نوع فایل: word
قابل ویرایش80 صفحه
چکیده:
هدف از این پژوهش ایجاد یک مدل مناسب QSPR برای پیش بینی دمای انتقال شیشه ای (Tg ) دسته ی وسیعی از پلیمرها می باشد. QSPR دانش جدیدی است که امکان دستیابی به داده های مورد نظر را با صرف حداقل وقت و هزینه فراهم می آورد. QSPR در لغت به معنی برقراری ارتباط کمی بین ساختار و خاصیت مولکول می باشد.
در واقع با استفاده از آنچه که قبلاً به صورت تجربی انجام شده است این ارتباط برقرار می شود و از آن برای پیش بینی خاصیت ترکیبات جدید استفاده می گردد. زمانی که نمونه های استاندارد از لحاظ فعالیت در دسترس نباشند ، آزمایش ها وقت گیر و پیچیده بوده یا هزینه کار بالا باشد ، QSPR روش مناسبی برای حل مشکل خواهد بود. ترکیبات مورد استفاده در این پژوهش همگی از خانواده پلیمره های پلی اتیلنی هستند. پلی اتیلن یکی از ساده ترین و ارزان ترین پلیمرها و پر مصرف ترین ماده پلاستیکی در جهان است. این ماده از پلیمریزاسیون اتیلن به دست می آید و به طور خلاصه به صورت PE نشان داده می شود. در این روش برای ایجاد مدل مناسب ازQSPR دسته ی از ترکیبات پلیمری شامل88 پلیمر پلی اتیلن را بعنوان سری داده ها انتخاب و ساختار مولکولی آنها بوسیله نرم افزار HYPERCHEM به روش AM1 اپتیمایز و با نرم افزار DRAGON بهترین توصیف کننده ها را انتخاب کرده و با دو تکنیک MLRو PCR مدلسازی و مناسبترین مدل را انتخاب می کنیم. نتایج بدست آمده برتری مدل بدست آمده با روش MLR (R2cal = 0.8733و R2per = 0.7575). نسبت به مدلهای بدست آمده با روش PCR (R2cal = 0.5587و 0.6092 R2per =). را نشان می دهد.
مقدمه:
امروزه به کارگیری روش هایی که دستیابی ارزان و سریع به اطلاعات را فراهم می آورد، بسیار مورد توجه است. شیمی نیز با توجه به گستردگی فراوان و وجود مسائل پیچیده و حل نشده بسیار به کارگیری چنین روش هایی را طلب می کند. استفاده از علوم ریاضی، آمار و رایانه در شاخه های مختلف علمی عرصه هایی جدید را ایجاد نموده که از جمله می توان به علومی همچون بیومتریک، آمار دارویی و کمومتریکس که حاصل تلفیق آن سه با زیست شناسی، داروسازی و شیمی می باشند، اشاره نمود ]2-1[. با وجود آنکه کمتر از 40 سال از پیدایش علم کمومتریکس می گذرد، امروزه این شاخه به یک علم پویا مبدل گشته، علمی که در هر زمینه ای تحولات چشمگیری را به دنبال داشته است. در این بخش از پژوهش سعی شده است تا اطلاعات اولیه ای از اصول کمومتریکس ، ارتباط کمی ساختار- خاصیت ، دمای انتقال شیشه ای(Tg) و ترکیبات مورد استفاده در اختیار قرار گیرد.
