چکیده: پیش‌بینی دقیق مهار آنزیم‌ها نقش اساسی در هدایت طراحی و کشف دارو و همچنین در تعمیق درک مسیرهای بیوشیمیایی دارد. در این مطالعه، دو رویکرد مدل‌سازی کمومتریک شامل RF-ANN (یک روش ترکیبی متشکل از انتخاب متغیر مبتنی بر جنگل تصادفی و مدل سازی با شبکه عصبی مصنوعی) و FF-ANN که در آن هم انتخاب متغیر از الگوریتم FireFly و مدل‌سازی با استفاده ANN انجام شده است) برای پیش‌بینی فعالیت مهاری مجموعه‌ای از مشتقات هدف‌گیرنده آنزیم α-amino-β-carboxymuconate-ε-semialdehyde decarboxylase (ACMSD) ــ یکی از آنزیم‌های کلیدی در مسیر متابولیکی کینورنین ــ توسعه داده شدند. توصیفگرهای مولکولی مرتبط با استفاده از رگرسیون گام‌به‌گام، الگوریتم کرم شب تاب و جنگل تصادفی انتخاب شدند و سپس مدل‌های پیش‌بینی‌کننده با بهره‌گیری از شبکه‌های عصبی مصنوعی ساخته شدند. عملکرد مدل‌های RF-ANN و FF-ANN با استفاده از شاخص‌های آماری شامل ضریب تعیین (R²)، میانگین مربعات خطا (MSE) و ریشه میانگین مربعات خطا (RMSE) ارزیابی شد. نتایج نشان داد که مدل RF-ANN در مقایسه با مدل FF-ANN از دقت پیش‌بینی بالاتر و توانایی تعمیم بهتری برخوردار است و به‌طور مؤثری روابط غیرخطی میان توصیفگرها را ثبت می‌کند. با این حال، تعداد توصیفگرهای به‌کاررفته در مدل FF-ANN کمتر از مدل RF-ANN بوده و از این‌رو این مدل ساده‌تر است. به‌طور کلی، نتایج به‌دست‌آمده نشان می‌دهد که راهبردهای مدل‌سازی به‌کاررفته از توان پیش‌بینی بالایی برای برآورد قدرت بازدارندگی تجربی ترکیبات مورد مطالعه برخوردارند، به‌گونه‌ای که مقادیر R² برای سری تست برابر با 0.8954 برای مدل RF-ANN و8231/0 برای مدل FF-ANN به‌دست آمد.