نوع مقاله : مقاله های پژوهشی
نویسندگان
1
دانشجوی کارشناسی ارشد، کمیته‌ی تحقیقات دانشجویی، گروه بیوالکتریک، دانشکده‌ی فن‌آوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
2
استاد، گروه بیوالکتریک، دانشکده‌ی فن‌آوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
3
استادیار، گروه بیوالکتریک، دانشکده‌ی فن‌آوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
چکیده
مقدمه: امروزه با توجه به افزایش جمعیت سالمندان جهان و روند رشد بیماری آلزایمر، بررسی مهار کننده‌های Acetyl cholinesterase (AChE) و Butyl cholinesterase (BChE) که تجزیه شدن آن‌ها در مغز از دلایل اصلی ایجاد این بیماری می‌باشد، امری ضروری به نظر می‌رسد. از آن جایی که سنتز و بررسی هر ترکیب جدید بسیار پرهزینه و زمان‌بر است، محققان سعی بر تخمین میزان فعالیت بیولوژیکی ترکیبات قبل از انجام فعالیت‌های آزمایشگاهی دارند. تا کنون روش‌های محاسباتی مختلفی پیشنهاد شده است که از مهم‌ترین آن‌ها می‌توان به بررسی کمی ارتباط ساختار- فعالیت اشاره نمود که بر اساس مدل‌سازی خطی و یا غیر خطی با استفاده از محاسبه‌ی توصیف‌گرهای ملکولی استوار می‌باشند. مطالعه‌ی حاضر با هدف شناسایی مدل مناسب جهت پیش‌بینی اثر بیولوژیکی ترکیبات مرتبط با مهار کننده‌های آنزیم‌های ترکیبات استیل کولین استراز و بوتیل کولین استراز با استفاده از مدل‌سازی Quantitative structure–activity relationship (QSAR) و با روش جنگل تصادفی انجام شد.روش‌ها: در راستای پیش‌بینی فعالیت دارویی ترکیبات AChE و BChE، روش خطی حداقل مربعات جزئی و روش غیر خطی جنگل تصادفی به کار گرفته شدند. به منظور دست‌یابی به نتایج دقیق‌تر و قابل اعتمادتر، در هر اجرا به صورت تصادفی، 80 درصد ترکیبات به عنوان نمونه‌ی آموزشی و سایر ترکیبات به عنوان نمونه‌ی آزمایشی جهت ساخت مدل و ارزیابی قدرت پیش‌بینی مدل استفاده شدند.یافته‌ها: با اعمال مدل غیر خطی جنگل تصادفی بر روی مهار کننده‌های استیل کولین استراز و بوتیل کولین استراز، دقت 89 درصد حاصل شد. در پایان، به منظور بررسی دقیق‌تر عملکرد مدل پیشنهادی، نتایج با خروجی حاصل از روش کیمینه‌ی خطای جزئی مقایسه گردید. نتایج نشان داد که روش جنگلی تصادفی غیر خطی نسبت به روش مربعات حداقل خطی، عملکرد قوی‌تری دارد.نتیجه‌گیری: مشاهدات بیانگر این است که روش غیر خطی جنگل تصادفی، می‌تواند در تخمین اثر بیولوژیکی ترکیبات استیل کولین استراز و بوتیل کولین استراز پیشنهادی توسط پزشکان و متخصصان شیمی دارویی بسیار مؤثر باشد. بنابراین، قبل از انجام آزمایش‌های حیوانی و انسانی ترکیب پیشنهادی، فعالیت بیولوژیکی این ترکیب به طور تقریبی 90 درصد برآورد می‌شود. بر اساس میزان فعالیت بیولوژیکی تخمین زده شده، می‌توان اظهار نظر کرد که «آیا ترکیب دارویی جدید با صرف هزینه و زمان، خطر تبدیل شده به یک داروی جدید را دارد یا خیر؟».
کلیدواژه‌ها
عنوان مقاله [English]
Improving the Biological Activity Prediction of Acetylcholinesterase and Butyl Cholinesterase Inhibitors Using Nonlinear Random Forest Algorithm
نویسندگان [English]
-
Fahimeh Motamedi
1
-
Alireza Mehridehnavi
2
-
Fahimeh Ghasemi
3
1
MSc Student, Student Research Committee, Department of Biomedical Engineering, School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran
2
Professor, Department of Biomedical Engineering, School of Advanced Technologies in Medicine AND Medical Image and Signal Processing Research Center, Isfahan University of Medical Sciences, Isfahan, Iran
3
Assistant Professor, Department of Biomedical Engineering, School of Advanced Technologies in Medicine AND Medical Image and Signal Processing Research Center, Isfahan University of Medical Sciences, Isfahan, Iran
چکیده [English]
Background: Due to the growing population of the elderly and the increasing trend of Alzheimer's disease, evaluation of acetylcholinesterase (AChE) and butyl cholinesterase (BChE) inhibitors, as major causes of Alzheimer's disease, is essential. Since the synthesis and investigation of each new compound is very costly and time-consuming, computational modeling techniques have been used to estimate biological activity. Up to now, various computational methods have been proposed which one of the major approaches, quantitative structure activity relationship, is based on the linear and non-linear methods using calculating the independent molecular descriptors. This study aimed to improve the biological activity prediction of AChE and BChE inhibitors using nonlinear random forest algorithm.Methods: In order to predict the biological activity of AChE and BChE compounds, linear partial least squares and nonlinear random forest algorithms were used. To obtain more accurate and reliable results, 80% of the compounds were randomly used as a training sample, and the rest as a test sample, to construct the model and evaluate the predictive power of the model.Findings: By applying nonlinear random forest model on AChE and BChE inhibitors, the accuracy of 89% was achieved. Finally, in order to examine more accurately the performance of the proposed model, the results were compared with the results obtained from the minimum partial error method, and the nonlinear random forest method had stronger performance than linear least squares method.Conclusion: The observations indicated that the nonlinear random forest method could be very effective in predicting the biological activity of AChE and BChE compounds proposed by physicians and pharmaceutical chemists. Therefore, before animal and human testing of the proposed compound, the biological activity of the compound was estimated approximately to be 90%. Based on the estimated biological activity, it can be argued that a new drug combination, at the expense of time and money, has the potential of becoming a new drug or not.
کلیدواژه‌ها [English]
-
Quantitative structure-activity relationship
-
Acetylcholinesterase
-
Least squares
)