مطالعه ارتباط كمي ساختار- خاصيت جهت پيش‌بيني قطبيت حلال با استفاده از توصيف‌كننده‌هاي مكانيك‌كوانتومي و ماشين بردار پشتيبان

Quantitative Structure-Property Relationship Study for Prediction of the Solvent Polarity Using Quantum Mechanics Descriptors and Support Vector Machine

مطالعه ارتباط كمي ساختار-خاصيت جهت پيش بيني قطبيت برخي از حلال ها با استفاده از توصيف كننده هاي مكانيك كوانتومي و تكنيك ماشين بردار پشتيبان(SVM) انجام شد. مقادير تجربي قطبيت براي 69 حلال گردآوري شد. اين حلال ها شامل هيدروكربن هاي اشباع و غيراشباع، حلال هاي شامل هالوژن، سيانيد، نيترو، آميد، سولفيد، مركاپتو، فسفات، استر، اتر و غيره بود. در ابتدا ساختار حلال ها، رسم و گروه مناسبي از توصيف كننده‌ها محاسبه شدند. سپس از روش انتخاب مرحله‌اي براي بدست آوردن بهترين توصيف كننده‌ها كه بيشترين ارتباط را با قطبيت حلال مورد نظر داشتند استفاده گرديد. در ابتدا مدل خطي رگرسيون خطي چند‌گانه(MLR) ساخته شد. سپس براي به دست آوردن نتايج بهتر، از SVM استفاده گرديد. داده هاي آماري، برتري روش SVM را نسبت به روش MLR نشان مي دهد.

Quantitative structure-property relationship (QSPR) study for prediction of the polarity some of solvents using quantum mechanics descriptors and support vector machine. Experimental S′ values for 69 solvents were assembled. This set included saturated and unsaturated hydrocarbons, solvents containing halogen, cyano, nitro, amide, sulfide, mercapto, sulfone, phosphate, ester, ether, etc. After drawing the structure of the molecules, the suitable molecular descriptors were calculated. Then, the stepwise multiple linear regressions (SW-MLR) variable selection method was subsequently employed to select and implement the prominent descriptors having the most significant contributions to the polarity of the molecules. At first, multiple linear regressions (MLR) model was constructed. Then, support vector machine (SVM) model was used for to obtain better results. A comparison of results by the two methodologies indicated the superiority of SW-SVM over the SW-MLR method