عنوان	توسعه مدل‌های QSAR با توان پیش‌بینی بالا برای پیش‌بینی فعالیت متوقف‌کنندگی پروتئاز اصلی سارس کرونا ویروس متوقف‌کننده‌های کووالانسی مبتنی بر کتون
نوع پژوهش	پایان نامه
کلیدواژه‌ها	QSAR، 3〖CL〗^pro، MLR، یادگیری عمیق، نرم‌افزار R
چکیده	در این تحقیق از مجموعه داده‌ای شامل 29 مهارکننده کووالانسی مبتنی بر کتون با فعالیت بازدارندگی 3〖CL〗^pro در برابر SARS-CoV برای توسعه مدل‌های QSAR با قابلیت پیش‌بینی‌پذیری بالا استفاده شده است. 22 مولکول در مجموعه آموزش و 7 مولکول در مجموعه آزمون قرار داده شدند. بر اساس روش رگرسیون مرحله‌ای بر روی مولکول‌های موجود در مجموعه آموزش، چهار توصیف‌گر مولکولی شامل Mor26p, Hy, GATS7p و Mor04v برای ساخت مدل های QSAR انتخاب شدند. برای ایجاد مدل های QSAR از روش های MLR و ANN استفاده شد و از این مدل‌های ایجاد شده برای پیش‌بینی فعالیت مولکول‌های دسته‌های آموزش و آزمون استفاده شد. هردو مدل QSAR با محاسبه چندین پارامتر آماری ارزیابی شدند. مقادیر R^2 برای مجموعه آزمون مدل‌های MLR و ANN به ترتیب 93/0 و 95/0 بودند و مقادیر RMSE برای مجموعه‌های آزمون به ترتیب 24/0 و 17/0 بودند. لوریج‌های محاسبه شده برای همه مولکول‌ها نشان می‌دهند که p〖IC〗_50 پیش‌بینی شده (با هر دو مدل QSAR) قابل قبول است و نمودار‌های باقی مانده نشان می‌دهند که هیچ خطای سیستمی در ساخت هر دو مدل QSAR وجود ندارد. همچنین بر اساس مدل MLR ساخته شده، توصیف‌گرهای استفاده شده تفسیر شدند.
پژوهشگران	رئوف قوامی زروان (استاد راهنما)، محمد کهنه پوشی (دانشجو)، بختیار سپهری (استاد مشاور)