بخشی از مقاله
چکیده
الگوریتم کلونی مورچه و مدل رگرسیون خطی جهت پیشگویی λmax یک سري 66 تایی از مشتقات آنتراکینون استفاده شده است.در ابتدا پس از بهینه سازي ساختار توسط نرم افزار Hyper Chem، توصیف کنندههاي مختلفی به وسیله نرمافزارهاي Hyper Chem و Dragon محاسبه گردیدند. توصیف کنندهها به عنوان ورودي به برنامه الگوریتم مورچه وارد شدند، به منظور به دست آوردن بهترین نتیجه با درصد خطاي پایین و توصیف کنندههاي مناسب، برنامه الگوریتم مورچه را چندین بار اجرا کرده و در اجراهاي مختلف پارامترهاي آن از جمله تعداد مورچههاي اولیه، پارامتر تبخیر فرومون و تعداد دورها بهینه شدند.
جهت پیشگویی max مشتقات آنتراکینون پس از بهینه سازي پارامترهاي الگوریتم مورچه، 5 توصیف کننده که بالاترین همبستگی را با λmax مشتقات آنتراکینون داشتند، انتخاب شدند. از این توصیف کنندههاي انتخاب شده براي ساختن مدل خطی مناسب جهت پیشگویی λmax مشتقات آنتراکینون استفاده شد. این روش نتایج خوبی را در هر دو سري آموزش - AARD = % 3/33 , R2 =0/9199 - و پیشگویی - , R2 =0/9075 - AARD=%4/96 فراهم آورد. با توجه به موارد ذکر شده، الگوریتم مورچه روشی مناسب جهت انتخاب توصیف کننده-ها براي مدل سازي و پیشگویی λmax مشتقات آنتراکینون میباشد.
.1 مقدمه
در طی دو دهه گذشته استفاده از پردازش و تجزیه و تحلیل دادهها - کمومتریکس - در شیمی و علوم مربوطه به طور روزافزونی گسترش یافته است. با توجه به رشد و پیشرفت سریع دستگاههاي مورد استفاده در شیمی و حجم بسیار دادهها و اطلاعات به منظورجمعآوري، پردازش، تفسیر اطلاعات و استخراج نتایج مفید از آنها، نیاز به کامپیوتر امري اجتناب ناپذیر است.
از طرف دیگر شیمیدانان، گاهی اوقات با موادي سروکار دارند که بسیار گران، سمی و خطرناك بوده و یا حتی در مواردي به راحتی قابل دسترس نیستند. در این گونه موارد، میتوان از روشهاي ریاضی و آمار به طور موثر جهت توصیف و توجیه کمی نتایج آزمایشهاي مختلف استفاده نمود .[1] یکی از زمینههاي مهم کاربرد کمومتریکس، مطالعاتی است که در آن خواص مولکولها به ویژگیهاي ساختاري آنها ارتباط مییابد. از نظر شیمیدانان، فعالیت و خواص یک ترکیب ناشی از ویژگیهاي ساختاري آن میباشد. این نوع از مطالعات، به رابطه کمی ساختار- فعالیت - QSAR - و همچنین رابطه کمی ساختار- خاصیت - QSPR - معروف است.
اطلاعاتی که در QSPR و QSAR بررسی میشوند به دو دسته اصلی متغیر مستقل و وابسته تقسم میشوند. اطلاعات و دادههایی که از یک ترکیب به دست میآیند و خواص شیمیایی، فیزیکی و بیولوژیکی آن را بیان میدارند، در دسته متغیرهاي وابسته تقسیمبندي میشوند. متغیرهاي مستقل بیانکننده یک سري خصوصیات ترکیب هستند که با ساختار شیمیایی مولکول و ترکیب درگیر میباشند. این متغیرهاي مستقل به عنوان توصیف کنندهها اطلاق میشوند.
هدف اصلی، پیشبینی یک یا چند متغیر وابسته از طریق یک یا چند متغیر مستقل میباشد. اولین مرحله در توسعه معادلات QSAR و QSPR جمعآوري لیستی از ترکیبات است که از لحاظ تجربی خواص محاسبه شده و شناخته شده داشته باشند. اگر تعداد ترکیبات نسبت به پارامترهاي برازش شده در معادله کمتر باشد، این برازش، برازش صحیحی نمیباشد. اما اگر تعداد پارامترها و تعداد ترکیبات برابر باشد، برازش منحنی به طور صحیحی فراهم خواهد شد. اگر معادله فقط با دادههاي هیدروکربنی برازش شود، فقط براي پیشگویی خصوصیات هیدروکربنی قابل اطمینان است. مرحله بعدي فراهم کردن ساختار هندسی مولکولها است که بهتر است از لحاظ ساختاري بهینه شوند. با این روش هرگونه خطاي مربوط به تقارن حذف خواهد شد. سپس توصیف کنندههاي مولکولی محاسبه میشوند. هر مقدار عددي که مولکول را توصیف کند، میتواند استفاده شود.
