این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله دانشگاه علوم پزشکی مازندران، جلد ۳۰، شماره ۱۸۴، صفحات ۱۰۶-۱۱۸
عنوان فارسی بررسی رابطه کمی ساختمان با اثر ضد سل مشتقات تیوسمی کاربازونی به روش شبکه عصبی مصنوعی و رگرسیون خطی چندگانه
چکیده فارسی مقاله سابقه و هدف: روش‌های مدل سازی غیر خطی برای مطالعات رابطه‌ کمی ساختمان- اثر، راه‌های گویاتری نسبت به روش‌های خطی، برای رفتارهای مولکولی هستند. شبکه‌های عصبی مصنوعی، مدل ها و الگوریتم‌های ریاضی هستند که پردازش اطلاعات و یادگیری مغز انسان را تقلید می‌کنند. نشان داده شده است برخی مشتقات S-alkyl تیوسمی کاربازون در پیش‌گیری و درمان عفونت‌های مایکو باکتریایی اثر بخش بوده‌اند. این مطالعه با هدف یافتن ارتباط ساختار با اثر این ترکیبات انجام پذیرفت. مواد و روش‌ها: در این مطالعه‌ وابستگی کمی کنش و ساختار (QSAR)، از رگرسیون خطی چندگانه و شبکه عصبی مصنوعی با تنظیم بایسین برای 47 ترکیب از مشتقات تیوسمی کاربازون، استفاده گردید. توصیف‌کننده‌ها از روش انتخاب و حذف گام به گام از مجموع 343 توصیف‌کننده، انتخاب شدند. یک شبکه‌ی سه لایه‌ی پیش خور پس انتشار با تنظیم بایسین به وسیله نرم‌افزار MATLAB نسخه R2009a طراحی، بهینه و ارزیابی شد. یافته‌ها: پس از رگرسیون خطی چندگانه یک مدل با 6 توصیف کننده حاصل شد: (039/0 ± 235/0)Qneg –  (600/1 ± 706/1)PMIZ – (017/0 ± 066/0)PMIX –  (018/0 ± 067/0) + 592/2 Log MIC= RDF060p (021/0 ± 064/0) RDF 140u– (026/0 ± 118/0) RDF030p+ بهترین مدل BR-ANN یک شبکه سه لایه با سه گره در لایه مخفی بود. استنتاج: مدل BR-ANN قدرت پیش‌بینی‌کنندگی بیش‌تری نسبت به مدل‌های خطی دارد و احتمالاً بهتر می‌تواند فعالیت ضد سلی ترکیبات جدید با شالوده ساختاری یکسان در میان مشتقات تیوسمی کاربازون را پیش‌بینی کند.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Quantitative Structure-Activity Relationship Study on Thiosemicarbazone Derivatives as Antitubercular agents Using Artificial Neural Network and Multiple Linear Regression
چکیده انگلیسی مقاله Background and purpose: Nonlinear analysis methods for quantitative structure–activity relationship (QSAR) studies better describe molecular behaviors, than linear analysis. Artificial neural networks are mathematical models and algorithms which imitate the information process and learning of human brain. Some S-alkyl derivatives of thiosemicarbazone are shown to be beneficial in prevention and treatment of mycobacterial infections and this study seeks to find out the relationship between structural features and the anti-tuberculosis activity of these compounds. Materials and methods: Multiple linear regression and Bayesian regularized artificial neural network (BRANN) for 47 compounds of thiosemicarbazone derivatives were designed using QSAR approaches. Descriptors were selected from a pool of 343 descriptors by stepwise selection and backward elimination. A three layer Bayesian regularized back-propagation feed-forward network was designed, optimized, and evaluated using MATLAB version R2009a. Results: The best model with 6 descriptors was found using multiple linear regression analysis: Log MIC= 2.592 + (0.067 ± 0.018) PMIX – (0.066 ± 0.017) PMIZ – (1.706 ± 1.600) Qneg – (0.235 ± 0.039) RDF030p + (0.118 ± 0.026) RDF 140u – (0.064 ± 0.021) RDF060p. The best BRANN model was a three-layer network with three nodes in its hidden layer. Conclusion: The BRANN model has a better predictive power than linear models and may better predict the anti-tuberculosis activity of new compounds with similar backbone of thiosemicarbazone moiety.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مهدی موسوی | Mehdi Mousavi
1Associate Professor, Department of Chemistry, Shahid Bahonar University of Kerman, Kerman, Iran
دانشیار، گروه شیمی، دانشگاه شهید باهنر کرمان، کرمان، ایران

فریدون دریایی | Fereidoon Daryaee
Assistant Professor, Department of Medicinal Chemistry, Faculty of Pharmacy, Kerman University of Medical Sciences, Kerman, Iran
استادیار، گروه شیمی دارویی، دانشکده داروسازی، دانشگاه علوم پزشکی کرمان، کرمان، ایران

امید رنجبران | Omid Ranjbaran
Doctor of Pharmacy, Department of Medicinal Chemistry, Faculty of Pharmacy, Kerman University of Medical Sciences, Kerman, Iran
دکتر داروساز، گروه شیمی دارویی، دانشکده داروسازی، دانشگاه علوم پزشکی کرمان، کرمان، ایران

بهنام محسنی | Behnam Mohseni
PhD in Chemistry, Department of Chemistry, Shahid Bahonar University of Kerman, Kerman, Iran
دکترای شیمی، دانشگاه شهید باهنر کرمان، کرمان، ایران

سعیده طاهری | Saeideh Taheri
Doctor of Pharmacy, Department of Medicinal Chemistry, Faculty of Pharmacy, Kerman University of Medical Sciences, Kerman, Iran
دکتر داروساز، گروه شیمی دارویی، دانشکده داروسازی، دانشگاه علوم پزشکی کرمان، کرمان، ایران

عبدالرضا حسن زاده | Abdolreza Hassanzadeh
Assistant Professor, Pharmaceutics Research Center, Institute of Neuropharmacology, Kerman University of Medical Sciences, Kerman, Iran
استادیار، مرکز تحقیقات فارماسیوتیکس، پژوهشکده‌ نوروفارماکولوژی، دانشگاه علوم پزشکی کرمان، کرمان، ایران

نشانی اینترنتی http://jmums.mazums.ac.ir/browse.php?a_code=A-10-11714-1&slc_lang=fa&sid=1
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/119/article-119-2401507.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده شیمی دارویی
نوع مقاله منتشر شده پژوهشی-کامل
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات