Medical Sciences Journal of Islamic Azad University

fa پیش بینی فعالیت ضدسرطانی مشتقات ۱و۸- نفتیریدین توسط روش الگوریتم ژنتیک-رگرسیون خطی چندگانه Prediction of anti-cancer activity of 1,8-naphthyridin derivatives by using of genetic algorithm-stepwise multiple linear regression شیمی Chemistry تحليلي/مقطعي/توصيفي Survey/Cross Sectional/Descriptive 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. Background: This paper compared the QSAR modeling of anti-cancer activity of compounds 1,4-Dihydro-4-oxo-1-(2-thiazolyl)-1,8-naphthyridines and its derivatives using stepwise multiple linear regression (S-MLR) and combined genetic algorithm-multiple linear regression methods (GA-MLR(. Materials and methods: A set of 100 compounds with certain anticancer activity were selected from literature. All molecules were “cleaned up” and the Allinger’s MM2 force field was used for energy minimization, the semi-empirical quantum method Austin method 1 (AM1) was used for geometry optimization using the Polak-Ribiere algorithm. A large number of theoretical descriptors for each molecule were calculated using Dragon software. In order to select the best set of descriptors for QSAR modeling, GA-MLR and Stepwise-MLR as two variable selection methods were used. First the random sampling of the training sets (80% of data) were randomly taken 20 times, and the remaining molecules (20 percent of the data) were used as prediction set for external validation. Among the random samples, one of the samples with high Q2CV, Q2cal, Q2test was selected as the best train and test set. Using this train set, QSAR modeling performed using GA-MLR and Stepwise-MLR methods. Results: QSAR models by GA-MLR modeling had larger validated squared correlation coefficient than the obtained models by S-MLR. Conclusion: According to the results, it could be concluded that the activity of similar compounds will be predictable by the obtained model.   Keywords: QSAR modeling, Anticancer activity, Variable selection, Stepwise-MLR, GA-MLR. مدلسازی QSAR, فعالیت ضدسرطان, انتخاب متغیر, GA-MLR, Stepwise-MLR QSAR modeling, Anticancer activity, Variable selection, Stepwise-MLR, GA-MLR. 181 194 http://tmuj.iautmu.ac.ir/browse.php?a_code=A-10-1-541&slc_lang=fa&sid=1 Shahin Ahmadi شهین احمدی ahmadi.chemometrics@gmail.com 10031947532846007328 10031947532846007328 Yes Department of Chemistry, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran دانشگاه گروه شیمی، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران Roohallah Khani روح الله خانی 10031947532846007329 10031947532846007329 No medicinal chemistry, Department of Pharmaceutical Chemistry, Tehran Medical Sciences, Islamic Azad University, Tehran, Iran گروه شیمی دارویی، علوم پزشکی تهران ، دانشگاه آزاداسلامی، تهران، ایران Maryam Moghaddas مریم مقدس 10031947532846007330 10031947532846007330 No Department of Chemistry, Safadasht Branch, Islamic Azad University, Safadasht, Iran گروه شیمی، واحد صفادشت، دانشگاه آزاد اسلامی، صفادشت، ایران