رئوف قوامی زروان

در این تحقیق، از یک مجموعه داده شامل 206 ترکیب آلی فرار به منظور توسعه مدل های رابطه کمی ساختار-بازداری برای پیش بینی شاخص های بازداری ترکیبات آلی فرار در فاز ساکنDB-5 استفاده شد. 141 مولکول برای ساخت مدل ها در مجموعه آموزش قرار دادند و 65 مولکول برای ارزیابی مدل های خارجی در مجموعه آزمایش قرار گرفتند. با استفاده از رگرسیون خطی چندگانه گام به گام، دو توصیف گر شامل x1sol (شاخص اتصال حلالیت chi-1) و AAC (شاخص میانگین اطلاعات در ساختار اتمی) برای ایجاد مدل های خطی و غیرخطی رابطه کمی ساختار-بازداری انتخاب شدند. از رگرسیون خطی چندگانه، اپسیلون رگرسیون بردار پشتیبان و شبکه عصبی مصنوعی مبتنی بر یادگیری عمیق به عنوان تکنیک های مدل سازی استفاده شد. همه مدل ها با محاسبه چندین پارامتر آماری برای هر دو مجموعه آموزش و آزمون که نشان می دهد مدل های ایجاد شده قدرت پیش بینی بالایی دارند، ارزیابی شدند. مقادیر R^2 برای مجموعه آزمون رگرسیون خطی چندگانه، پسیلون رگرسیون بردار پشتیبان و مدل های شبکه عصبی مصنوعی مبتنی بر یادگیری عمیق به ترتیب 90/0، 94/0 و 94/0 بود. نتایج نشان می دهد برهم کنش وان دروالس مولکول ها با گروه های متیل در فاز ساکن DB-5 و برهم کنش الکترواستاتیک اتم های دارای بار جزئی منفی در مولکول ها با اتم های هیدروژن گروه های فنیل در فاز ساکن DB-5، عامل جداسازی ترکیبات آلی فرار در فاز ساکن DB-5 است. سرانجام، این مدل های ایجاد شده برای پیش بینی شاخص های بازداری 694 ترکیب آلی فرار که هیچ داده شاخص بازداری در فاز ساکن DB-5 نداشتند، مورد استفاده قرار گرفت.