چکیده: در بخش اول این مطالعه، مدل های QSAR برای پیش بینی فعالیت ضدHIV مشتقات پیریدینون ساخته شدند. برای انتخاب توصیف کننده ها از روش سهم گروه و رگرسیون خطی مرحله ای استفاده شد. سپس توصیف کننده های مهم به عنوان ورودی برای ایجاد مدل های QSAR با استفاده از روش جنگل های تصادفی(RF) و شبکه عصبی مصنوعی (ANN) استفاده شد. سری داده ها برای الگوریتم جنگل تصادفی به دو سری آموزش (43ترکیب) و سری آزمون (10ترکیب) تقسیم شدند. پارامترهای موثر بر روش جنگل-های تصادفی شامل تعداد مشاهدات باقی مانده در هر گره (Ntree) و تعداد توصیف کننده های انتخاب شده در هر مرحله افراز (Mtry ) با استفاده از سری آموزش بهینه گردید. همچنین برای روش شبکه عصبی مصنوعی سری داده ها به سه دسته آموزش (37ترکیب)، ارزیابی (8ترکیب) و آزمون (8ترکیب) تقسیم شدند. بعد از بهینه سازی پارامترهای موثر، برای سری ارزیابی، بهترین مدل انتخاب گردید. ارزیابی مدل-های بدست آمده توسط پیش بینی فعالیت سری آزمون انجام گرفت و مجذور ضریب همبستگی برای مدل های RF و ANN به ترتیب 0.929 و 0.935 به دست آمد. در بخش دوم این تحقیق، روش های RF و ANN برای مدل سازی و پیش بینی صحیح فعالیت ضد HIV یکسری از مشتقات تیازول استفاده شد. داده ها به دو سری آموزش و آزمون به ترتیب شامل 18 و 6 ترکیب تقسیم شدند. برای انتخاب مهم ترین توصیف کننده ها روش رگرسیون مرحله ای مورد استفاده قرار گرفت. ارزیابی مدل های بدست آمده توسط سری آزمون انجام گرفت. مجذور ضریب همبستگی برای سری آزمون برای مدل های RF وANN به ترتیب برابر با 0.982 و 0.896 به دست آمد. نتایج به دست آمده، توانایی پیش بینی مناسب مدل های پیشنهادی را در ارزیابی فعالیت ضدHIV مشتقات فوق نشان می دهد.