چکیده: چکیده در این کار یک روش کاهش داده جدید به نام رگرسیون چندگانه لاسو (MLAR)برای کاهش ابعاد داده‌ها در مطالعات QSAR پیشنهاد شده است. ابتدا داده‌ها به داده‌های آموزشی و آزمون طبقه‌بندی شدند و مدل رگرسیون چندگانه لاسو با استفاده از داده‌های تقسیم شده تکراری بر روی دو مجموعه از ترکیبات شیمیایی در غیاب داده‌های مجموعه آزمون ساخته شد. توصیف‌گرهای با فراوانی بالای 60 درصد از 100 مدل رگرسیون لاسو به عنوان مرتبط‌ترین توصیف‌گرها انتخاب شدند. تعداد 9 و 12 توصیف‌گر به ترتیب برای مجموعه داده‌های (الف) و (ب) انتخاب شد. سپس توصیف‌گرهای منتخب به عنوان ورودی شبکه عصبی مصنوعی (ANN) برای ایجاد مدل‌های QSAR، استفاده شدند. به‌ منظور ساخت مدل ANN بهینه با کارایی مناسب، تمام پارامترهای مؤثر در مدل‌سازی ANN، بهینه شدند. مدل ANN با داده‌های آموزشی، آموزش داده شد. پس از ایجاد مدل بهینه، فعالیت دارویی ترکیبات مجموعه آزمون پیش‌بینی شد. ضریب تعیین برای داده‌های آزمون دو مجموعه داده، برابر با 8/0 و 93/0 بود. مدل‌های توسعه‌یافته (Multiple-LASSO-ANN) با استفاده از آزمون‌های رد مرحله‌ای تک‌تک، قلمرو کاربرد، پراکندگی، Y-تصادفی و محاسبه پارامترهای آماری ارزیابی شد. نتایج حاصل از ارزیابی، تعمیم‌ پذیری و قدرت پیشگویی مدل توسعه یافته Multiple-LASSO-ANN را اثبات می‌کند. در نهایت تعدادی ترکیب جدید شیمیایی با تغییر در ساختار مولکول‌های ضعیف پیشنهاد گردید. مقادیر فعالیت دارویی ترکیبات پیشنهادی با استفاده از مدل توسعه یافته Multiple-LASSO-ANN پیش‌بینی شد. به‌ منظور بررسی صحت فعالیت‌های دارویی پیش‌بینی شده ترکیبات جدید پیشنهادی، از مطالعه داکینگ مولکولی استفاده شد و برهمکنش‌های بین ترکیبات پیشنهادی و جایگاه فعال گیرنده بررسی شد.