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
(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
فصل اول: کلیات
1-3- مزایای روش های محاسباتی نسبت به روش های آزمایشگاهی.. 6
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
1-6-9-1-كاربرد های منطق فازی.. 13
1-6-10- شبکه های عصبی مصنوعی (ANN) 13
1-6-10-1- ویژگی های شبكه عصبی.. 14
1-6-10-2- مزایای شبكه عصبی.. 16
1-6-10-3- كاربرد های شبكه عصبی.. 16
1-6-11- الگوریتم ژنتیکی (GA) 17
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
1-7-1- دستهبندی و سببشناسی دیابت… 23
1-9- مرگ ومیر ناشی از دیابت… 29
1-11- پیشگیری و کنترل دیابت… 30
1-12-4- تیازولیدیندایونها (TZD) 33
فصل دوم: روش کار
2-1-1- اضافه كردن متد و بهینه سازی مشتقات… 36
2-1-2- اضافه كردن توصیفگرهای مولكولی به مشتقات… 36
2-1-3- ساختن ماتریس و غربالگری توصیفگرها برای مشتقات… 37
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
بخش دوم: بحث و نتیجه گیری
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
جدول61. مقادیر عددی مشاهدات، پیش بینی با روش PLS، Ө∆ و انحراف برای همبستگی با هدف 0.3. 87
جدول72. مقادیر عددی مشاهدات، پیش بینی با روش PLS، Ө∆ و انحراف برای همبستگی با هدف 0.4. 93
جدول83. مقادیر عددی مشاهدات، پیش بینی با روشPCR ، Ө∆ و انحراف برای همبستگی با هدف 0.3. 98
جدول94. مقادیرعددی مشاهدات،پیشبینی با روشPCR ، Ө∆ و انحراف برای همبستگی با هدف0.4. 104
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
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 بهره گرفتن 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 روش های 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:
Meaning | Descriptor group | Descriptor symbol |
3D-MoRSE – signal 23 / weighted by atomic masses | 3D-MoRSE (3D) | Mor23m |
everage-weighted autocorrelation of lag 5 / weighted by atomic masses | GETAWAY (3D) | HATS5m |
در همبستگی 0.4:
Meaning | Descriptor group | Descriptor symbol |
G total symmetry index / weighted by atomic masses |
WHIM (3D)
|
Gm |
leverage-weighted autocorrelation of lag 5 / weighted by atomic masses | GETAWAY (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 كه سعی در حل مسائل شیمی با كمك رایانه ها دارد. در این رشته، از رایانه ها برای پیش بینی ساختار مولكولی، خواص مولكولی و واكنش های شیمیایی استفاده می شود. در این رشته از نتایج شیمی محض كه در قالب برنامه های موثر كامپیوتری درآمده اند برای محاسبه ساختار و خواص مولكول ها استفاده می شود، در حالی كه نتایج آنها معمولا كامل كننده 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 كمك كرده و در یافتن موضوعات جدید شیمیایی با شیمی تجربی رقابت نماید سیمای شیمی محاسباتی شامل مدل سازی مولكولی، روش های محاسباتی و طراحی مولكول به كمك كامپیوتر و همچنین داده های شیمیایی و طراحی سنتزهای آلی می باشد، همچنین از این رشته به گستردگی برای طراحی داروها، كاتالیست ها و مواد نو استفاده می شود ]1[.
تعداد صفحه : 145
قیمت :14700 تومان
بلافاصله پس از پرداخت لینک دانلود فایل در اختیار شما قرار می گیرد
و در ضمن فایل خریداری شده به ایمیل شما ارسال می شود.
پشتیبانی سایت : * serderehi@gmail.com
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.
14,700 تومانافزودن به سبد خرید