دانلود پایان نامه ارشد:مطالعه QSAR بر روی مشتقات pyrrolo[3,2-d]pyrimidine-7-carbonitrile برای داروهای ضد دیابت

متن کامل پایان نامه مقطع کارشناسی ارشد رشته :شیمی

گرایش :آلی

عنوان : مطالعه QSAR بر روی مشتقات pyrrolo[3,2-d]pyrimidine-7-carbonitrile برای داروهای ضد دیابت

دانشگاه آزاد اسلامی

واحد رشت

دانشکده علوم پایه

 

گروه آموزشی شیمی

پایان نامه تحصیلی جهت اخذ درجه کارشناسی ارشد

رشته: شیمی     گرایش الی

عنوان:

مطالعه QSAR بر روی مشتقات pyrrolo[3,2-d]pyrimidine-7-carbonitrile برای داروهای ضد دیابت

استاد راهنما:

 دکتر قاسم قاسمی 

شهریور 1393

 

برای رعایت حریم خصوصی نام نگارنده پایان نامه درج نمی شود

(در فایل دانلودی نام نویسنده موجود است)

تکه هایی از متن پایان نامه به عنوان نمونه :

(ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است)

فهرست مطالب

عنوان                                           صفحه

پیشگفتار. 1

چکیده 2

فصل اول: کلیات

1-1- مقدمه. 5

1-2- کمومتریکس… 5

1-2-1- کاربردهای کمومتریکس… 6

1-3- مزایای روش های محاسباتی نسبت به روش های آزمایشگاهی.. 6

1-4- QSAR.. 7

1-5- رگرسیون. 7

1-6- روش های پارامتری.. 8

1-6-1- کالیبراسیون یک متغیره و چند متغیره 9

1-6-2- حداقل مربعات کلاسیک(CLS) 9

1-6-3- حداقل مربعات معکوس(ILS) 9

1-6-4- رگرسیون خطی چندگانه (MLR) 9

1-6-5- حداقل مربعات جزئی(PLS) 10

1-6-6- آنالیز اجزاء اصلی(PCA) 10

1-6-7- رگرسیون اجزاء اصلی (PCR) 11

1-6-8- رگرسیون چند متغیره غیر خطی(MNR) 12

1-6-9- منطق فازی.. 12

1-6-9-1-کاربرد های منطق فازی.. 13

1-6-10- شبکه های عصبی مصنوعی (ANN) 13

1-6-10-1- ویژگی های شبکه عصبی.. 14

1-6-10-2- مزایای شبکه عصبی.. 16

1-6-10-3- کاربرد های شبکه عصبی.. 16

1-6-11- الگوریتم ژنتیکی (GA) 17

1-6-11-1- قوانین داروین.. 18

1-6-11-2- ویژگی های الگوریتم ژنتیک… 18

1-6-11-3- نقاط قوت الگوریتم های ژنتیک… 20

1-6-11-4- محدودیت های الگوریتم های ژنتیک… 21

1-6-11-5- روش های انتخاب برای الگوریتم‌ ژنتیک… 21

1-7- دیابت… 22

1-7-1- دسته‌بندی و سبب‌شناسی دیابت… 23

1-7-1-1- دیابت نوع یک… 24

1-7-1-2- دیابت نوع دو. 25

1-7-1-3- دیابت بارداری.. 25

1-7-1-4- انواع دیگر دیابت… 26

1-8- وضعیت دیابت در جهان. 29

1-9- مرگ ومیر ناشی از دیابت… 29

1-10- هزینه های دیابت… 29

1-11- پیشگیری و کنترل دیابت… 30

1-12- داروها 30

1-12-1- سولفونیل اوره‌ ها 31

1-12-2- بی‌ گوانیدها 32

1-12-3- آکاربوز. 32

1-12-4- تیازولیدیندایون‌ها (TZD) 33

1-12-5- مگلی تینایدها 33

فصل دوم: روش کار

2-1- رسم مشتقات… 36

2-1-1- اضافه کردن متد و بهینه سازی مشتقات… 36

2-1-2- اضافه کردن توصیفگرهای مولکولی به مشتقات… 36

2-1-3- ساختن ماتریس و غربالگری توصیفگرها برای مشتقات… 37

