چکیده: به منظور ساخت مدلهای QSAR برای پیش بینی فعالیت دارویی سه دسته از ترکیبات دارویی، از مطالعات داکینگ مولکولی استفاده شد و توصیف کننده‌‌های مولکولی حاصل از بر هم کنش‌‌های آنزیم–لیگاند دارویی با استفاده از نرم افزار Autodock4.2 استخراج شدند. با توجه به اینکه توصیف کننده‌‌های داکینگ مولکولی به تنهایی بیانگر ویژگیهای ساختاری لیگاندهای دارویی نمیباشند و همچنین ارتباط قوی بین توصیف کننده های داکینگ مولکولی-فعالیت دارویی وجود ندارد، استفاده از توصیف کننده‌‌های ساختاری (محاسبه شده به وسیله نرم افزار DRAGON ) علاوه بر توصیف کننده‌‌های داکینگ مولکولی ضروری می‌‌باشد. در بخش اول، مطالعه ساختار-فعالیت 43 مشتق 4-آنیلینوکوئینازولین به عنوان بازدارنده‌‌های سرطان مورد بررسی قرار گرفت. 10 توصیف کننده‌‌ی داکینگ مولکولی برای همه‌‌ی ترکیبات استخراج شد. سری داده‌‌ها به دو دسته آموزش (35 ترکیب) و آزمون (8 ترکیب) تقسیم شد. رگرسیون گام به گام به عنوان روش انتخاب متغیر روی داده‌‌های سری آموزش اعمال شد. مدل شبکه عصبی مصنوعی با دو توصیف کننده منتخب توسعه یافت. ضریب تعیین (R2) پایین و میانگین مربعات خطای (MSE) بالای سری آزمون (به ترتیب برابر با 0/52 و 0/66 ) به‌‌دست آمده دلالت بر قدرت پیش‌‌بینی نا‌‌مناسب مدل شبکه عصبی مصنوعی دارد. به منظور بهبود نتایج مدل سازی شبکه عصبی مصنوعی، توصیف کننده‌‌های ساختاری تابع توزیع شعاعی (RDF) به توصیف کننده های داکینگ مولکولی اضافه شدند. توصیف کننده‌‌های RDF بیانگر اختلاف در توزیع اتم‌‌ها در مولکول و اثر این توزیع بر روی فعالیت بازدارندگی ترکیبات می‌‌باشند. روش رگرسیون گام به گام روی 160 توصیف کننده (150 توصیف کننده تابع توزیع شعاعی و 10 توصیف کننده داکینگ مولکولی) اجرا شد و 8 توصیف کننده موثر انتخاب شدند و به عنوان ورودی‌‌های مدل شبکه عصبی مورد استفاده قرار گرفتند. R2 بالا و MSE پایین سری آزمون (به ترتیب برابر با 0/90 و 0/15)، قدرت پیش‌‌بینی و تعمیم پذیری بالای مدل شبکه عصبی توسعه یافته با مخلوط توصیف کننده‌‌های داکینگ مولکولی-ساختاری را اثبات می‌‌کنند. در بخش دوم، مطالعه ساختار-فعالیت 73 بازدارنده ایدز با مشابهت ساختاری با دی آریل پیریمیدین انجام شد. پس از استخراج توصیف کننده‌‌های داکینگ مولکولی، سری داده‌‌ها به سه دسته آموزش (53 ترکیب)، ارزیابی (10 ترکیب) و آزمون (10 ترکیب) تقسیم شد. دو توصیف کننده منتخب روش رگرسیون گام به گام وارد مدل شبکه عصبی شد و همه پارامترهای شبکه عصبی بهینه شد. پارامترهای R2 و MSE سری آزمون به ترتیب برابر با 0/50 و 0/24 به دست آمد. به منظور بهبود مدل شبکه عصبی، توصیف کننده‌‌های ساختاری شمارش گروه عاملی برای بازدارنده‌‌های HIV محاسبه شدند. روش رگرسیون گام به گام روی 164 توصیف کننده (154 توصیف کننده شمارش گروه عاملی و 10 توصیف کننده داکینگ مولکولی) اعمال شد و مدل شبکه عصبی با 7 توصیف کننده منتخب توسعه یافت. فعالیت دارویی داده‌‌های سری آزمون در مدل بهینه شبکه عصبی پیش بینی شد. R2 و MSE سری آزمون به ترتیب برابر با 0/89 و 0/16 به دست آمد که نشان دهنده بهبود نتایج مدل شبکه عصبی با مخلوط توصیف کننده های داکینگ مولکولی- ساختاری می‌‌باشد. در بخش سوم، ارتباط کمی ساختار- فعالیت 73 مشتق آزینی به عنوان بازدارنده های HIV، بررسی شد. به این منظور، 10 توصیف کننده‌‌ی داکینگ مولکولی با استفاده از داکینگ ترکیبات مورد مطالعه در جایگاه فعال پروتئین به‌‌دست آمدند. سری داده‌‌ها به سه دسته آموزش (53 ترکیب)، ارزیابی (10 ترکیب) و آزمون (10 ترکیب) تقسیم شد. از بین 10 توصیف کننده داکینگ مولکولی 2 توصیف کننده به عنوان موثرترین توصیف کننده‌‌ها با استفاده از روش رگرسیون گام به گام بر روی سری آموزش انتخاب شد و مدل شبکه عصبی مصنوعی با دو توصیف کننده‌‌ی داکینگ مولکولی بهینه شد. مقادیر فعالیت دارویی ترکیبات سری آزمون با استفاده از مدل بهینه شبکه عصبی پیش بینی شد. پارامترهای R2 و MSE سری آزمون به ترتیب برابر 0/79 و 0/22 به‌‌دست آمد. سپس به منظور بهبود مدل شبکه عصبی مصنوعی، 16 شاخص‌‌ شبه دارویی برای ترکیبات مورد مطالعه محاسبه شد و به 10 توصیف کننده داکینگ مولکولی اضافه گردید. رگرسیون گام به گام برای انتخاب موثرترین توصیف کننده‌‌ها بر روی ترکیبات سری آموزش اجرا شد. 4 توصیف کننده‌‌ی مهم از مجموع توصیف کننده داکینگ مولکولی و شاخص‌‌های شبه دارویی انتخاب و به عنوان ورودی شبکه عصبی مصنوعی استفاده گردید. فعالیت دارویی داده‌‌های سری آزمون با استفاده از مدل شبکه عصبی بهینه پیش بینی شد. پارامترهای R2 و MSE سری آزمون به ترتیب برابر با 0/86 و 0/11 به‌‌دست آمد. بنابراین استفاده همزمان از توصیف کننده‌‌های داکینگ مولکولی و شاخص‌‌های شبه دارویی، کارایی مدل شبکه عصبی مصنوعی را بهبود می‌‌بخشد.