فهرست مطالب:
چکیده
فصل اول: مقدمه ای بر روشهای کمومتریکس،پارامتری وPCR
1-1-مقدمه
1-1-1-کمومتریکس
1-1-2- بررسی کمی ارتباط بین ساختار وخاصیت (QSPR)
1-2-دمای انتقال شیشه ای(Tg)
1-3-پلیمرهای پلی اتیلنی
1-4- روش های پارامتری
1-4-1- انتخاب سری داده ها
1-4-2- انتخاب و محاسبه توصیف کننده ها
1-4-2-1- توصیف کننده های توپولوژیکی
1-4-2-2- توصیف کننده های الکترونی
1-4-2-3- توصیف کننده های هندسی
1-4-2-4- توصیف کننده های خواص فیزیکو- شیمیایی
1-4-2-5- توصیف کننده های توسعه یافته
1-4-3- تجزیه و تحلیل و ارزیابی توصیف کننده ها
1-4-4- آنالیز مدل های آماری و انتخاب مدل مناسب
1-4-4-1- رگرسیون خطی چندگانه
1-4-4-2- انتخاب متغیر
1-4-5- تجزیه و تحلیل آماری مدل
1-4-6- نرم افزارهای مورد استفاده
1-5- روش PCR
فصل دوم: مروری بر کارهای گذشته
2-1-مطالعات QSPR
2-2- ارتباط کمی ساختار و خاصیت(QSPR) بر روی پلیمرها
2-2-1- خواص پلیمرها
2-2-2- کاربردهای پلیمرهای پلی اتیلنی
2-3- کارهای انجام شده بروی پلیمرها و پیش بینی (Tg)
فصل سوم: بخش تجربی(مدلسازی و پیش بینی دمای انتقال شیشه ای)
3-1- مدل سازی و پیش بینی دمای انتقال شیشه ای
3-1-1- انتخاب سری داده ها
3-1-2- محاسبه توصیف کننده ها
3-1-3- تجزیه و تحلیل آماری توصیف کننده ها
فصل چهارم: بحث و نتیجه گیری
4-1- روش کار
4-2- انتخاب توصیف کننده های مناسب و ایجاد مدل خطی با روشMLR
4-3- روش PCR
4-3-1- مدلسازی بر اساس روش PCR
4-3-2- مدلسازی PCR با PCهای مرتب شده بر اساس مقدار واریانس
4-3-3- مدلسازی PCR با PCهای مرتب شده بر اساس مقدار همبستگی با خاصیت
4-4- نتیجه گیری کلی
4-5- پیشنهادات برای تحقیقات آینده
مراجع
فهرست جداول:
جدول (1-1): نام برخی از اندیس های توپولوژی
جدول (1-2): نام برخی از توصیف کننده های الکترونی
جدول (1-3): نام برخی از توصیف کننده های کوانتومی
جدول (1-4): نام تعدادی از توصیف کننده های فیزیکو- شیمیایی
جدول (1-5): اندیس های توسعه یافته
جدول (3-1): نام و مقادیر تجربی Tg(k)exp مولکولهای انتخابی
جدول(4-1): مشخصات توصیف کننده های انتخاب شده برای مدلسازی با روش MLR
جدول (4-2): اطلاعات آماری مدل ایجاد شده با روش MLR
فهرست اشکال:
شکل (1-1): مولکول پلی اتیلن
شکل (1-2): گراف مولکولی 2 و 4- دی‌متیل پنتان
شکل (1-3): انواع زیر گراف ها
شکل (1-4): نمایی از محیط اصلی نرم افزار هایپرکم
شکل (1-5): نمایی از محیط اصلی نرم افزار دراگون
شکل (1-6): نمایی از محیط اصلی نرم افزار اکسل
شکل (4-1): مقادیر Tg محاسبه شده توسط روش MLR بر حسب مقادیر تجربی برای مولکولهای سری آموزشی
شکل (4-2): مقادیر Tg محاسبه شده توسط روش MLR بر حسب مقادیر تجربی برای مولکولهای سری ارزیابی
شکل (4-3): جمع تراکمی مقادیر واریانس (اطلاعات) در هر بردار ویژه
شکل (4-4): ضریب همبستگی میان مقادیر پیش بینی شده Tg برای مولکول های دسته کالیبراسیون و مقادیر واقعی آنها بر حسب تعداد PCهای وارد شده در مدلسازی
شکل (4-5): ضریب همبستگی میان مقادیر پیش بینی شده Tg برای مولکول های دسته
پیش بینی و مقادیر واقعی آنها بر حسب تعداد PCهای وارد شده در مدلسازی
شکل (4-6): مقادیر Tg محاسبه شده توسط روشPCRبر حسب مقادیر تجربی Tg
برای مولکولهای سری آموزشی بر حسب تعداد PCهای وارد شده در مدلسازی
شکل (4-7): مقادیر Tg محاسبه شده توسط روشPCRبر حسب مقادیر تجربی Tg
برای مولکولهای سری ارزیابی بر حسب تعداد PCهای وارد شده در مدلسازی
شکل (4-8): ضرایب همبستگی هر PC با مقادیرTg
شکل (4-9): ضریب همبستگی میان مقادیر پیش بینی شده Tg برای مولکول های
دسته کالیبراسیون و مقادیر واقعی آنها بر حسب تعداد PCهای وارد شده در مدلسازی.