2-1-4- محاسبات GA.. 38

2-1-5- محاسبات GA-ANN.. 39

2-1-6- محاسبات جک نایف… 39

2-1-7- محاسبات GA –MLR.. 39

2-1-8- تجزیه و تحلیل با روش هایPLS ، PCR و MLR.. 40

2-1-9- تجزیه و تحلیل با روش های GA-MCR،GA-PLS ،GA-PCR ، GA-MLR و GA-RS. 40

2-1-10- پیش بینی ساختار. 40

بخش دوم: بحث و نتیجه گیری

2-2- بحث و نتیجه گیری.. 42

پیشنهاد برای کارهای اینده 124

منابع و مأخذ. 125

فهرست جداول

عنوان                                                                                                           صفحه

جدول1. ساختار مربوط به مشتقات… 57

جدول2. مقادیر عددی پارامتر RMSE با روشGA-ANN  برای همبستگی های مختلف… 60

جدول3. توصیفگرهای انتخاب شده با روش GA-stepwise MLR برای همبستگی با هدف 0.3. 60

جدول4. توصیفگرهای انتخاب شده با روش GA-stepwise MLR برای همبستگی با هدف 0.4. 61

جدول5. مقادیر عددی پارامتر RMSE با روش GA-ANN برای همبستگی با هدف 0.3. 61

جدول6. مقادیر عددی پارامتر RMSE با روش GA-ANN برای همبستگی با هدف 0.4. 62

جدول7. توصیفگرهای انتخاب شده با روش GA-stepwise MLR برای همبستگی با هدف 0.3 برای لایه 2  62

جدول8. توصیفگرهای انتخاب شده با روش GA-stepwise MLR برای همبستگی با هدف 0.3 برای لایه 3  62

جدول9. توصیفگرهای انتخاب شده با روش GA-stepwise MLR برای همبستگی با هدف 0.3 برای لایه 4  63

جدول10. توصیفگرهای انتخاب شده با روش GA-stepwise MLR برای همبستگی با هدف 0.3 برای لایه 5  63

جدول11. توصیفگرهای انتخاب شده با روش GA-stepwise MLR برای همبستگی با هدف 0.3 برای لایه 6  63

جدول12. توصیفگرهای انتخاب شده با روش GA-stepwise MLR برای همبستگی با هدف 0.3 برای لایه 7  64

جدول13. توصیفگرهای انتخاب شده با روش GA-stepwise MLR برای همبستگی با هدف 0.3 برای لایه 8  64

جدول14. توصیفگرهای انتخاب شده با روش GA-stepwise MLR برای همبستگی با هدف 0.3 برای لایه    9  64

جدول15. توصیفگرهای انتخاب شده با روش GA-stepwise MLR برای همبستگی با هدف 0.3 برای لایه  10  65

جدول16. توصیفگرهای انتخاب شده با روش GA-stepwise MLR برای همبستگی با هدف 0.3 برای لایه  11  65

جدول17. توصیفگرهای انتخاب شده با روش GA-stepwise MLR برای همبستگی با هدف 0.4 برای لایه  2  65

جدول18. توصیفگرهای انتخاب شده با روش GA-stepwise MLR برای همبستگی با هدف 0.4 برای لایه  3  66

جدول19. توصیفگرهای انتخاب شده با روش GA-stepwise MLR برای همبستگی با هدف 0.4 برای لایه  4  66

جدول20. توصیفگرهای انتخاب شده با روش GA-stepwise MLR برای همبستگی با هدف 0.4 برای لایه  5  66

جدول21. توصیفگرهای انتخاب شده با روش GA-stepwise MLR برای همبستگی با هدف 0.4 برای لایه  6  67

جدول22. توصیفگرهای انتخاب شده با روش GA-stepwise MLR برای همبستگی با هدف 0.4 برای لایه  7  67

