مدلسازی طول موج ماکزیمم جذب رنگهای آزو توسط الگوریتم مورچه و فعالیت داروئی مشتقات کاپساسین با استفاده از ماشین بردار پشتیبان

مشتقات رنگ های آزو سنتزی تهیه می شوند که دارای گروه عاملی N=N  می باشند و کاربرد اصلی آنها در صنایع غذائی و  نساجی است. قسمت آروماتیکی تعیین کننده رنگ است.در این کار از الگوریتم کلونی مورچه و مدل رگرسیون خطی جهت پیشگویی λ_max یک سری۳۰- تایی از مشتقات رنگ های آزو استفاده شده است. در ابتدا پس از بهینه سازی ساختار مولکولی توسط نرم افزار Hyper Chem، در مجموع ۱۵۲۱ توصیف کننده  به وسیله نرم­افزارهای Hyper Chem و Dragon محاسبه گردید. توصیف کننده ها به عنوان ورودی به برنامه الگوریتم مورچه داده شدند. به منظور به دست آوردن بهترین نتیجه با درصد خطای پایین و توصیف کننده های مناسب، برنامه الگوریتم مورچه را چند بار اجرا کرده و در اجراهای مختلف  پارامترهای آن از جمله تعداد مورچه های اولیه، پارامتر تبخیر و تعداد دورها بهینه شدند. ۵ توصیف کننده که بالاترین همبستگی را با λ_max رنگ های آزو داشتند، توسط الگوریتم مورچه انتخاب شدند. از این توصیف کننده های انتخاب شده، برای ساختن مدل خطی مناسب جهت پیشگویی λ_maxترکیبات مورد نظر استفاده  شد. این روش نتایج خوبی را در هر دو سری آموزش (۹۳۴۶/۰=^۲R) و پیشگویی (۸۴۱۹/۰=^۲R) فراهم آورد. با توجه به موارد ذکر شده، معلوم گردید الگوریتم مورچه طراحی شده روشی مناسب جهت انتخاب توصیف کننده ها برای مدل سازی و پیشگوییλ_max  مشتقات رنگ های آزو می­باشد.کاپساسین ماده داروئی است که از فلفل قرمز استخراج می شود و مصارف داروئی ازجمله درمان انواع سرطان، آرتروز، رماتیسم مفصلی، زخم معده دارد.با استفاده ازروش های آموزش آماری ماشین یک رابطه کمی ساختار- فعالیت برای کاپساسین برقرار شده است .۹۹ مولکول کاپساسین مطابق روش قسمت اول رسم شد و  ۱۲۰۶ توصیف کننده محاسبه گردید.برای کاهش تعداد توصیف کننده ها ابتدا از روش های PCA، ICA و Fuzzy Clustering استفاده کردیم که صحت از حدود ۶۲-۶۱% بالاتر نرفت. در رهیافت دیگری از تئوری اطلاعات و معیار” بیشترین ارتباط، کمترین تقلیل پذیری” استفاده شد و پس ازبهینه سازی توصیف کننده ها ۱۰۰ توصیف کننده انتخاب شد. در مرحله بعد مجموع توصیف کننده ها با استفاده از الگوریتم Wrapper بهینه سازی شد که مجموعا ۱۳  توصیف کننده انتخاب شد و صحت برای طبقه بندی به پنج دسته  فعالیت بسیار ضعیف ،  ضعیف، متوسط ، خوب و فعالیت عالی۸۴% بدست آمد.در کارهای قبلی ]۷۲[ تنها با تقسیم مولکول به سه قسمت و طبقه بندی به فعال و غیر فعال، صحت نزدیک به ۸۰% آمده بود. اما در کار حاضر بدون تقسیم بندی مولکولی و با تکیه به روش های محاسباتی صحتی بالاتر از کارهای سابق به دست آمد که نشانگر مناسب بودن و برتری روش های تئوری اطلاعات و SVM بر روش های قدیمی تر می باشد.

نوع فایل :word

تعداد صفحات :۱۲۵

*———————————–*

فصل اول پیشگوئی maxλ مشتقاترنگ های آزو با استفاده از الگوریتم مورچه

بشر هوشمند و صاحب تفکر همیشه برای یافتن راهی که زندگی­ اش را متحول و کامل گرداند، از طبیعت الهام گرفته است.با گذشت قرن ها، احساس نیاز به الهام گرفتن از طبیعت اسرارآمیز و دوست داشتنی و صد البته منظم، قانونمند و دارای شعور فطری، شدت پیدا کرده است. به گونه ای که از ریزترین موجودات همچون ویروس تا غول آساترین کهکشان ها، برای انسان که همیشه در تکاپوی حقیقت و دانش است، همه، معلمان و راهنمایان خوبی محسوب گردیده­اند، چرا که طبیعت همیشه رو به سوی کمال دارد.آنچه کاملاً مشهود است، به نظر می آید جهان هستی از جزء تا کل با یک حرکت آرام ولی پیوسته که به ظاهر تصادفی است رو به یک نقطه بهینه درحال حرکت است. در حقیقت طبق نظریه داروینی، طبیعت در حال بهینه کردن مسائل است.به طور مثال اگر بخواهیم حجم معینی آب را از کوهستان به دریا منتقل کنیم و تمام ویژگیها و معادلات مربوط به سختی، نوع، دما، جنس و سایر مشخصات آب و محیط اطراف را تعیین کرده و با این معادلات مسیر را بیابیم دقیقاً به همان مسیر جویبارها و رودخانه­ها می­رسیم که در طبیعت جریان دارند.بدیهی است که خداوند معلمی است که دانش آموزش، انسان را از طریق نشانه­هایش در طبیعت به طور کامل هدایت می­کند.هم اکنون کار روی توسعه سیستم­های هوشمند با الهام از طبیعت، از زمینه­های پرطرفدار هوش مصنوعی است. الگوریتم ژنتیک که با استفاده از ایده تکامل داروینی و انتخاب طبیعی مطرح شده روش بسیار خوبی برای یافتن مسائل بهینه­سازی است. ایده تکاملی داروینی بیانگر این مطلب است که هر نسل نسبت به نسل قبل دارای تکامل است و آنچه در طبیعت رخ می­دهد، حاصل میلیون­ها سال تکامل نسل به نسل موجوداتی مانند مورچه است.حشراتی مانند مورچه، موریانه، زنبور که به صورت کلونی زندگی می­کنند، بر رفتار به ظاهر بی­نظم­شان نظم و قانونمندی خاصی حکمفرماست که دانشمندان و محققان را به خاطر این پیچیدگی منظم و راهگشا در حل مسائل بهینه­سازی، شیفته خود ساخته است.

فصل دومپیشگوئی EC₅₀ مشتقات کاپساسین توسط ماشین های بردار پشتیبان