PCها بر اساس همبستگی اشان به Tg به مدل وارد شده اند
شکل (4-10): ضریب همبستگی میان مقادیر پیش بینی شده Tg برای مولکول های
دسته پیش بینی و مقادیر واقعی آنها بر حسب تعداد PCهای وارد شده در مدلسازی.
PCها بر اساس همبستگی اشان به Tg به مدل وارد شده اند
شکل (4-11): مقادیر Tg محاسبه شده توسط روشPCRبر حسب مقادیر تجربی Tg برای
مولکولهای سری آموزشی بر حسب تعداد PCهای وارد شده در مدلسازی بر اساس همبستگی اشان با Tg
شکل (4-12): مقادیر Tg محاسبه شده توسط روشPCRبر حسب مقادیر تجربی Tg برای 70
مولکولهای سری ارزیابی بر حسب تعداد PCهای وارد شده در مدلسازی بر اساس همبستگی اشان با Tg
منابع ومأخذ:
[1] R. A. Mayer, "Encyclopedia of analytical chemistry"., Wiley, 2000.
[2] P. Geladi, SAR and QSAR Envorm. Rcs., 2(1995) 193.
[3] P. C. Jurs, B. R. Kowalski, T. L. Isenhour, C. N. Reilly, Anal. Chem., 4(1969) 690.
[4] P. C. Jurs, B. R. Kowalski, T. L. Isenhour, C. N. Reilly, Anal. Chem., 41(1969) 1949.
[5] P. C. Jurs, B. R. Kowalski, T. L. Isenhour, C. N. Reilly, Anal. Chem., 4(1969) 695.
[6] G. W. Enix, H. W. Zwanziger, S. Geiss, Chemometrics Environmental Analysis., VCH, New York, 1997.
[7] D. L. Mannssanat, B. G. M. Vandeginste, S. N. Deming, L. Kaufman, Chemometrics., A Text Book, Elsevier, Amsterdam, 1998.
[8] C. Hansh, T. Fujita, J. Am. Chem. Soc., 86 (1964) 1616.
[9] L. Xuefeng, G. Zhang, J. Dong, X. Zhou, X. Yan, M. Luo, Theochem., 71 (2004) 119.
[10] P. Lind, C. Lopes, K. Oberg, B. Eliasson, Chemical Physics Letters., 387(2004) 238.
[11] R. O. Potts, R. H. Guy, Pharm Res., 9 (1992) 663.
[12] E. J. Lien EJ, H. Gao, Pharm Res., 12 (1995) 1628.
[13] E. D. Bayer, J. K. Strasters, M. G. Khaledi, Anal. Chem., 63 (1991) 828.
[14] M. N. Hassan, P. C. Jurs, Anal. Chem., 62 (1990) 2318.
[15] E. Arab Tehrany, F. Fournier, S. Desobry, Journal of Food Engineering., 64 (2004) 315.
[16] A. Fassihi, D. Abedi, L. Saghaie, R. Sabet, H. Fazeli, European Journal of Medical Chemistry., 44 (2009) 2145.
[17] J. H. A. Alfahemi, D. L. Cooper, N. L. Allan, Theochem., 901 (2009) 56.
[18] J. Ghasemi, S. Saaidpour, S. D. Brown. Theochem., 805 (2007) 27.
[19] J. Ghasemi, S. Saaidpour, Chem. Pharm. Bull., 55 (2007) 669.
[20] X. Liu, J. Chen, H. Yu, J. Zhao, Chemosphere., 64 (2006) 1619.
[21] J. Tronchet, M. Grigorov, N. Dolatshahi, F. Moriaud, J. Weber, European Journal of Medical Chemistry., 32 (1997) 279.
[22] Katritzky, A. R.; Sild, S.; Lobanov, V.; Karelson, M. Quantitative Structure-Property Relationship (QSPR) Correlation of Glass Transition Temperatures of High Molecular Weight Polymers. J. Chem. Inf. Comput. Sci. 1998, 38, 300-304.
[23] M. Karelson, Molecular Descriptors in QSAR/QSPR, Wiley, New York, 2000.