جدول23. توصیفگرهای انتخاب شده با روش GA-stepwise MLR برای همبستگی با هدف 0.4 برای لایه  8  67

جدول24. توصیفگرهای انتخاب شده با روش GA-stepwise MLR برای همبستگی با هدف 0.4 برای لایه  9  68

جدول25. توصیفگرهای انتخاب شده با روش GA-stepwise MLR برای همبستگی با هدف 0.4 برای لایه  10  68

جدول26. توصیفگرهای انتخاب شده با روش GA-stepwise MLR برای همبستگی با هدف 0.4 برای لایه  11  68

جدول27. پارامترهای بدست آمده با روش GA-stepwise MLR برای همبستگی 0.3برای لایه های مختلف   69

جدول28. پارامترهای بدست آمده با روش GA-stepwise MLR برای همبستگی  0.4برای لایه های مختلف   69

جدول29. مقادیر عددی توصیفگرهای انتخاب شده با روش GA-stepwise MLR برای همبستگی با هدف 0.3  70

جدول30. مقادیر عددی توصیفگرهای انتخاب شده با روش GA-stepwise MLR برای همبستگی با هدف 0.4  72

جدول31. پارامترهای بدست آمده با روش PLS برای همبستگی0.3 برای لایه های مختلف… 73

جدول32. پارامترهای بدست آمده با روش GA-PLS برای همبستگی 0.3 برای لایه های مختلف… 74

جدول34. پارامترهای بدست آمده با روش PCR برای همبستگی های مختلف… 75

جدول35. پارامترهای بدست آمده با روش GA-PCR برای همبستگی 0.3 برای لایه های مختلف… 75

جدول36. پارامترهای بدست آمده با روش GA-PCR برای همبستگی 0.4 برای لایه های مختلف… 76

جدول37. مقادیر عددی پارامترRMSE با روش GA-ANN برای لایه های فرد و همبستگی های مختلف… 76

جدول38. مقادیر عددی پارامترRMSE با روش GA-ANN برای لایه‎های زوج و همبستگی های مختلف… 76

جدول39. مقادیر عددی پارامتر RMSE و R2 با روش جک نایف برای لایه های فرد و همبستگی های مختلف   77

جدول40. مقادیر عددی پارامتر RMSE و R2 با روش جک نایف برای لایه های زوج و همبستگی های مختلف   77

جدول41. مقادیر عددی از مشاهداتlog (1/IC50) ، پیش بینی جک نایف و Ө∆ برای لایه 2-1 و همبستگی با هدف 0.3. 77

جدول42. مقادیر عددی از مشاهداتlog (1/IC50) ، پیش بینی جک نایف و Ө∆ برای لایه3-1 و همبستگی با هدف 0.3  78

جدول43. مقادیر عددی از مشاهداتlog (1/IC50) ، پیش بینی جک نایف و Ө∆ برای لایه 4-1 و همبستگی با هدف 0.3. 78

جدول44. مقادیر عددی از مشاهداتlog (1/IC50) ، پیش بینی جک نایف و Ө∆ برای لایه5-1 و همبستگی با هدف 0.3. 79

جدول45. مقادیر عددی از مشاهداتlog (1/IC50) ، پیش بینی جک نایف و Ө∆ برای لایه 6-1 و همبستگی با هدف 0.3. 79

جدول46. مقادیر عددی از مشاهداتlog (1/IC50) ، پیش بینی جک نایف و Ө∆ برای لایه 7-1 و همبستگی با هدف 0.3. 80

جدول47. مقادیر عددی از مشاهداتlog (1/IC50) ، پیش بینی جک نایف و Ө∆ برای لایه 8-1 و همبستگی با هدف 0.3. 80

جدول48. مقادیر عددی از مشاهداتlog (1/IC50) ، پیش بینی جک نایف و Ө∆ برای لایه 9-1 و همبستگی با هدف 0.3. 81

جدول49. مقادیر عددی از مشاهداتlog (1/IC50) ، پیش بینی جک نایف و Ө∆ برای لایه 10-1 و همبستگی با هدف 0.3. 81

