چکیده: برای ساخت مدل، دو نوع توصیف‌‌کننده تحت عنوان توصیف‌‌کننده‌‌های داکینگ مولکولی و توصیف‌‌کننده‌‌های ساختاری محاسباتی استفاده شدند. توصیف‌‌کننده‌‌های جدید داکینگ مولکولی با توجه به بر هم کنش بین ترکیبات (لیگاندها) و پروتئین (گیرنده) از داکینگ استخراج شدند. توصیف‌‌کننده‌‌های ساختاری با استفاده از ساختار ترکیبات محاسبه شدند. پس از تولید توصیف‌‌کننده‌‌ها، مهم‌‌ترین توصیف‌‌کننده‌‌ها با به کارگیری روش‌‌های انتخاب متغیر رگرسیون گام به گام و روش منقبض کننده حداقل قدر مطلق و عملگر انتخاب کننده (لاسو) انتخاب شدند. توصیف‌‌کننده‌‌های انتخاب شده به‌‌عنوان ورودی برای ساخت مدل‌‌های QSAR با استفاده از مدل‌‌های شبکه عصبی مصنوعی به‌‌عنوان مدل غیر خطی و جنگل‌‌های تصادفی به‌‌عنوان مدل خطی مورد استفاده قرار گرفتند. برای مدل شبکه عصبی، سری داده‌‌ها به سری آموزش، سری ارزیابی و سری آزمون شامل 51، 11 و 11 ترکیب، تقسیم شدند. برای مدل جنگل‌‌های تصادفی، سری داده‌‌ها به دو بخش سری آموزش و سری آزمون شامل 62 و 11 ترکیب تقسیم بندی شدند. برای رسیدن به مدل‌‌های مناسب همه پارامترهای مدل‌‌های شبکه عصبی و جنگل‌‌های تصادفی بهینه شدند. ارزیابی مدل‌‌های شبکه عصبی مصنوعی و جنگل‌‌های تصادفی با پیش‌‌بینی فعالیت ترکیبات سری آزمون مورد مطالعه قرار گرفت. نتایج به ‌‌دست آمده برای ارزیابی مدل‌‌ها به ترتیب ضریب همبستگی 0.9274 و 0.8968 را برای پیش‌‌بینی فعالیت ترکیبات سری آزمون مدل‌‌های شبکه عصبی مصنوعی و جنگل‌‌های تصادفی نشان داد. هم‌‌چنین میانگین توان‌‌های دوم خطا برای پیش‌‌بینی سری آزمون مدل‌‌های شبکه عصبی مصنوعی و جنگل‌‌های تصادفی به ترتیب 0.0597 و 0.0849 به دست آمد.