{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "QD260",
        "title": "کاربرد روشهای مختلف کمومتریکس جهت پیش بینی فعالیت برخی ترکیبات دارویی",
        "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": "1394",
        "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": "QD260",
        "title": "کاربرد روشهای مختلف کمومتریکس جهت پیش بینی فعالیت برخی ترکیبات دارویی",
        "degree": null,
        "faculty": "شیمی",
        "year": 1394,
        "authors": [
            {
                "name": "سعید نکوئی",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "ناصر گودرزی",
                "role": "استاد راهنما"
            },
            {
                "name": "مهدی نکوئی",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "اثر بازداری",
            "رگرسیون مرحله ای",
            "الگوریتم ژنتیک",
            "رگرسیون خطی چندگانه",
            "شبکه عصبی مصنوعی",
            "ماشین بردار پشتیبان"
        ],
        "abstract": "در بخش اول، مطالعه ی کمی ساختار-فعالیت (QASR) بر روی اثر بازداری  (pIC50)103 ترکیب دارویی از مشتقات هموپیپرازین، دی آمین و 3-آمینو پیرولیدین انجام شد. برای انتخاب مهمترین توصیفگرها از دو روش رگرسیون مرحله ای و الگوریتم ژنتیک استفاده شد. پس از انتخاب توصیفگرها توسط این دو روش از سه روش رگرسیون خطی چندگانه (MLR)، شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) جهت مدل سازی استفاده گردید. عملکرد هر مدل توسط سری تست مورد بررسی قرار گرفت. میانگین مربعات خطا (MSE) و خطای استاندارد پیش بینی (SEP) سری تست برای روش هایSR-MLR  ، SR-ANN،SR-SVM، GA-MLR، GA-ANN و GA-SVM به ترتیب برابر 0.283، 0.532، 0.225، 0.475، 0.228، 0.477، 0.263، 0.513، 0.346، 0.588، 0.328 و 0.573به دست آمد.\r\n\r\n     در بخش دوم، مطالعه ی کمی ساختار-فعالیت (QASR) بر روی اثر بازداری (pIC50)42 ترکیب دارویی از مشتقات آریل سولفونیل پیپرازین انجام شد. و برای انتخاب مهمترین توصیفگرها ازالگوریتم ژنتیک استفاده شد. برای برای مدل سازی و پیش بینی اثر بازداری (pIC50) از روش های رگرسیون خطی چندگانه (MLR)، شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) استفاد شد. عملکرد هر مدل توسط سری تست مورد بررسی قرار گرفت. که میانگین مربعات خطا (MSE) و خطای استاندارد پیش بینی (SEP) و ضریب تعیین (R2) بسیار به یکدیگر نزدیک بوده و این بیانگر این مطلب است که هر سه مدل به کار برده شده توانایی خوبی در پیش بینی pIC50 ترکیبات مورد مطالعه دارند.",
        "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_QD260.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"
    }
}