جدول50. مقادیر عددی از مشاهداتlog (1/IC50) ، پیش بینی جک نایف و Ө∆ برای لایه 11-1 و همبستگی با هدف 0.3. 82

جدول51. مقادیر عددی از مشاهداتlog (1/IC50) ، پیش بینی جک نایف و Ө∆ برای لایه 2-1 و همبستگی با هدف 0.4. 82

جدول52. مقادیر عددی از مشاهداتlog (1/IC50) ، پیش بینی جک نایف و Ө∆ برای لایه 3-1 و همبستگی با هدف 0.4. 83

جدول53. مقادیر عددی از مشاهداتlog (1/IC50) ، پیش بینی جک نایف و Ө∆ برای لایه  4-1و همبستگی با هدف 0.4. 83

جدول54. مقادیر عددی از مشاهداتlog (1/IC50) ، پیش بینی جک نایف و Ө∆ برای لایه 5-1 و همبستگی با هدف 0.4. 84

جدول55. مقادیر عددی از مشاهداتlog (1/IC50) ، پیش بینی جک نایف و Ө∆ برای لایه 6-1 و همبستگی با هدف 0.4. 84

جدول56. مقادیر عددی از مشاهداتlog (1/IC50) ، پیش بینی جک نایف و Ө∆ برای لایه 7-1 و همبستگی با هدف 0.4. 85

جدول57. مقادیر عددی از مشاهداتlog (1/IC50) ، پیش بینی جک نایف و Ө∆ برای لایه 8-1 و همبستگی با هدف 0.4. 85

جدول58. مقادیر عددی از مشاهداتlog (1/IC50) ، پیش بینی جک نایف و Ө∆ برای لایه 9-1 و همبستگی با هدف 0.4. 86

جدول59. مقادیر عددی از مشاهداتlog (1/IC50) ، پیش بینی جک نایف و Ө∆ برای لایه 10-1 و همبستگی با هدف 0.4. 86

جدول60. مقادیر عددی از مشاهداتlog (1/IC50) ، پیش بینی جک نایف و Ө∆ برای لایه 11-1 و همبستگی با هدف 0.4. 87

جدول61. مقادیر عددی مشاهدات، پیش بینی با روش PLS، Ө∆ و انحراف برای همبستگی با هدف 0.3. 87

جدول62. مقادیر عددی مشاهدات، پیش بینی با روش GA-PLS، Ө∆ و انحراف برای همبستگی با هدف 0.3 برای لایه 2  88

جدول63. مقادیر عددی مشاهدات، پیش بینی با روش GA-PLS، Ө∆ و انحراف برای همبستگی با هدف 0.3 برای لایه 3  88

جدول64. مقادیر عددی مشاهدات، پیش بینی با روش GA-PLS، Ө∆ و انحراف برای همبستگی با هدف 0.3 برای لایه 4  89

جدول65. مقادیر عددی مشاهدات، پیش بینی با روش GA-PLS، Ө∆ و انحراف برای همبستگی با هدف 0.3 برای لایه 5  89

جدول66. مقادیر عددی مشاهدات، پیش بینی با روش GA-PLS، Ө∆ و انحراف برای همبستگی با هدف 0.3 برای لایه 6  90

جدول67. مقادیر عددی مشاهدات، پیش بینی با روش GA-PLS، Ө∆ و انحراف برای همبستگی با هدف 0.3 برای لایه 7  90

جدول68. مقادیر عددی مشاهدات، پیش بینی با روش GA-PLS، Ө∆ و انحراف برای همبستگی با هدف 0.3 برای لایه 8  91

جدول69. مقادیر عددی مشاهدات، پیش بینی با روش GA-PLS، Ө∆ و انحراف برای همبستگی با هدف 0.3 برای لایه 9  91

جدول70. مقادیر عددی مشاهدات، پیش بینی با روش GA-PLS، Ө∆ و انحراف برای همبستگی با هدف 0.3 برای لایه 10  92

