چکیده: در این پژوهش، مدل‌های کمی ساختار-خاصیت (QSPR) برای پیش‌بینی زمان بازداری ۱۰۷ ترکیب جذب‌شده در خون موجود در گرانول‌های ضد ویروسی توسعه داده شد. ساختارهای مولکولی با نرم‌افزار هایپرکم ترسیم و بهینه‌سازی گردیدند. سپس ۳۲۲۴ توصیف‌گر مولکولی با نرم‌افزار دراگون محاسبه شد. برای انتخاب توصیف‌گرهای بهینه، از چهار روش رگرسیون مرحله‌ای (SW)، الگوریتم بهینه‌سازی ازدحام ذرات (PSO)، الگوریتم کرم شبتاب (FF) و الگوریتم ژنتیک (GA) استفاده گردید. مدل‌سازی با شبکه عصبی مصنوعی (ANN) انجام شد. نتایج نشان داد که مدل PSO-ANN با ضریب تعیین 9790/0 در مجموعه آزمون و میانگین مربعات خطای 68/1، بهترین عملکرد را داشت. مدل‌های SW-ANN، GA-ANN و FF-ANN به ترتیب با ضریب تعیین 9708/0، 9319/0 و 8992/0 در رتبه‌های بعدی قرار گرفتند. آزمون Y-تصادفی‌سازی عدم وجود همبستگی تصادفی را تأیید کرد. همچنین روشهای دیگری مانند دامنه کاربرد، نمودارهای برگشتی و پارامترهای آماری جهت ارزیابی مدل های توسعه یافته بکار برده شد. توصیف‌گرهای منتخب در مدل برتر عمدتاً از گروه‌های توپولوژیکی، الکترونی و فضایی بودند. به طور کلی، ترکیب الگوریتم PSO با شبکه عصبی مصنوعی روشی کارآمد برای پیش‌بینی زمان بازداری ترکیبات جذب‌شده در خون ارائه می‌دهد و می‌تواند به عنوان ابزاری قابل اعتماد در کنترل کیفیت فرآورده‌های دارویی مورد استفاده قرار گیرد.