چکیده: مدل‌سازی روابط کمی ساختار-ویژگی (QSPR) یک روش مؤثر و اقتصادی برای تخمین ویژگی‌های کروماتوگرافی ترکیبات شیمیایی بر اساس هندسه مولکولی آن‌ها به شمار می‌رود. در پژوهش حاضر، مدل‌های QSPR با هدف پیش‌بینی اندیس بازداری گروهی از هیدروکربن‌های آروماتیک چندحلقه‌ای (PAH) انتخاب‌شده، با بهره‌گیری از توصیف‌کننده‌های مولکولی ساخته شدند. به این منظور، ابتدا مجموعه گسترده‌ای از توصیف‌کننده‌ها محاسبه گردید و سپس با استفاده از رگرسیون گام‌به‌گام (SW) و الگوریتم کرم شب‌تاب (FF) به عنوان تکنیک‌های گزینش متغیر، تعداد آن‌ها 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 SW–ANN و FF–ANN از ضرایب تعیین نزدیک به یکدیگر برخوردار هستند که بیانگر قدرت پیش‌بینی تقریباً یکسان آن‌هاست. با وجود این، مدل SW–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. یافته‌های این تحقیق، اثربخشی مدل‌های QSPR مبتنی بر شبکه‌های عصبی مصنوعی را تأیید می‌نماید و تأکید می‌کند که رگرسیون گام‌به‌گام می‌تواند استراتژی کارآمدی برای انتخاب توصیف‌کننده‌ها باشد بدون آنکه به قابلیت پیش‌بینی مدل آسیب وارد شود. روش پیشنهادی، ابزاری مطمئن برای تخمین اندیس‌های نگهداشت ترکیبات PAH در اختیار قرار می‌دهد و قادر است نیاز به آزمایش‌های تجربی گسترده و پرهزینه را به شکل چشمگیری کاهش دهد.