رئوف قوامی زروان

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.