بیماری آلزایمر به عنوان شایعترین نوع دمانس، یکی از مهمترین چالش های سلامت عمومی در جهان محسوب می شود و تاکنون درمان قطعی برای آن ارائه نشده است. یکی از راهبردهای شناخته شده در کنترل علائم این بیماری، مهار آنزیم استیل کولین استراز (AChE) است. در این پژوهش، تلاش شد با بهره گیری از مدلسازی رابطه کمّی ساختار–فعالیت (QSAR) ، ارتباط میان ویژگی های ساختاری ترکیبات کارباماتی و مقادیر IC50 آنها بررسی شود تا امکان پیش بینی کارایی مهارکنندگی ترکیبات جدید فراهم گردد برای این منظور، داده های تجربی مربوط به 41 ترکیب کارباماتی از پایگاه های معتبر همچون BindingDB و PubChem جمع آوری شد. ساختار مولکول ها در نرم افزار HyperChem ترسیم و بهینه سازی گردید و سپس با استفاده از Dragon تعداد 1420 توصیف گر مولکولی استخراج شد. داده ها در محیط Excel 2016 سازماندهی و پس از نرمال سازی و کاهش ابعاد، به MATLAB منتقل گردیدند. با به کارگیری روش رگرسیون گام به گام، 11 ویژگی کلیدی به عنوان مهمترین عوامل مؤثر بر فعالیت مهاری انتخاب شدند. مدل نهایی به دست آمده توانست با دقت پیش بینی 92% و ضریب همبستگی بیش از ۹۵ ٪، مقادیر IC50 ترکیبات را با صحت بالا برآورد کند . یافته های این تحقیق نشان داد که استفاده از مدل های QSAR می تواند ابزار قدرتمندی برای پیش بینی فعالیت زیستی مهارکننده های AChE و هدایت فرآیند طراحی داروهای جدید ضد آلزایمر باشد. این رویکرد علاوه بر کاهش هزینه ها و زمان آزمایشگاهی، می تواند به طور قابل توجهی در کاهش وابستگی به آزمون های حیوانی و توسعه داروهای کارآمدتر نقش آفرینی کند .
