مطالعات QSAR و داکینگ مولکولی مبتنی بر یادگیری ماشین جهت پیش‌بینی سمیت آفت‌کش‌ها: ابزاری برای مدیریت مخاطرات محیط‌زیستی

ایزدی, فاطمه; باهر, الهام; قرقانی, سجاد

مطالعات QSAR و داکینگ مولکولی مبتنی بر یادگیری ماشین جهت پیش‌بینی سمیت آفت‌کش‌ها: ابزاری برای مدیریت مخاطرات محیط‌زیستی

مقالات آماده انتشار

نوع مقاله : پژوهش اصیل

نویسندگان

فاطمه ایزدی ¹

الهام باهر ²

سجاد قرقانی ³

¹ گروه شیمی-دانشکده علوم-دانشگاه گلستان-گرگان

² گروه شیمی -دانشکده علوم -دانشگاه گلستان- گرگان

³ گروه بیوانفورماتیک، آزمایشگاه کموانفورماتیک، مرکز تحقیقات بیوشیمی و بیوفیزیک (IBB)، دانشگاه تهران، تهران، ایران

چکیده

در مطالعه حاضر، دوز کشنده (LD50) برخی از آفت‌کش‌ها با استفاده از مطالعات رابطه کمی ساختار-فعالیت (QSAR) پیش‌بینی شد. بدین منظور، پس از ترسیم ساختار مولکولی، توصیف‌گرهای مولکولی محاسبه گردیده و میزان LD50 توسط روش‌های رگرسیون خطی چندگانه (MLR) و ماشین بردار پشتیبان (SVM) پیش‌بینی شد. جهت انتخاب توصیف‌گرهای مرتبط، از الگوریتم ژنتیک (GA) و روش MLR-Stepwise استفاده گردید. با مقایسه نتایج آماری به‌دست‌آمده، مدل MLR-SVM با پارامترهای (Q2 =0.498 SPRESS =0.047 ) به عنوان بهترین مدل انتخاب شد که مقادیر ضریب همبستگی و خطای استاندارد آن برای مجموعه آموزش به ترتیب R = 0.99 و SE = 0.014 و برای مجموعه تست R = 0.718 و SE = 0.082 بود. سپس، به‌منظور بررسی برهم‌کنش‌های لیگاند-پروتئین، داکینگ مولکولی انجام گرفت. برای این بخش، آفت‌کش‌هایی با بیشترین (LD50 = 2.68) و کمترین (LD50 = 2.21) میزان سمیت انتخاب شدند. بر اساس نتایج حاصل، ترکیباتی که تمایل بیشتری به تشکیل پیوندهای هیدروفوب (آب‌گریز) دارند، سمیت بالاتری ایجاد می‌کنند؛ همچنین حضور برخی عناصر مانند فلوئور در ساختار مولکولی آن‌ها باعث افزایش سمیت می‌شود.

کلیدواژه‌ها

مطالعات سختار فعالیت

داکینگ مولکولی

الگوریتم ژنتیکی

ماشین بردار پشتیبان

موضوعات