رئوف قوامی زروان

کارایی توابع پایه ای شعاعی(RBF) شدیداً تحت تأثیرتعداد و موقعیت مراکز منتخب است. دربیشتر روش های گزارش شده، برای انتخاب مرکز توابع پایه ای شعاعی، مراکز انتخاب شده محدود به فضای سطرهای ماتریس داده هستند. ترکیبی از الگوریتم ژنتیک و توابع پایه ای شعاعی برای توصیف بهتر مطالعه کمی ساختار- ویژگی استفاده شده است.در این روش مراکز انتخاب شده دقیقا از سطرهای ماتریس متغیر مستقل نیستند. بلکه می توانند از تمام فضای نمونه ها انتخاب شوند. در این روش مراکز اولیه به صورت تصادفی از سطرهای ماتریس کالیبراسیون انتخاب می شوند. الگوریتم ژنتیک موقعیت مراکز را برای یافتن بهترین موقعیت آن ها، بین تمام فضای اسکورها تغییر می دهد تا بالاترین قدرت پیش بینی مدل به دست آید. تصویرسازی متعاقب(PP) و تجزیه اجزای اصلی(PCA) با توابع پایه ای شعاعی ترکیب شده اند تا مطالعه ی کمی ساختار- فعالیت (QSAR) تمایل جذب (pEC50) مربوط به 47 مشتق فلورن به عنوان بازدارنده ی آنزیم HIV-1 پروتئاز انجام شود. از توابع پایه ای شعاعی به عنوان روش رگرسیون غیرخطی استفاده شده است و ورودی های آن، اسکورهای تصویرسازی متعاقب وتجزیه اجزای اصلی هستند. از الگوریتم ژنتیک برای انتخاب مراکز RBF استفاده شده است. روش های ارائه شده با نام PP-GA-RBF و PCA-GA-RBF نام گذاری شده اند. هدف مقایسه ی توانایی پیش بینی دو روش ارائه شده است. برای ارزیابی توانایی پیش بینی دو روش از پارامترهای آماری مختلفی مثل Q2F2 و r2m استفاده شده است. نتایج نشان می دهد که PP-GA-RBF توانایی پیش بینی بیشتری از PCA-GA-RBF دارد. هدف روش های تصویرسازی این است که ساختار پنهان داده را با تصویر کردن آن روی فضای کوچکتر، آشکار کنند. PP یک روش اکتشافی قدرتمند است و معمولا از PCA بهتر عمل می کند. هدف از این قسمت مقایسه ی کارایی دو روش تصویرسازی متعاقب و تجزیه اجزای اصلی در فشرده سازی داده ها است. برای این منظور، اسکورهای تجزیه اجزای اصلی و تصویرسازی متعاقب با فاکتورهای متفاوت به عنوان ورودی توابع پایه ای شعاعی قرار گرفتند. روش ها PP-RBF و PCA-RBF نامگذاری شدند. از این روش ها برای مطالعه ی رابطه ی کمی ساختار- بازداری 209 ترکیب پلی کلرو بی فنیل(PCB) روی 18 فاز ساکن متفاوت استفاده شد. متغیر وابسته زمان بازداری نسبی کروماتوگرافی گازی با کیفیت بالای این ترکیبات روی 18 فاز ساکن متفاوت ا