جدول71. مقادیر عددی مشاهدات، پیش بینی با روش GA-PLS، Ө∆ و انحراف برای همبستگی با هدف 0.3 برای لایه 11  92

جدول72. مقادیر عددی مشاهدات، پیش بینی با روش PLS، Ө∆ و انحراف برای همبستگی با هدف 0.4. 93

جدول73. مقادیر عددی مشاهدات، پیش بینی با روش GA-PLS، Ө∆ و انحراف برای همبستگی با هدف 0.4 برای لایه 2  93

جدول74. مقادیر عددی مشاهدات، پیش بینی با روش GA-PLS، Ө∆ و انحراف برای همبستگی با هدف 0.4 برای لایه 3  94

جدول75. مقادیر عددی مشاهدات، پیش بینی با روش GA-PLS، Ө∆ و انحراف برای همبستگی با هدف 0.4 برای لایه 4  94

جدول76. مقادیر عددی مشاهدات، پیش بینی با روش GA-PLS، Ө∆ و انحراف برای همبستگی با هدف 0.4 برای لایه 5  95

جدول77. مقادیر عددی مشاهدات، پیش بینی با روش GA-PLS، Ө∆ و انحراف برای همبستگی با هدف 0.4 برای لایه 6  95

جدول78. مقادیر عددی مشاهدات، پیش بینی با روش GA-PLS، Ө∆ و انحراف برای همبستگی با هدف 0.4 برای لایه 7  96

جدول79. مقادیر عددی مشاهدات، پیش بینی با روش GA-PLS، Ө∆ و انحراف برای همبستگی با هدف 0.4 برای لایه 8  96

جدول80. مقادیر عددی مشاهدات، پیش بینی با روش GA-PLS، Ө∆ و انحراف برای همبستگی با هدف 0.4 برای لایه9  97

جدول81. مقادیر عددی مشاهدات، پیش بینی با روش GA-PLS، Ө∆ و انحراف برای همبستگی با هدف 0.4 برای لایه10  97

جدول82. مقادیر عددی مشاهدات، پیش بینی با روش GA-PLS، Ө∆ و انحراف برای همبستگی با هدف 0.4 برای لایه11  98

جدول83. مقادیر عددی مشاهدات، پیش بینی با روشPCR ، Ө∆ و انحراف برای همبستگی با هدف 0.3. 98

جدول84. مقادیر عددی مشاهدات، پیش بینی با روش GA-PCR، Ө∆ و انحراف برای همبستگی با هدف 0.3 برای لایه  2  99

جدول85. مقادیر عددی مشاهدات، پیش بینی با روش GA-PCR، Ө∆ و انحراف برای همبستگی با هدف 0.3برای لایه  3  99

جدول86. مقادیر عددی مشاهدات، پیش بینی با روش GA-PCR، Ө∆ و انحراف برای همبستگی با هدف 0.3 برای لایه  4  100

جدول87. مقادیر عددی مشاهدات، پیش بینی با روش GA-PCR، Ө∆ و انحراف برای همبستگی با هدف 0.3 برای لایه  5  100

جدول88. مقادیر عددی مشاهدات، پیش بینی با روش GA-PCR، Ө∆ و انحراف برای همبستگی با هدف 0.3 برای لایه  6  101

جدول89. مقادیر عددی مشاهدات، پیش بینی با روش GA-PCR، Ө∆ و انحراف برای همبستگی با هدف 0.3 برای لایه  7  101

جدول90. مقادیر عددی مشاهدات، پیش بینی با روش GA-PCR، Ө∆ و انحراف برای همبستگی با هدف 0.3برای لایه  8  102

جدول91. مقادیر عددی مشاهدات، پیش بینی با روش GA-PCR، Ө∆ و انحراف برای همبستگی با هدف 0.3 برای لایه  9  102

جدول92. مقادیر عددی مشاهدات، پیش بینی با روش GA-PCR، Ө∆ و انحراف برای همبستگی با هدف 0.3 برای لایه 10  103