مرحله بعدي انتخاب بهترین توصیف کنندههاي محاسبه شده میباشد. معمولا این کار با محاسبه ضرایب همبستگی مشخص میشود. اگر توصیف کنندهاي ضریب همبستگی برابر یک داشته باشد، بدین معنی است که میتواند خواص مورد نظر را به درستی توصیف کند و ضریب همبستگی صفر بدین معنی است که هیچ ارتباطی بین توصیف کنندهها و خاصیت اصلی وجود ندارد. پس توصیف کنندههایی با ضرایب همبستگی بزرگ در برازش منحنی براي ساختن معادلهاي جهت پیشگویی خواص استفاده میشوند. یک برازش منحنی با ایجاد معادله - 1 - خطی زیر انجام میشود :
در این معادله ci بیانگر پارامترهاي برازش شده و di بیانگر توصیف کنندهها میباشد. دلیل استفاده از ضرایب همبستگی و معادلات خطی ، سادگی روش میباشد. "جستجو" یکی از سادهترین روشهاي حل مسائل است. در مواردي که مساله بیش از حد پیچیده است، یا آن که فرموله کردن مساله سخت است، استفاده از الگوریتمهاي هیوریستیک بسیار کار آمدتر است .
از بین این الگوریتمها میتوان به الگوریتم مورچه [2] اشاره کرد. یکی از راه حلهایی که با الهام گرفتن از موجودات زنده براي حل مسائل بهینه سازي ایجاد شده است کلونی - اجتماع - مورچهها - ACO - نام دارد که اولین بار به عنوان رسالهء دکتراي مارکو دوریگو در سال 1992 ارائه شد. .[3] مورچهها از توانایی هوش گروهی براي پیدا کردن منابع غذایی و کوتاهترین راه براي رسیدن به منابع غذایی استفاده میکنند. آنها این کار را با به جا نهادن مادهاي شیمیایی به نام فرومون در هنگام حرکت صورت میدهند - شکل - 1 که البته با گذشت زمان تبخیر میشود
شکل - : - 1 حرکت مورچهها بر روي یک مسیر مستقیم بین لانه و محل منبع غذا
همان طور که گفته شد مورچهها با به جاي گذاشتن فرومون در هنگام حرکت موجب میشوند که مورچههاي بعدي مسیري را انتخاب کنند که فرومون بیشتري دارد.
شکل - : - 2 تغییر مسیر دادن مورچهها با وجود مانع در سر راه آنها
زمانی که مانعی بر سر راه آنها قرار میگیرد، مورچهها بایستی مسیر سمت راست یا چپ را انتخاب کنند، در این حالت انتظار میرود که نیمی از مورچهها سمت چپ و نیمی دیگر سمت راست را انتخاب کنند - شکل - . - - 3
شکل - : - 3 حرکت نیمی از مورچهها به سمت چپ و نیمی دیگر به سمت راست زمانی که مانعی بر سر راه آنها قرار میگیرد.
شکل - : - 4 بازسازي مسیر کوتاهتر با ردیابی مسیري که در آن مسیر، فرومون بیشتري قرار گرفته است.
بیشتر ایدههایی که در روش بهینه سازي مورچه استفاده میشود از مورچههاي حقیقی گرفته شدهاند، مکانیزم تبخیر در الگوریتم مورچه شبیه تبخیر فرومون واقعی است و باعث میشود که مورچهها بتوانند بهصورت مطلوبتري وضعیت بعدي خود را انتخاب کنند. به این ترتیب که اگر مسیري خوب نباشد از مقدار فرومون آن کم میشود و به مورچهها این امکان را میدهد که اطلاعات گذشته خود را کم کم فراموش کنند اما تفاوت آنها عبارتند از:
1. مورچههاي مصنوعی در یک دنیاي گسسته زندگی میکنند و جابجایی آنها در واقع گذر از یک ناحیه گسسته به ناحیه گسسته دیگر است.
2. مورچههاي مصنوعی یک عضو داخلی دارند. این عضو شامل حافظهاي از اعمال مورچههاي قبلی است. در واقع مورچههاي مصنوعی حافظه خیلی خوبی دارند و مسیرهاي تکراري که قبلا از آن عبور کردهاند را نمیپیمایند.
3. مورچههاي مصنوعی مقدار فرومونی که از خود به جاي میگذارند بستگی به جوابی دارد که ساختهاند. البته در حالت واقعی هم بعضی از مورچههاي حقیقی رفتاري مشابه دارند
