چکیده: رابطه کمی ساختار–خاصیت (QSPR) یکی از روش‌های کارآمد برای پیش‌بینی پارامترهای کروماتوگرافی ترکیبات آلی بر پایه ساختار مولکولی آن‌ها است. در این پژوهش، مدل‌های QSPR با هدف پیش‌بینی اندیس بازداری (Retention Index – RI) مجموعه‌ای از ترکیبات آلی غیرقطبی و کم‌قطبی روی فازهای استاندارد غیرقطبی (پلی‌دی‌متیل‌سیلوکسان) توسعه داده شدند.به منظور استخراج توصیف‌گرهای مولکولی، ساختارهای سه‌بعدی ترکیبات ابتدا با روش‌های مکانیک مولکولی ، نیمه‌تجربی (AM1) و نظریه تابعی چگالی در نرم‌افزار HyperChem بهینه‌سازی شدند. سپس توصیف‌گرها با نرم‌افزار Dragon محاسبه گردید. برای انتخاب بهینه توصیف‌گرها از چهار روش پیشرفته استفاده شد: رگرسیون گام‌به‌گام (Stepwise MLR)، الگوریتم کلونی مورچه (ACO)، جنگل‌های تصادفی (RF) و الگوریتم ژنتیک (GA). مدل‌سازی روابط غیرخطی میان توصیف‌گرها و اندیس بازداری با استفاده از شبکه عصبی مصنوعی (ANN) انجام گرفت.ارزیابی مدل‌ها با معیارهای آماری متعدد (R²، R²adj، MSE، Q²_LOO)، آزمون Y-تصادفی (۱۰۰۰ تکرار)، نمودار ویلیامز و پارامترهای خارجی (R²₀، R²m، K و K') صورت پذیرفت. نتایج نشان داد که مدل‌های مبتنی بر GA–ANN و RF–ANN دقت پیش‌بینی بالایی در مجموعه آزمون خارجی ارائه دادند، اما مدل ACO–ANN با تعداد توصیف‌گر کمتر (۵ متغیر) تعادل بسیار مناسبی بین دقت، سادگی و تفسیرپذیری برقرار کرد. آزمون Y-تصادفی میانگین R² کمتر از ۰.۰۰۲ را برای تمام روش‌ها نشان داد که عدم تصادفی بودن مدل‌ها را تأیید می‌کند. همچنین نمودارهای ویلیامز پوشش دامنه کاربرد بالای ۹۳.۸٪ را بدون وجود پرت قابل توجه اثبات نمود.یافته‌ها کارایی بالای رویکرد ترکیبی انتخاب متغیر و شبکه عصبی را برای پیش‌بینی اندیس بازداری تأیید می‌کند. مدل‌های پیشنهادی ابزاری سریع، کم‌هزینه و قابل اعتماد برای تخمین RI ترکیبات آلی جدید فراهم می‌آورند و می‌توانند نیاز به اندازه‌گیری‌های تجربی گسترده در آنالیزهای GC-MS را به‌طور چشمگیری کاهش دهند.