جدول93. مقادیر عددی مشاهدات، پیش بینی با روش GA-PCR، Ө∆ و انحراف برای همبستگی با هدف 0.3 برای لایه 11  103

جدول94. مقادیرعددی مشاهدات،پیش‎بینی با روشPCR ، Ө∆ و انحراف برای همبستگی با هدف0.4. 104

جدول95. مقادیر عددی مشاهدات، پیش بینی با روش GA-PCR، Ө∆ و انحراف برای همبستگی با هدف 0.4 برای لایه 2  104

جدول96. مقادیر عددی مشاهدات، پیش بینی با روش GA-PCR، Ө∆ و انحراف برای همبستگی با هدف 0.4 برای لایه 3  105

جدول97. مقادیر عددی مشاهدات، پیش بینی با روش GA-PCR، Ө∆ و انحراف برای همبستگی با هدف  0.4برای لایه 4  105

جدول98. مقادیر عددی مشاهدات، پیش بینی با روش GA-PCR، Ө∆ و انحراف برای همبستگی با هدف 0.4 برای لایه 5  106

جدول99. مقادیر عددی مشاهدات، پیش بینی با روش GA-PCR، Ө∆ و انحراف برای همبستگی با هدف 0.4 برای لایه 6  106

جدول100. مقادیر عددی مشاهدات، پیش بینی با روش GA-PCR، Ө∆ و انحراف برای همبستگی با هدف 0.4 برای لایه 7  107

جدول101. مقادیر عددی مشاهدات، پیش بینی با روش GA-PCR، Ө∆ و انحراف برای همبستگی با هدف 0.4 برای لایه 8  107

جدول102. مقادیر عددی مشاهدات، پیش بینی با روش GA-PCR، Ө∆ و انحراف برای همبستگی با هدف 0.4 برای لایه 9  108

جدول103. مقادیر عددی مشاهدات، پیش بینی با روش GA-PCR، Ө∆ و انحراف برای همبستگی با هدف 0.4 برای لایه 10. 108

جدول104. مقادیر عددی مشاهدات، پیش بینی با روش GA-PCR، Ө∆ و انحراف برای همبستگی با هدف 0.4 برای لایه 11. 109

فهرست نمودارها

عنوان                                                                                                           صفحه

نمودار1. نمودارهای بدست آمده از روش GA برای همبستگی با هدف 0.3 برای لایه 2. 111

نمودار2. نمودار های بدست آمده از روش GA برای همبستگی با هدف 0.4 برای لایه 2. 112

نمودار3. نمودار بدست آمده از روش GA-ANN برای همبستگی با هدف 0.3. 112

نمودار4. نمودار بدست آمده از روش GA-ANN برای همبستگی با هدف 0.4. 113

نمودار5. نمودار بدست آمده از روش stepwise MLR برای همبستگی با هدف 0.3 در لایه 2. 113

نمودار6. نمودار بدست آمده از روش stepwise MLR برای همبستگی با هدف 0.3 در لایه 3. 114

نمودار7. نمودار بدست آمده از روش stepwise MLR برای همبستگی با هدف 0.3 در لایه 4. 114

نمودار8. نمودار بدست آمده از روش stepwise MLR برای همبستگی با هدف 0.3 در لایه 5. 115

نمودار9. نمودار بدست آمده از روش stepwise MLR برای همبستگی با هدف 0.3 در لایه 6. 115

نمودار10. نمودار بدست آمده از روش stepwise MLR برای همبستگی با هدف 0.3 در لایه 7. 116

نمودار11. نمودار بدست آمده از روش stepwise MLR برای همبستگی با هدف 0.3 در لایه 8. 116

نمودار12. نمودار بدست آمده از روش stepwise MLR برای همبستگی با هدف 0.3 در لایه 9. 117

نمودار13. نمودار بدست آمده از روش stepwise MLR برای همبستگی با هدف 0.3 در لایه 10. 117

نمودار14. نمودار بدست آمده از روش stepwise MLR برای همبستگی با هدف 0.3 در لایه 11. 118

