رابطه کمی ساختار فعالیت تعدادی از مشتق های فلاونوئیدی به ‏عنوان مهارکننده های استیل‌کولین‌استراز‎ ‎برپایه الگوریتم مونت ‏‏‌کارلو

در سال های اخیر، روشی مبتنی بر رویکرد مستقل از بهینه‌سازی مولکول برپایه توصیفگرهای ساختاری مولکولی و توپولوژیکی، به عنوان یک رویکرد جذاب در مدل‌سازی qsar معرفی شده است. یکی از ویژگی های کلیدی این رویکرد به استفاده از توصیفگرها برپایه سامانه ورودی-خط ورودی-مولکولی ساده‌شده (smiles) برای توسعه مدل qsar اشاره دارد. در این پژوهش، با هدف مطالعه و بررسی qsar برخی از مشتق های فلاونوئیدی به عنوان مهارکننده های استیل‌کولین‌استراز بر پایه الگوریتم مونت کارلو، مجموعه ای از 88 مهارکننده استیل‌کولین‌استراز از مقاله های معتبر انتخاب شد. ساختار ترکیب های با نماد smiles به عنوان فایل های ورودی نرم افزار تعریف و به طور تصادفی به چهار سری شامل آموزش، آموزش نامرئی، واسنجی و مجموعه اعتبارسنجی تقسیم و مدل سازی انجام شد. توصیفگرهای بهینه مورداستفاده در مدل از ترکیب smiles و نمودار بدون هیدروژن بر پایه تابع هدف جدید انتخاب شدند. قدرت پیش‌بینی مدل‌ها با مجموعه‌های اعتبارسنجی، ارزیابی شد. نتیجه های به دست‌آمده از چهار سری تصادفی نشان داد که مدل‌ها پیشگو و قابل ‌اعتماد از لحاظ آماری، هستند. توصیفگرهای بااهمیت افزاینده و کاهنده فعالیت مهارکنندگی استیل‌کولین‌استراز مشتق های فلاونوئید شناسایی شدند. همچنین، pic50 تعداد زیادی از مشتق های فلاونوئید طبیعی مهارکننده آنزیم استیل‌کولین‌استراز محاسبه و گزارش شد. با به کارگیری مدل به دست آمده می توان pic50 مشتق های فلاونوئید را به عنوان مهارکننده آنز یم استی ل کولین استراز با روش بهینه سازی مونت کارلو و smiles ترکیب ها، پیش بینی کرد

quantitative structure-activity relationship of some flavonoid derivatives as ‎acetylcholinesterase inhibitors based on monte carlo algorithm

a method based on an independent approach of molecule optimization based on structural and topological molecular features has recently been introduced as an attractive approach in the qsar modeling. a key feature of this approach refers to the use of descriptors based on the simplified molecular input line input system (smiles) to develop the qsar model. in this research, by studying the qsar of some flavonoid derivatives as acetylcholinesterase inhibitors based on the monte carlo algorithm, a set of 88 acetylcholinesterase inhibitors was selected from peer reviewed papers. the structures of the compounds in smiles format were defined as software input files and randomly divided into four series including training, invisible training, calibration and validation sets and modeling was done. the optimal descriptors used in the model were selected from the combination of smiles and hydrogen suppressor graph based on a new objective function. finally, the predictive power of models was evaluated by validation sets. the results of four random series showed that predictive and statistically reliable models were obtained. the most important descriptors that increase and decrease the acetylcholinesterase inhibitory activity of flavonoid derivatives were identified. finally, acetylcholinesterase inhibitory (pic50) of a large number of natural flavonoid derivatives were calculated and reported. using the obtained model, it is possible to predict pic50 of flavonoid derivatives as acetylcholinesterase enzyme inhibitors using monte carlo and smiles optimization methods