چکیده: سیگارهای الکترونیکی به عنوان جایگزینی برای سیگار سنتی، در سال‌های اخیر به‌ویژه در میان جوانان رواج گسترده‌ای یافته‌اند. شناخت دقیق ترکیبات فرار و نیمه‌فرار موجود در مایعات این دستگاه‌ها، گام نخست برای ارزیابی ریسک‌های احتمالی سلامتی مرتبط با استعمال آن‌هاست. در این پژوهش، با استفاده از داده‌های تجربی حاصل از یک مطالعه جامع که بیش از ۲۵۰ ترکیب را با روش غربالگری غیرهدفمند و کروماتوگرافی گازی همراه با طیف‌سنجی جرمی دقیق (GC-TOF-MS) روی ستون HP5-MS شناسایی کرده بود، ۷۷ ترکیب منتخب برای مدل‌سازی کمی ساختار-بازداری (QSRR) مورد بررسی قرار گرفتند. هدف اصلی، توسعه مدل‌های پیش‌بینی‌کننده اندیس بازداری خطی (LRI) با استفاده از توصیف‌گرهای مولکولی و روش‌های پیشرفته کمومتریکس بود. ساختارهای مولکولی ترکیبات با روش نیمه‌تجربی AM1 بهینه‌سازی شدند و توصیف‌گرهای مولکولی با نرم‌افزار Dragon محاسبه گردیدند. پس از حذف توصیف‌گرهای ثابت و هم‌خط، از چهار روش انتخاب متغیر شامل رگرسیون مرحله‌ای (SW)، بهینه‌سازی ازدحام ذرات (PSO)، الگوریتم کرم شب‌تاب (FF) و جنگل تصادفی (RF) برای گزینش بهینه توصیف‌گرها استفاده شد. مدل‌های پیش‌بینی‌کننده با رگرسیون خطی چندگانه (MLR) و شبکه عصبی مصنوعی چندلایه (MLP-ANN) توسعه یافتند و با معیارهای آماری مانند R²، Adjusted R²، RMSE، MAE، Q² و آزمون‌های Y-Scrambling و دامنه کاربرد (Williams Plot) اعتبارسنجی شدند. نتایج نشان داد که روش‌های گروهی (PSO، FF و RF) در مقایسه با SW، توصیف‌گرهای مؤثرتری را انتخاب کردند و مدل‌های ANN مبتنی بر آن‌ها دقت و تعمیم‌پذیری بالاتری داشتند. بهترین عملکرد با PSO-ANN (R² ≈ ۰٫۹۵ در آزمون) و RF-ANN (R² ≈ ۰٫۹۲ در آموزش) مشاهده شد. آزمون Y-Scrambling با میانگین R² نزدیک به صفر (۰٫۰۰۰۴ برای RF و FF، ۲×۱۰^{-۵} برای PSO) عدم وجود همبستگی تصادفی را تأیید کرد. دامنه کاربرد مدل‌ها بیش از ۹۲٪ تا ۱۰۰٪ بود و هیچ داده پرت معناداری مشاهده نشد. این تحقیق نشان داد که ترکیب روش‌های هوشمند انتخاب متغیر با ANN می‌تواند دقت پیش‌بینی LRI را تا بیش از ۹۵٪ افزایش دهد و مدل‌هایی پایدار و قابل تعمیم تولید کند. این رویکرد امکان ارزیابی سریع ترکیبات نگران‌کننده (مانند آلدئیدها، استال‌ها، آلکالوئیدها و کانابینوئیدها) در مایعات سیگار الکترونیکی را بدون نیاز به تحلیل‌های آزمایشگاهی پرهزینه فراهم می‌آورد و می‌تواند در کنترل کیفیت، ارزیابی ریسک سلامتی و تدوین مقررات مرتبط کاربرد داشته باشد.