نمودار15. نمودار بدست آمده از روش stepwise MLR برای همبستگی با هدف 0.4 در لایه 2. 118

نمودار16. نمودار بدست آمده از روش stepwise MLR برای همبستگی با هدف 0.4 در لایه 3. 119

نمودار17. نمودار بدست آمده از روش stepwise MLR برای همبستگی با هدف 0.4 در لایه 4. 119

نمودار18. نمودار بدست آمده از روش stepwise MLR برای همبستگی با هدف 0.4 در لایه 5. 120

نمودار19. نمودار بدست آمده از روش stepwise MLR برای همبستگی با هدف 0.4 در لایه 6. 120

نمودار20. نمودار بدست آمده از روش stepwise MLR برای همبستگی با هدف 0.4 در لایه 7. 121

نمودار21. نمودار بدست آمده از روش stepwise MLR برای همبستگی با هدف 0.4 در لایه 8. 121

نمودار22. نمودار بدست آمده از روش stepwise MLR برای همبستگی با هدف 0.4 در لایه 9. 122

نمودار23. نمودار بدست آمده از روش stepwise MLR برای همبستگی با هدف 0.4 در لایه 10. 122

نمودار24. نمودار بدست آمده از روش stepwise MLR برای همبستگی با هدف 0.4 در لایه 11. 123

فهرست اشکال

عنوان                                                      صفحه

شکل (1- 1) شمای کلی یک شبکه عصبی مصنوعی.. 15

شکل (2-1):جهش کروموزوم. 19

شکل (2-1) 38

پیشگفتار

شیمی محاسباتی رویکرد نوینی به پدیده های شناخته شده و آشنای فیزیکی و شیمیایی است که می تواند منجر به درک بهتر جهان پیرامون ما گردد. امروزه با پیشرفت روز افزون کامپیوترها قادر هستیم پدیده های گوناگون را در ماتریس های بسیار پیچیده نظیر سیستم های بیولوژیکی و نانوتکنولوژی مورد مطالعه قرار دهیم و بدیهی است که انجام چنین مطالعاتی در درجه اول نیازمند درک وسیعی از پدیده های فیزیکی و شیمیایی، ابداع و نوآوری روش های نوین مطالعاتی وتجزیه و تحلیل مستند و هدفدار هستند.

هدف از انجام این پژوهش، استفاده از شیمی محاسباتی در تجزیه و تحلیل آماری برای پیش بینی ساختارهای مناسب دارویی می باشد و همچنین با این روش نتایج آزمایشات مختلفی را که به صورت تجربی انجام می شود تا حدود زیادی پیش گویی و تا حد زیادی در هزینه و زمان صرفه جویی نمود.

در این پایان نامه با استفاده از مطالعات QSAR بر روی مشتقات ساختارهای مناسب برای درمان دیابت انتخاب و ساخت دارو از روی مناسب ترین ساختار ها به دارو ساز محترم پیشنهاد می شود. لازم به ذکر است که در این پژوهش روش های نوین و ترکیبی آماری، برای تجزیه و تحلیل و پیش بینی ساختارها به کار برده شده است.

چکیده

در این تحقیق، ارتباط کمی ساختار و فعالیت (QSAR) در مشتقات pyrrolo[3,2-d]pyrimidine-7-carbonitrile مطالعه شده است. الگوریتم ژنتیک (GA)، شبکه های عصبی مصنوعی (ANN) و روش گام به گام رگرسیون خطی چندگانه (stepwise MLR) برای مدل های خطی و غیر خطی QSAR ایجاد و مورد استفاده قرار گرفت. با استفاده روش  DFT (B3LYP)و سری پایه 6-31G ساختار های بهینه از این مشتقات را بدست آوردیم. از نرم افزار های Hyperchem، ChemOffice و  Gaussian 03W و Dragon برای بهینه‎سازی مولکول ها و محاسبات توصیفگرهای شیمی کوانتومی استفاده شده است. در نهایت برای آنالیز داده ها از نرم افزار Unscrambler استفاده گردید. RMSE train و test RMSE با مدل GA-ANN به ترتیب 0.1406 و 0.3519 و پارامتر R2، 0.81 بدست آمد. همچنین مقادیر R و  R2با مدل GA-stepwise MLR به ترتیب 0.79 و 0.58 بدست آمد. مدل GA-ANN مطلوب ترین روش نسبت به سایر روش های آماری شناخته شد.

