدف tf3 با محدوده 0.8131-0.7218r^2 =  و 0.7878-0.7031q^2 =  از لحاظ آماری، مدل‌ها بودند. بهترین مدل از نظر آماری، مدل شماره شش، با مقادیر r^2 برای دسته آموزش فعال، آموزش غیرفعال، کالیبراسیون و اعتبارسنجی به‌ترتیب برابر 0.836، 0.852، 0.806 و 0.813 می‌باشد. مقادیر میانگین خطای مطلق (mae) برای دسته آموزش فعال، آموزش غیرفعال، کالیبراسیون و اعتبارسنجی به‌ترتیب برابر 0.371، 0.342، 0.409 و 0.362 بیانگر دقت مدل ایجادشده به‌منظور پیش‌بینی سمیت آفت‌کش‌ها بر علیه پنج گونه مختلف پرندگان می‌باشد. از نتایج حاصل از این مدل‌سازی، توصیف‌گرهای با اهمیت برای افزایش و کاهش متوسط غلظت موثر سمیت (pld50) شناسایی شدند. با استفاده از مدل‌های qstr به‌دست‌آمده از این مطالعه، پیش‌بینی سمیت (pld50) آفت‌کش‌های جدید حتی قبل از سنتز آن‌ها تنها با داشتن نماد smiles از آفت کش‌ها امکان‌پذیر می‌شود که می‌تواند به کاهش زمان، منابع، هزینه‌ها و نیاز به حیوانات آزمایشگاهی کمک کند.

predicting the toxicity of some pesticides against five different ‎species of birds using quantitative structure-toxicity relationships ‎model

the increasing use of pesticides following the rising in agricultural, demand has threatened non-target organisms such as avian species and disrupted the ecological system. therefore, considering the application methods and the nature of chemical pesticides, testing their toxicity level on birds, and protecting various species of endangered birds is an essential requirement from the point of view of ecosystem safety. in this study, quantitative structure-toxicity relationships modeling was done for the first time to estimate the toxicity of 244 types of pesticides on five different species of birds consist of bobwhite quail (c. virginianus), mallard duck (a. platyrhynchos), house sparrow (p. domesticus), ring-necked pheasant (p. colchicus), and japanese quail (c. japonica). all data were randomly divided into four series including active training, passive training, calibration, and test sets. hybrid optimal descriptors, resulting from the combination of quasi-smiles descriptors and hydrogen- suppressed graph (hsg) based on a new target function, were used to generate qstr models. four target functions (tf0, tf1, tf2, tf3) were used to develop qstr models and the predictive potential of these models was evaluated using a validation set. the qstr models designed using tf3 target function with the range of r2 = 0.7218-0.8131 and q2 = 0.7031-0.7878 for the validation set were statistically the best models. statistically, the best model is model number six, with r2 values ​​for active training, passive training, calibration, and validation sets equal to 0.836, 0.852, 0.806, and 0.813, respectively. the mean absolute error (mae) values ​​for the sets of active training, passive training, calibration and validation are 0.371, 0.342, 0.409 and 0.362, respectively, indicating the accuracy of the model created to predict the toxicity of pesticides against five species of endangered birds. from the results of this modeling, important descriptors were identified for increasing and decreasing the average effective toxicity concentration (pld50) of pesticides. using the qstr models obtained from this study, it becomes possible to predict the toxicity (pld50) of new pesticides even before their synthesis by only having the smiles symbol of the pesticides, which can help to reduce time, resources, costs and the need for laboratory animals.