عنوان پایان‌نامه
مطالعه ساختار- فعالیت زمان مهاجرت نرمالیز برای داروها در کاپیلاری الکتروفورز به کمک توصیف کننده های شیمی کوانتومی
- رشته تحصیلی
- شیمی تجزیه
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس علوم شماره ثبت: 5036;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 58042
- تاریخ دفاع
- ۰۳ مهر ۱۳۸۷
- دانشجو
- ابوالقاسم بهشتی روی
- استاد راهنما
- پرویز نوروزی
- چکیده
- امروزه تکنیک الکتروفورز مویینه بسیار مورد علاقه شیمی دانان بوده و کاربرد وسیعی برای جداسازی ترکیبات مختلف از جمله داروها یافته است. از آنجایی که تعیین شرایط دقیق برای جداسازی و اندازه¬گیری زمان مهاجرت آن¬ها ممکن است وقت¬گیر و هزینه¬بر باشد، از این رو مطالعه ساختار- ویژگی داروها برای پیش¬بینی زمان مهاجرت ضروری به نظر می¬رسد. در پروژه حاضر مدل¬سازی زمان مهاجرت داروها با کمک توصیف¬کننده¬های شیمی کوانتومی توسط روش¬های کالیبراسیون چند متغیره انجام شده است. برای این کار تکنیک الگوریتم ژنتیک برای انتخاب توصیف¬کننده¬های که قدرت پیش¬گوی مدل را بهبود می¬بخشند مورد استفاده قرار گرفت. برای انتخاب مناسب¬ترین مجموعه توصیف¬ کننده¬ها مدل¬های مختلف از 1 تا 14 متغیر انتخاب شدند سپس با ارزیابی آماری این مدل¬ها با پارامترهای آماری تست F-، مربع ضریب همبستگی ارزیابی متقاطع(Q2)، R2 تنظیم شده و خطای استاندارد تخمین زده شده(S) بهترین مدل با 10 متغیر انتخاب شد. پارامترهای آماری سری تست مانند خطای استاندارد سری تست (SDET)، 559/0و 616/0، و همچنین خطای نسبی سری تست (RET)، %648/7 و %497/8 بترتیب برای MLR و PLS نشان دهنده قدرت پیش¬گوی خوب این مدل¬ها می¬باشد. نظر به اینکه طول لوله مویینه استفاده شده برای جداسازی همه داروها در ترکیبات مطالعه شده یکسان نبوده است لذا قبل از مدل¬سازی مقادیر زمان مهاجرت برای همه آن¬ها بر اساس یکی از لوله مویینه¬ها نرمالایز شد. بنابراین یکی از مزیت¬های این مدل سازی این است که برای همه طول¬های کاپیلاری مورد استفاده می¬باشد.
- Abstract
- Nowadays Electrophoresis technique is highly interested among chemists which can be attributed to its wide application in different compounds separation (like drugs). Since accurate determination of separation conditions and migration time(MT) can be very time consuming and expensive, it arise an urgent need for drugs QSPR study to predict their migration time. MT property modeling of these drugs as a function of the new theoretically derived descriptors was established by multiple linear regressions (MLR) and partial least squares (PLS) regression. The genetic algorithm (GA) was used for the selection of the variables that resulted in the best-fitted models. To select the set of descriptors that are most relevant to MT, illustrating the affecting degree for the affinity of different descriptors, the linear models with 1-14 variables were constructed. The models were investigated based on F-value, squared regression coefficients of cross-validated (Q2), adjusted R2 (R2adj) and standard error of estimate (S) statistical parameters. Finally, the best model with 10 variables was selected. Statistical parameters of test set, such as standard deviation error in test (SDET), were 0.559 and 0.616, while relative error of test (RET) was equal to 7.648 % and 8.497 % for MLR and PLS models, respectively, confirming the good predictive ability. Since the capillary lengths were not the same for the drugs in data set, MT values were normalized based on a specific capillary before modeling. This is also one of the advantages of this method, enabling us to use the model for different capillary lengths.
