بررسی معیارهای متفاوت برای منظم کردن اجزاهای اصلی به منظور ایجاد یک مدل QSPR برای پیش بینی نقطه های ذوب

براساس اهمیت پیش بینی نقطه های ذوب ترکیب ها، در این مقاله سعی شد که برای گروه وسیعی از ترکیب ها مدل مناسبی که توانایی پیش بینی نقطه های ذوب را در حد مطلوبی داشته باشد، ارایه شود. برای این منظور4173 ترکیب شیمیایی با ساختارهای متنوع گزارش شده در مقاله های قبلی، انتخاب و برای توصیف ساختار آن ها از یک دسته 202 تایی از توصیف کننده های 2d و 3d استفاده شد. این دسته داده ها به دو دسته آموزش و دسته تست به ترتیب با اندازه های 2573 و 1600 تقسیم بندی شد. ارزیابی بیشتر مدل ایجاد شده به کمک یک دسته داده دیگر با اندازه 277 صورت گرفت. برای کاهش حجم ماتریس توصیف کننده ها از تجزیه اجزای اصلی کمک گرفته شد و از شبکه عصبی برای ایجاد مدل استفاده شد. بردارهای ویژه به دست آمده از تجزیه اجزای اصلی بر اساس معیارهای متفاوتی مرتب و به عنوان ورودی شبکه مورد استفاده قرار گرفتند. معیارهای استفاده شده عبارت بودند از بزرگی مقدار ویژه، میزان همبستگی با نقطه ذوب و میزان قدرت پیش بینی کنندگی. بهترین مدل در حالتی بدست آمد که بردارهای ویژه براساس میزان قدرت پیش بینی کنندگی اشان مرتب و به عنوان ورودی استفاده بودند. در پایان پارامترهای شبکه از قبیل تعداد لایه های پنهان، تعداد گره در هر لایه، سرعت یادگیری و مومنتوم بهینه سازی شدند. شبکه با ساختار [25 10 18] و سرعت یادگیری0/7 و مومنتوم 0/16 به عنوان شبکه بهینه انتخاب شد.