به طور کلی با برسی های انجام شده با روشهای GA-PLS, GA-PCR و روش جک نایف در لایه‎های مختلف و اهداف مختلف ترکیبات زیر کمترین انحراف ممکن را دارند و به عنوان بهترین ترکیبات برای ساخت دارو پیش بینی می‎شوند:

5، 10، 18 و 38

همچنین بهترین توصیف گرها عبارتند :

در همبستگی 0.3:

 

MeaningDescriptor groupDescriptor symbol
3D-MoRSE – signal 23 / weighted by atomic masses3D-MoRSE (3D)Mor23m
everage-weighted autocorrelation of lag 5 / weighted by atomic massesGETAWAY (3D)HATS5m

 

در همبستگی 0.4:

 

MeaningDescriptor groupDescriptor symbol
 

G total symmetry index / weighted by atomic masses

 

WHIM (3D)

 

 

Gm

leverage-weighted autocorrelation of lag 5 / weighted by atomic massesGETAWAY (3D)HATS5m

 

.کلمات کلیدی: دیابت نوع 2، مدل QSAR، ژنتیک الگوریتم (GA)، شبکه عصبی مصنوعی (ANN)، GA-MLR،GA-PCR ،GA-PLS

فصل اول

کلیات

1-1- مقدمه

شیمی محاسباتی شاخه ای از دانش شیمی است که سعی در حل مسائل شیمی با کمک رایانه ها دارد. در این رشته، از رایانه ها برای پیش بینی ساختار مولکولی، خواص مولکولی و واکنش های شیمیایی استفاده می شود. در این رشته از نتایج شیمی محض که در قالب برنامه های موثر کامپیوتری درآمده اند برای محاسبه ساختار و خواص مولکول ها استفاده می شود، در حالی که نتایج آنها معمولا کامل کننده اطلاعات بدست آمده از آزمایش های شیمیایی هستند، اما در برخی موارد می تواند منجر به پیش بینی پدیده های مشاهده نشده شیمیایی شود.

بنابراین شیمی محاسباتی می تواند به شیمی آزمایشگاهی کمک کرده و در یافتن موضوعات جدید شیمیایی با شیمی تجربی رقابت نماید سیمای شیمی محاسباتی شامل مدل سازی مولکولی، روش های محاسباتی و طراحی مولکول به کمک کامپیوتر و همچنین داده های شیمیایی و طراحی سنتزهای آلی می باشد، همچنین از این رشته به گستردگی برای طراحی داروها، کاتالیست ها و مواد نو استفاده می شود ]1[.

تعداد صفحه : 145

قیمت : 14000تومان

بلافاصله پس از پرداخت ، لینک دانلود پایان نامه به شما نشان داده می شود

و در ضمن فایل خریداری شده به ایمیل شما ارسال می شود.

پشتیبانی سایت :        09309714541 (فقط پیامک)        info@arshadha.ir

در صورتی که مشکلی با پرداخت آنلاین دارید می توانید مبلغ مورد نظر برای هر فایل را کارت به کارت کرده و فایل درخواستی و اطلاعات واریز را به ایمیل ما ارسال کنید تا فایل را از طریق ایمیل دریافت کنید.

--  -- --

مطالب مشابه را هم ببینید

فایل مورد نظر خودتان را پیدا نکردید ؟ نگران نباشید . این صفحه را نبندید ! سایت ما حاوی حجم عظیمی از پایان نامه های دانشگاهی است. مطالب مشابه را هم ببینید. برای یافتن فایل مورد نظر کافیست از قسمت جستجو استفاده کنید. یا از منوی بالای سایت رشته مورد نظر خود را انتخاب کنید و همه فایل های رشته خودتان را ببینید