بررسي رابطه كمي ساختمان با اثر ضد سل مشتقات تيوسمي كاربازوني به روش شبكه عصبي مصنوعي و رگرسيون خطي چندگانه

Quantitative Structure-Activity Relationship Study on Thiosemicarbazone Derivatives as Antitubercular agents Using Artificial Neural Network and Multiple Linear Regression

سابقه و هدف: روش‌هاي مدل سازي غير خطي براي مطالعات رابطه‌ كمي ساختمان- اثر، راه‌هاي گوياتري نسبت به روش‌هاي خطي، براي رفتارهاي مولكولي هستند. شبكه‌هاي عصبي مصنوعي، مدل ها و الگوريتم‌هاي رياضي هستند كه پردازش اطلاعات و يادگيري مغز انسان را تقليد مي‌كنند. نشان داده شده است برخي مشتقات S-alkyl تيوسمي كاربازون در پيش‌گيري و درمان عفونت‌هاي مايكو باكتريايي اثر بخش بوده‌اند. اين مطالعه با هدف يافتن ارتباط ساختار با اثر اين تركيبات انجام پذيرفت. مواد و روش‌ها: در اين مطالعه‌ وابستگي كمي كنش و ساختار (QSAR)، از رگرسيون خطي چندگانه و شبكه عصبي مصنوعي با تنظيم بايسين براي 47 تركيب از مشتقات تيوسمي كاربازون، استفاده گرديد. توصيف‌كننده‌ها از روش انتخاب و حذف گام به گام از مجموع 343 توصيف‌كننده، انتخاب شدند. يك شبكه‌ي سه لايه‌ي پيش خور پس انتشار با تنظيم بايسين به وسيله نرم‌افزار MATLAB نسخه R2009a طراحي، بهينه و ارزيابي شد. يافته‌ها: پس از رگرسيون خطي چندگانه يك مدل با 6 توصيف كننده حاصل شد: (0/039 ± 0/235)Qneg – (1/600 ± 1/706)PMIZ – (0/017 ± 0/066)PMIX – (0/018 ±0/067) + 2/259 Log MIC= RDF060p (0/021 ± 0/064) RDF 140u– (0/026 ± 0/118) RDF030p+ بهترين مدل BR-ANN يك شبكه سه لايه با سه گره در لايه مخفي بود. استنتاج: مدل BR-ANN قدرت پيش‌بيني‌كنندگي بيش‌تري نسبت به مدل‌هاي خطي دارد و احتمالاً بهتر مي‌تواند فعاليت ضد سلي تركيبات جديد با شالوده ساختاري يكسان در ميان مشتقات تيوسمي كاربازون را پيش‌بيني كند.

Background and purpose: Nonlinear analysis methods for quantitative structure–activity relationship (QSAR) studies better describe molecular behaviors, than linear analysis. Artificial neural networks are mathematical models and algorithms which imitate the information process and learning of human brain. Some S-alkyl derivatives of thiosemicarbazone are shown to be beneficial in prevention and treatment of mycobacterial infections and this study seeks to find out the relationship between structural features and the anti-tuberculosis activity of these compounds. Materials and methods: Multiple linear regression and Bayesian regularized artificial neural network (BRANN) for 47 compounds of thiosemicarbazone derivatives were designed using QSAR approaches. Descriptors were selected from a pool of 343 descriptors by stepwise selection and backward elimination. A three layer Bayesian regularized back-propagation feed-forward network was designed, optimized, and evaluated using MATLAB version R2009a. Results: The best model with 6 descriptors was found using multiple linear regression analysis: Log MIC= 2.592 + (0.067 ± 0.018) PMIX – (0.066 ± 0.017) PMIZ – (1.706 ± 1.600) Qneg – (0.235 ± 0.039) RDF030p + (0.118 ± 0.026) RDF 140u – (0.064 ± 0.021) RDF060p. The best BRANN model was a threelayer network with three nodes in its hidden layer. Conclusion: The BRANN model has a better predictive power than linear models and may better predict the anti-tuberculosis activity of new compounds with similar backbone of thiosemicarbazone moiety.