چکیده: رابطه کمی ساختار–خاصیت (QSPR) یک روش کارآمد برای پیش‌بینی خواص ترکیبات مختلف بر پایه ساختار مولکولی آن‌ها محسوب می‌شود. در این پژوهش، مدل‌های QSPR به‌منظور پیش‌بینی زمان بازداری نگهداشتِ مجموعه‌ای از ترکیبات آلی بسیار فرار (VVOC) با استفاده از توصیفگرهای مولکولی توسعه داده شدند. بدین منظور، مجموعه‌ای جامع از توصیفگرها محاسبه و سپس با به‌کارگیری رگرسیون گام‌به‌گام (SR) ، الگوریتم ژنتیک (GA)، جنگل تصادفی (RF) و الگوریتم کرم‌شب‌تاب (FF) به‌عنوان روش‌های انتخاب متغیر، کاهش داده شد. برای مدل‌سازی روابط بالقوه غیرخطی میان توصیفگرهای مولکولی و زمان بازداری، از شبکه‌ عصبی مصنوعی (ANN) استفاده گردید. ارزیابی عملکرد مدل‌ها بر اساس معیارهای آماری مختلف، از جمله ضریب تعیین و شاخص‌های مبتنی بر خطا، برای هر مجموعه آزمون خارجی انجام شد. نتایج نشان داد که مدل‌های GA–ANN دارای برتری نسبی در مقایسه با دیگر مدل ها دارد که حاکی از قدرت پیش‌بینی این مدل دارد، هرچند سایر مدل ها نیز نتایج قابل قبولی ارائه دادند. با این حال، مدل SR–ANN توانست با استفاده از تعداد کمتری توصیفگر به این سطح از عملکرد دست یابد که منجر به ارائه مدلی ساده‌تر، و از نظر محاسباتی کارآمدتر شد. یافته‌های این مطالعه کارایی مدل‌های QSPR مبتنی بر شبکه‌های عصبی مصنوعی را تأیید می‌کند و نشان می‌دهد که رگرسیون گام‌به‌گام می‌تواند راهبردی مؤثر برای انتخاب توصیفگرها بدون کاهش قابلیت پیش‌بینی مدل باشد. رویکرد پیشنهادی ابزاری قابل اعتماد برای پیش‌بینی زمان بازداری ترکیبات VVOC فراهم می‌آورد و می‌تواند نیاز به انجام اندازه‌گیری‌های تجربی گسترده و پرهزینه را به‌طور قابل توجهی کاهش دهد.