جهاد دانشگاهی-پژوهشکده توسعه صنایع شیمیایی ایران نشریه شیمی و مهندسی شیمی ایران 1022-7768 37 2 2018 08 23 QSAR Study of Triazolopyridine Derivatives as PIM Inhibitors Using the Genetic Algorithm-Multiple Linear Regressions مطالعه ارتباط کمّی ساختار- فعالیت برای پیش بینی فعالیت مهارکنندگی PIM مشتق‌های تری آزولوپیریدین با استفاده از الگوریتم ژنتیک ـ برازش خطی چندگانه 137 148 29041 FA اسلام پوربشیر گروه شیمی، دانشگاه پیام نور، تهران، ایران 0000-0001-8969-4341 ژیلا مهاجری اول گروه شیمی، دانشگاه پیام نور، تهران، ایران مهدی نکوئی گروه شیمی، دانشگاه آزاد اسلامی، واحد شاهرود، شاهرود، ایران سمیه حمیدوند گروه شیمی، دانشگاه پیام نور، تهران، ایران Journal Article 2016 04 18 Quantitative Structure-Activity Relationship (QSAR) was developed for modeling and predicting of the PIM inhibitory activities a data set containing 39 structures of triazolopyridine derivatives with known biological activities. Segmentation the whole dataset into a training set and test set was performed randomly. StepWise (SW) and Genetic Algorithm (GA) techniques with Multiple Linear Regression (MLR) were used to select the most important descriptors and to create the best prediction model. Comparison of the results obtained for SW-MLR and GA-MLR models was showed that GA-MLR model is superior to the SW-MLR model. The robustness and the predictive ability of the final GA-MLR model validated by internal and external statistical validations including Leave-One-Out (LOO) cross-validation, Leave-Group-Out (LGO) cross-validation, Y-randomization and external test set. High agreement between experimental and predicted activity values indicated that GA-MLR model with five variables has good quality and it could be used in design novel compounds with higher PIM inhibitor activity. مطالعه ارتباط کمی ساختار ـ فعالیت (QSAR) برای مدل سازی و پیش بینی فعالیت مهارکنندگی PIM،39 ترکیب از مشتق های تری آزولوپیریدین به کار گرفته شد. نخست پس از رسم و بهینه سازی ساختار ترکیب ها و محاسبه توصیف کننده ها، مجموعه داده ها به صورت تصادفی به دو مجموعه آموزش و آزمون تقسیم شد. در انتخاب مهمترین توصیف کننده ها روش گام به گام (SW) و الگوریتم ژنتیک (GA) استفاده شد. سپس برای مدل سازی و پیش بینی فعالیت های ترکیب ها از روش برازش خطی چندگانه (MLR) استفاده شد. مقایسه مدل های SW-MLRو GA-MLR نشان داد که GA-MLR نسبت به SW-MLR نتیجه های بهتری به دست می دهد. سپس برای بررسی اعتبار مدل ها از روش های اعتبارسنجی تقاطعی (LOO) و (LGO)، Y- تصادفی و آزمون خارجی استفاده شد. این مطالعه نشان داد که مدل GA-MLR با پنج توصیف کننده می تواند برای پیش بینی فعالیت ترکیب های دارویی همانند به کار رود و همچنین از تحلیل توصیف کننده های مدل می توان در طراحی ترکیب های دارویی نوین استفاده کرد.

https://www.nsmsi.ir/article_29041_6aaf618580961e7d7d50f1a6aa246fa1.pdf