روش‌هاي خطي و غيرخطي ارتباط كمي‌ساختار- فعاليت جهت پيش‌بيني فعاليت دارويي برخي از مشتقات آمينواسيدها

Linear and nonlinear quantitative structure-activity relationship for prediction of drug activity of some amino acid derivatives

اين پژوهش به پيش‌بيني فعاليت دارويي 38 مشتق آمينواسيد به عنوان بازدارنده‌هاي هيستون دي استيلاز (HDAC) جهت درمان سرطان و برخي از بيماري‌ها اختصاص دارد. آنزيم‌هاي HDAC موجب تسريع روند حذف گروه‌هاي استيل از باقيمانده‌هاي ليزين از پروتيين‌هاي شامل هيستون (Histone) مي‌شوند. پس از محاسبه‌ي توصيف‌كننده‌هاي مولكولي مستقل، با استفاده از روش مرحله‌اي انتخاب متغير و گزينش 4 توصيف‌كننده، جهت مدل‌سازي از رگرسيون خطي چندگانه (MLR) و شبكه‌ي عصبي مصنوعي (ANN) استفاده شد. سري‌هاي آموزش و آزمون جهت ساخت مدل و ارزيابي قدرت پيش‌بيني روش‌هاي MLR و ANN به ترتيب شامل 30 و 8 تركيب بودند. افزون‌بر آن، از روش‌هاي متفاوت جهت ارزيابي مدل‌ها استفاده شد. نتيجه‌ها حاكي از آن است كه روش غيرخطي شبكه‌ي عصبي مصنوعي در مجموع داراي توانمندي پيش‌بيني مناسب‌تر در مقايسه با روش ‌MLR است. شاخص‌هاي آماري مرتبط با مدل مبتني بر شبكه‌ي عصبي مصنوعي دلالت بر اين حقيقت دارد كه مدل ارايه شده مي‌تواند جهت پيش‌بيني فعاليت دارويي تركيب‌هاي مشابه مورد استفاده قرار گيرد.

In this paper, quantitative structure–activity relationship (QSAR) of 38 amini acid derivatives as potent inhibitor of histone deacetylase (HDAC) enzyme for the treatment of cancer and other diseases was studied. These enzymes catalyze the removal of acetyl groups from the lysine residues of proteins including histones. A suitable set of molecular descriptors was calculated and the step-wise was employed to select four descriptors that resulted in the best fitted models. Multiple linear regression (MLR) and artificial neural network (ANN) were performed to build the models. Comparison the results of these two methods reveals that those obtained by the ANN model have much more prediction capability.