فهرست نشریات علمی دسترسی آزاد ایران

یکی از چالش‌های مهم در شیمی دارویی، پیش‌بینی دقیق ویژگی‌های الکترونیکی مولکول‌هاست که بر رفتار دارو تأثیر می‌گذارند. فاصله انرژی HOMO-LUMO به‌ عنوان یک توصیف‌گر کلیدی در واکنش‌پذیری و پایداری شیمیایی، نقش مهمی در خواص فارماکودینامیکی و فارماکوکینتیکی دارد. هرچند روش‌هایی مانند نظریه تابع چگالی دقیق هستند، اما به‌دلیل هزینه محاسباتی بالا، برای غربالگری‌های گسترده مناسب نیستند. در این پژوهش، با بهره‌گیری از شبکه‌های عصبی مصنوعی، مدلی برای پیش‌بینی سریع این فاصله انرژی توسعه داده شد. مجموعه‌داده‌ای شامل ۸۶۷۶ ترکیب پلی‌آروماتیک کاتا-تراکم‌یافته شامل ۳ تا ۱۰ حلقه بنزن تهیه شد. نه ویژگی شیمیایی استخراج و برای آموزش مدل‌های پرسپترون چندلایه و شبکه عصبی بازگشتی استفاده شدند. بهترین مدل MLP به R² برابر 9750/0 و خطای آزمون 0037/0 دست یافت. تحلیل نقشه برجستگی نشان داد ویژگی‌هایی مانند پتانسیل یونش، میل الکترونی و انرژی کل بیشترین نقش را دارند. این نتایج نشان می‌دهند که مدل‌های مبتنی بر شبکه‌های عصبی مصنوعی می‌توانند علاوه بر دقت بالا، بینش‌ ارزشمندی در طراحی دارو فراهم کنند.