چکیده: پیش‌بینی دقیق اندیس بازداری RI ترکیبات آلی فرّار (VOCs) نقش مهمی در شناسایی و تعیین ویژگی‌های متابولیت‌های گیاهی دارد. در این پژوهش، مدل‌سازی با استفاده از شبکه‌های عصبی مصنوعی (ANN) همراه با راهبردهای مختلف انتخاب متغیر و بهینه‌سازی، به‌منظور پیش‌بینی اندیس بازداری ترکیبات آلی موجود در گیاه لیلیوم به‌کار گرفته شد. بدین منظور، سه رویکرد مدل‌سازی ترکیبی شامل رگرسیون گام‌به‌گام–شبکه عصبی مصنوعی (SR-ANN)، الگوریتم کرم شب‌تاب–شبکه عصبی مصنوعی (FF-ANN) و جنگل تصادفی–شبکه عصبی مصنوعی (RF-ANN) مورد بررسی قرار گرفت. ابتدا توصیف‌کننده‌های مولکولی مربوط به ترکیبات مورد مطالعه محاسبه شدند و سپس هر یک از روش‌ها برای انتخاب مؤثرترین متغیرها جهت مدل‌سازی با ANN به‌کار رفت. عملکرد پیش‌بینی مدل‌های توسعه‌یافته با استفاده از شاخص‌های آماری نظیر ضریب تعیین (R²)، میانگین مربعات خطا (RMSE) و میانگین قدر مطلق خطا (MAE) ارزیابی شد. در میان روش‌های به‌کاررفته، مدل RF-ANN در مقایسه با مدل‌های SR-ANN و FF-ANN از دقت پیش‌بینی و پایداری بالاتری برخوردار بود که این امر نشان‌دهنده توانایی بیشتر آن در انتخاب متغیرهای مؤثر و مدل‌سازی غیرخطی داده‌های اندیس بازداری است. هر چند سایر مدل ها نیز نتایج قابل قبولی ارائه دادند. نتایج این مطالعه تأیید می‌کند که تلفیق روش جنگل تصادفی با شبکه عصبی مصنوعی ابزاری قدرتمند و قابل اعتماد برای پیش‌بینی اندیس بازداری ترکیبات آلی فرّار در گونه‌های لیلیوم بوده و قابلیت تعمیم به کاربردهای مشابه در زمینه کمومتریکس و کروماتوگرافی را دارد.