بهبود تخمین اثر بیولوژیکی ترکیبات کرومنی ضد پلاسمودیوم فالسیپاروم با استفاده از روش الگوریتم ژنتیک

کشف داروهای جدید با روش‌های آزمایشگاهی و مراحلی که از زمان کشف تا عرضه آنها به بازار دارویی طی می‌گردد، از جمله موضوعات هزینه بردار و زمانبر می باشد. بررسی رابطه بین ساختار مولکولی و میزان فعالیت آن و نیز پیش بینی رفتار یک مولکول جدید براساس رفتار مولکولهای مشابه با آن که قبلاً مورد بررسی قرار گرفتهاند، در طراحی و کشف نمونههای جدید دارویی از اهمیت بسیار زیادی برخوردارمی باشد. یکی از رویکردهای مهم در طراحی محاسباتی دارو، به آنالیز عددی توصیفگرهای بدست آمده از ساختار ترکیبات برمیگردد و هدف آن بدست آوردن مدلی مناسب بر اساس لیگاندها میباشد. هدف از این مقاله به کار گیری سه روش استخراج توصیفگر از ساختارهای ملکولی، t-test، pca و الگوریتم ژنتیک، و مقایسه این روشها با یکدیگر است. به منظور بررسی عملکرد روشهای پیشنهادی، از مدل رگرسیون خطی مینیم خطای جزئی به منظور تخمین میزان اثر بیولوژیکی ملکولها استفاده شد. ترکیباتی که در این مطالعه مورد بررسی قرار گرفته اند، ترکیبات مهارکنندگی رشد بیماری مالاریا در بدن انسان است. بیماری مالاریا، یکی از بیماریهای انگلی مرتبط با مناطق گرمسیر است که اهمیت آن به شیوع زیاد و مرگ میر گسترده در انسانها بر میگردد. نتایج بدست آمده از این تحقیق نشان داده است که روش الگوریتم ژنتیک با دقت بسیار خوبی، میزان همبستگی 0.92، عملکرد مناسبتری در مقایسه با سایر روشهای اعمالی داشته باشد.

improving biological activity prediction of chromene inhibitors of plasmadium falciparum using genetic algorithm

traditional drug discovery and bringing a pharmaceutical drug to the market is time consuming and costly process. computer-aided drug discovery (cadd) tools can act as a virtual shortcut, assisting in the expedition of this long process and potentially reducing the cost of research and development. quantitative structure activity relationship, statistical or mathematical model, is one of the main approaches in the cadd, relying on the structure of the biologically active molecules (ligands). in this study, it is attempted to compare three main feature reduction methods, t-test, principle component analysis and genetic algorithm, to improve biological activities prediction. to evaluate these models, partial least square methods was used to predict molecular activities of malaria inhibitors. malaria is a mosquito-borne infectious disease causes typically fever, seizure and death. the results show that genetic algorithm has a best correlation, 0.92, between experimental and predicted activities.