RT - Journal Article T1 - Prediction of anti-cancer activity of 1,8-naphthyridin derivatives by using of genetic algorithm-stepwise multiple linear regression JF - iau-tmuj YR - 2018 JO - iau-tmuj VO - 28 IS - 3 UR - http://tmuj.iautmu.ac.ir/article-1-1440-fa.html SP - 181 EP - 194 K1 - QSAR modeling K1 - Anticancer activity K1 - Variable selection K1 - Stepwise-MLR K1 - GA-MLR. AB - سابقه و هدف: این مطالعه به مقایسه مدل سازی QSAR فعالیت ضد سرطانی ترکیبات ۱و۴-دی هیدرو-۴-اکسو-۱-(۲-تیازولیل)-۱و۸-نفتیریدین و مشتقات آن با روش رگرسیون خطی چندگانه مرحله ای (S-MLR ) و روش الگوریتم ژنتیک-رگرسیون خطی چندگانه (GA-MLR) پرداخت. روش بررسی: مجموعه ای از ۱۰۰ ترکیب با فعالیت ضد سرطانی مشخص از مقاله معتبر بین المللی انتخاب شد و روش میدان نیروی آلینجر MM2 برای کمینه کردن انرژی مولکول­ها استفاده شد. ساختار هندسی مولکول­ها از طریق روش کوانتوم نیمه تجربی روش آوستین با استفاده از الگوریتم پلاک-ریبایر (Polak-Ribiere) با استفاده از نرم افزار موپک بهینه سازی شدند. تعداد زیادی از توصیفگرهای تئوری برای هر مولکول با استفاده از نرم افزار دراگون محاسبه شد. به منظور انتخاب بهترین دسته از توصیفگرها برای مدل سازی QSAR از دو روش انتخاب متغیر ترکیب الگوریتم ژنتیک-رگرسیون خطی چندگانه و رگرسیون خطی چندگانه مرحله­ای استفاده شد. برای مدل­سازی ابتدا نمونه برداری تصادفی دسته آموزش (۸۰ درصد از داده­ها) ۲۰ بار به صورت تصادفی صورت گرفته و مولکول­های باقیمانده (۲۰ درصد باقیمانده از داده­ها) به عنوان دسته پیشگویی برای اعتبارسنجی خارجی استفاده شدند. در میان نمونه­های تصادفی، یکی از نمونه­ها با بالاترین Q2CV، Q2cal و Q2test به عنوان بهترین دسته یادگیری و آموزش انتخاب شد. با استفاده از این دسته یادگیری هر بار مدل به دو روش S-MLR و GA-MLR ایجاد شد. یافته­ها: مدل­هایQSAR به دست آمده با GA-MLR مجذور ضریب همبستگی اعتبارسنجی بزرگتری نسبت به روشS-MLR داشتند. نتیجه­ گیری: نتایج این مقایسه نشان می­دهد که می­توان با استفاده از مدل حاصل، فعالیت ترکیبات ضد سرطانی مشابه را پیشگویی کرد. واژگان کلیدی: مدل­سازی QSAR، فعالیت ضدسرطان، انتخاب متغیر، GA-MLR، Stepwise-MLR. LA eng UL http://tmuj.iautmu.ac.ir/article-1-1440-fa.html M3 10.29252/iau.28.3.181 ER -