چکیده: هدف از انجام این پروژه، استفاده از روش مدل‌سازی شبکه عصبی مصنوعی و جنگل‌های تصادفی، انتخاب مؤثرترین توصیف‌گرها با استفاده از الگوریتم کرم شب‌تاب و الگوریتم بهینه سازی ازدحام ذرات است. روش انتخاب متغیر FF و PSO با انتخاب مؤثرترین توصیف‌گرها، تعداد 10 و 6 توصیف‌گر (برای هر دو روش انتخاب متغیر ) که بیشترین ارتباط را با فعالیت‌ دارویی ترکیبات داشتند، انتخاب شدند. سپس توصیف‌گرهای منتخب به عنوان ورودی شبکه عصبی مصنوعی و جنگل تصادفی برای ایجاد مدل‌های QSAR، به‌کار برده شد. برای مدل شبکه عصبی، سری داده ها به سری آموزش، ارزیابی و آزمون تقسیم شدند. برای مدل جنگل های تصادفی، سری داده ها به دو بخش سری آموزش و سری آزمون تقسیم بندی شدند. به‌منظور ساخت مدل شبکه عصبی بهینه با کارایی مناسب، تمام پارامترهای مؤثر در شبکه، بهینه ، آموزش داده شدند. پس از ایجاد مدل بهینه، فعالیت دارویی ترکیبات مجموعه آزمون پیش‌بینی شد. ضریب تعیین برای داده‌های آزمون درFF-RF، PSO-RF، FF-ANN و PSO-ANN ، برابر با 78/0، 67/0 و 81/0 و 8/0 بود. مدل‌های توسعه‌یافته هدف (FF-RF، PSO-RF، FF-ANN و PSO-ANN) با استفاده از روش‌های آماری مختلف نظیر آزمون‌های رد مرحله‌ای تک‌تک، قلمرو کاربرد، پراکندگی، Y-تصادفی و محاسبه یک سری از پارامترهای آماری ارزیابی شد. نتایج حاصل از ارزیابی، تعمیم‌ پذیری و قدرت پیشگویی مدل توسعه یافته PSO-ANN و FF-ANNرا اثبات می‌کند.