چکیده: یکی از پرمصرف‌ترین محصولات غذایی جهان، شکلات است که جایگاه ویژه‌ای در رژیم غذایی افراد در سراسر جهان دارد. ترکیبات آلی فرار و نیمه‌فرار (VOCs) موجود در شکلات تلخ، عامل اصلی ایجاد عطر ویژه و متمایز آن هستند. عطر که از مجموعه‌ای پیچیده از ترکیبات فرار تشکیل می‌شود. در پژوهش حاضر، مدل‌های QSPR با هدف پیش‌بینی اندیس بازداری برخی از ترکیبات آلی فرار و نیمه‌فرار (VOCs) موجود در شکلات تلخ، با بهره‌گیری از توصیف‌کننده‌های مولکولی ساخته شدند. به این منظور، ابتدا با استفاده از رگرسیون گام‌به‌گام (SW) ، الگوریتم ژنتیک(GA) و الگوریتم اجتماع مورچگان (ACO) به عنوان تکنیک‌های گزینش متغیر، تعداد توصیفگرهای محاسبه شده کاهش یافت. برای برقراری ارتباط میان توصیف‌کننده‌های مولکولی و اندیس بازداری – که ممکن است روابط غیرخطی داشته باشند از شبکه‌های عصبی مصنوعی (ANN) استفاده شد. ارزیابی کارایی مدل‌ها با استفاده از معیارهای آماری گوناگون، از جمله ضریب تعیین و پارامترهای مبتنی بر خطا، برای مجموعه‌های آموزش و آزمون خارجی انجام گرفت. نتایج به‌دست‌آمده نشان دادند که مدل‌های SR-ANN، ACO-ANNو GA-ANN دارای ضرایب تعیین نزدیک به یکدیگر هستند که بیانگر قدرت پیش‌بینی تقریباً یکسان آن‌هاست. با وجود این، مدل ACO–ANN توانست با به‌کارگیری تعداد کمتری توصیف‌کننده به این سطح از دقت دست یابد؛ در نتیجه، مدلی ساده‌تر، با پیچیدگی کمتر و از نظر محاسباتی بهینه‌تر ارائه گردید. روش پیشنهادی، ابزاری مطمئن برای تخمین اندیس‌های بازداری ترکیبات مورد مطالعه در اختیار قرار می‌دهد و قادر است نیاز به آزمایش‌های تجربی گسترده و پرهزینه را به شکل چشمگیری کاهش دهد.