مطالعه QSAR برخی داروهای مهم برای پیش‏بینی دوز کشنده آن‌ها برای اطفال

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه شیمی، دانشکده علوم پایه، دانشگاه شهرکرد، شهرکرد، ایران

2 گروه شیمی دانشکده علوم پایه، دانشگاه شهرکرد، شهرکرد، ایران

10.22036/cr.2021.218394.1112

چکیده

در این تحقیق، پیش‏بینی میزان متوسط دوز کشنده داروهای مهم برای اطفال با استفاده از توصیف‌کننده‌های مولکولی ساختاری و همچنین به‌کارگیری مدل‌های ارتباط کمی ساختار- فعالیت (QSAR) توسط مدل‏های رگرسیون خطی MLR و شبکه عصبی مصنوعی ANN به‌طور جداگانه موردبررسی قرارگرفته‌اند. روش رگرسیون مرحله‌ای جهت کاهش تعداد توصیفگرهای (متغیرها) محاسبه‌شده به کار گرفته شد و بهترین نتایج با 8 توصیف‌کننده بدست آمد. در ادامه از مدل خطی رگرسیون خطی چندگانه MLR برای پیش‏بینی دوز کشنده‌ داروها استفاده شد که نتایج تقریبا خوبی به همراه داشت و پارامترهای R2، Q2 و RMSE برای این مدل به ترتیب 894/0، 155/12 و882/0 محاسبه و گزارش شد. همچنین با استفاده از مدل غیر خطی شبکه عصبی مصنوعی (ANN) نیز برای پیش‏بینی مقدار دوز کشنده این داروها استفاده شد و ضرایب همبستگی گروه‏های آموزش، آزمون، اعتبارسنجی و کل به ترتیب 984/0 و 994/0 و 999/0 و 983/0 محاسبه گردید که نشان‏دهنده اعتبار خوب این روش جهت پیش‏بینی میزان دوز کشنده سایر داروهای مشابه برای اطفال می‏باشد.

چکیده تصویری

مطالعه QSAR برخی داروهای مهم برای پیش‏بینی دوز کشنده آن‌ها برای اطفال

کلیدواژه‌ها


عنوان مقاله [English]

QSAR study of some important drugs to predict their lethal dose for children

نویسندگان [English]

  • mahsa Soleimanian Chaleshtori 1
  • saeid Asadpour 2
  • Hedayat Haddadi 1
1 Department of Chemistry, Faculty of Sciences, Shahrekord University, P. O. Box 115, Shahrekord, Iran
2 Department of Chemistry, Faculty of Sciences, Shahrekord University, Shahrekord, Iran
چکیده [English]

In this study, prediction of average lethal dose of important drugs for children using molecular descriptors and application of Quantitative Structure-Activity Relationship (QSAR) models by Multiple Linear Regression (MLR) and Artificial Neural Network (ANN) models have been investigated separately. After getting a lot of descriptors the Stepwise regression method was used to reduce the number of descriptors (variables) and the best results were obtained with 8 descriptors. Multivariate linear regression model was then used to predict the lethal dose of the drugs, which yielded almost good results and the parameters R2, Q2 and RMSE for this model were calculated and reported as 0.894, 12.15 and 0.882, respectively. Also by using artificial neural network a better model with correlation coefficients of training, test, validation and total groups were calculated 0.984, 0.994, 0.999 and 0.983, respectively, indicating good validity of this method for Predicting the lethal dose of other similar drugs for children.

کلیدواژه‌ها [English]

  • Lethal dose of Drug
  • Neural Network
  • Multiple linear regression
  • Quantitative structure-activity relationship
  1. B. Azkunaga, S. Mintegi, N. Salmón, Y. Acedo, and L. A. Del, in An. Pediatr. (Barcelona, Spain 2003) (2013), pp. 355–360.
  2. S. Sahin, K. B. Carman, and E. C. Dinleyici, Iran. J. Pediatr. 21, 479 (2011).
  3. J. Lourenço, B. M. A. Furtado, and C. Bonfim, Acta Paul. Enferm. 21, 282 (2008).
  4. Y. Bentur, N. D. Obchinikov, A. Cahana, N. Kovler, A. Bloom-Krasik, O. Lavon, B. Gurevych, and Y. Lurie, Isr. Med. Assoc. J. 12, 554 (2010).
  5. C. Chien, J. L. Marriott, K. Ashby, and J. Ozanne‐Smith, J. Paediatr. Child Health 39, 264 (2003).
  6. R. Özdemir, B. Bayrakci, Ö. Tekşam, B. Yalçin, and G. Kale, Turk. J. Pediatr. 54, 251 (2012).
  7. A. Philippakis, D. Hemenway, D. M. Alexe, N. Dessypris, T. Spyridopoulos, and E. Petridou, Inj. Prev. 10, 79 (2004).
  8. H. Joghataee, S. M. Mirakbari, S. S. Moosavi, and F. Farnaghi, Internet J. Pediatr. Neonatol. 2, 75 (2002).
  9. C. Einax, H. W. Zwanziger, and S. Geiss, Chemometrics in Environmental Analysis (John Wiley & Sons, 1997).
  10. S. N. Deming, Y. Michotte, D. L. Massart, L. Kaufman, and B. G. M. Vandeginste, Chemometrics: A Textbook (Elsevier, 1988).
  11. C. Hansch and T. Fujita, J. Am. Chem. Soc. 86, 1616 (1964).
  12. D. F. Andrews, Technometrics 16, 523 (1974).
  13. G. Koren and A. Nachmani, Clin. Drug Investig. 39, 217 (2019).
  14. A. Zielesny, (2005).
  15. V. Consonni, A. Mauri, and M. Pavan, TALETE Srl–Milano, Italy (2007).
  16. R. Meyer and D. Krueger, Minitab Guide to Statistics (Prentice Hall PTR, 2001).
  17. N. Zohari, M. H. Keshavarz, and S. A. Seyedsadjadi, J. Therm. Anal. Calorim. 117, 423 (2014).
  18. S. Inc, SPSS Base 14.0 User’s Guide (Prentice Hall, 2005).
  19. M. H. Keshavarz, M. Hayati, S. Ghariban‐Lavasani, and N. Zohari, Zeitschrift Für Anorg. Und Allg. Chemie 642, 182 (2016).
  20. S. Haykin, Neural Networks: A Comprehensive Foundation (Prentice Hall PTR, 1994).