{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "QD139",
        "title": "پیش بینی فعالیت برخی ترکیبات دارویی ضد اختلال خواب با استفاده از روش های خطی و غیرخطی QSAR",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1391",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "QD139",
        "title": "پیش بینی فعالیت برخی ترکیبات دارویی ضد اختلال خواب با استفاده از روش های خطی و غیرخطی QSAR",
        "degree": null,
        "faculty": "شیمی",
        "year": 1391,
        "authors": [
            {
                "name": "حسن رامه",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "ناصر گودرزی",
                "role": "استاد راهنما"
            },
            {
                "name": "منصور عرب چم جنگلی",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "فعالیت ضد اختلال خواب",
            "بازدارنده هایP38 MAP  کیناز",
            "مطالعات ارتباط کمی ساختار- فعالیت",
            "SR-ANN",
            "GA-ANN"
        ],
        "abstract": "در قسمت اول این تحقیق، مطالعات ارتباط کمی ساختار- فعالیت (QSAR)، برای مدل سازی و پیش  بینی فعالیت ضد اختلال خواب یکسری از ترکیبات دی هیدرو کینولین توسعه یافت. روش های رگرسیون مرحله ای (SR) و الگوریتم ژنتیک(GA)  برای انتخاب توصیف کننده های مناسب استفاده شدند. توصیف کننده های انتخاب شده توسط این دو روش برای مدل سازی و پیش بینی فعالیت ضد اختلال خواب این ترکیبات وارد شبکه عصبی مصنوعی (ANN) شدند. به منظور ارزیابی مدل های بدست آمده از روش های مختلفی مانند به کارگیری سری تست، رد مرحله ای تک تک داده ها و Y- تصادفی استفاده گردید. نتایج به دست آمده بیانگر توانایی پیش بینی مناسب هر دو روش SR-ANN و GA-ANN می باشد. ضرایب تعیین سری تست با روش های SR-ANN و GA-ANN به ترتیب 0/9042 و 0/8402 بدست آمد.     \r\nدر قسمت دوم این تحقیق، مدل سازی QSAR برای 42 ترکیب از مشتقات پیریدوپیریدازین به عنوان بازدارنده-های P38 MAP کیناز پیشنهاد شد. توصیف کننده های وارد شده بمنظور  مدل سازی شبکه ی عصبی مصنوعی (ANN)، توسط دو روش رگرسیون مرحله ای و الگوریتم ژنتیک انتخاب شدند. ضرایب تعیین سری تست با روش  های SR-ANN و GA-ANN به ترتیب 0/8607 و 0/8027 بدست آمد.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_QD139.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}