[24] R. Tadeschini, V. Consonni, Handbook of Molecular Descriptors, Wiley-VCH, Weinheim, 2000.
[25] Cameilio, P.; Lazzeri, V.; Waegell, B. QSPR in Polymers: A Straightforward New Approach to Calculate the Glass Transition Temperature. Polym. Preprints: Am. Chem. Soc., DiV. Polym. Chem. 1995, 36, 661-662.
[26] Katrizky, A. R.; Rachwal, P.; Law, K. W.; Karelson, M.; Lobanov,V. S. Prediction of Polymer Glass Transition Temperatures Using a General Quantitative Structure-Property Relationship Tretment. J. Chem. Inf. Comput. Sci. 1996, 36, 3879-884.
[27] Bicerano, J. Prediction of Polymer Properties, 2nd ed.; Marcel Dekker,
- : New York, 1996.
[28] H. Wiener, J. Am. Chem. Soc., 69 (1947) 17.
[29] A. T. Balaban, Chem. Phys. Lett., 89 (1981) 399.
[30] M. Randic, J. Chem, Phys., 62 (1975) 309.
[31] T. Clark, A Hand Book of Computational Chemistry., John Wiley and sons, New York, 1985.
[32] J. A. Pople, D. Beveridege, Approximate molecular orbital Theory., Mc Graw-Hill, 1970.
[33] J. R. Torres- Lapassio, R. M. Villanueva-Camanas, J. M. Sanchis mallos, J. Chromatogr., 639 (1993) 87.
[34] M. Dewar, W. Thiel, J. Am. Chem. Soc., 99 (1977) 4499.
[35] E. Eroglu, H. Turkmen, Journal of Molecular Graphics and Modelling., 26 (2007) 701-708.
[36] F. A. Pasha, H. K. Srivastava, Y. Beg, P. P. Sing, American Journal of Immunology., 2 (2006) 23.
[37] K. Osmialowski, J. Halkiewicz, A. Radecki, R. Kaliszan, J. Chromatogr., 346 (1985) 53.
[38] P. W. Atkins. Quanta, Oxford University Press., Oxford, 1991.
[39] T. R. Stouch, P. C. Jurs, J. Chem. Inf. Compute. Sci., 26 (1986) 1.
[40] E. K. Whalen-Pederson, P. C. Jurs, Anal. Chems., 53 (1981) 2184.
[41] J. Schuur, J. Gasteiger, Anal. Chem., 69 (1997) 2398.
[42] R. Todeschini, M. Lassagni, E. Marengo, J. Chemon., 8 (1994) 263.
[43] J. Ghasemi, S. Saaidpour, Analitica Chemica Acta., 604 (2007) 99.
[44] L. B. Kier, L. H. Hall, Advances in drug design., Vol 22, Academic Press, New York, 1992.
[45] G. E. Kelloge, L. B. Kier, P. Gaillard, L. H. Hall, J. Comp. Aid. Molc. Des., 1 (1996) 513.
[46] L. B. Kier, L. H. Hall, B. B. Brown, J. Chem. Inf. Comput. Sci., 35 (1995) 1074.
[47] http://www.eslc.vabiotech.com/ma/conn
[48] L. B. Kier, L. H. Hall, Quant. Struct. Act, Relat., 10 (1991) 134.
[49] E. Morgan, Chemometrics' Experimental design., John Wiley and sons, London, 1991.
فتوحی. اکبر ، اصغری. فریبا (1383). " آنالیز آماری داده ها با SPSS ". چاپ دوم. [50]
منصور فر. کریم (1374). " روش های آماری ". چاپ هشتم. تهران: انتشارات دانشگاه تهران. [51]
[52] Hyperchem Software, Release 7.0 for windows, Hypercube Inc., 2002.
[53] M.J. Frisch, M.J. Trucks, H.B. Schlegel, G.E. Scuseria, M.A. Robb, J.R. cheeseman, V.G. Zakrzewski, et al., Gaussian 98, Revision A.7, Gaussian lnc., Pittsburg, PA, 1998.
[54] R. Todeschini, Dragon Software, version 2.1 ,Milano Chemometrics and QSPR Group.,2002.(http://www.disat.unimib.it/vhml)
[55]Microsoft Office Excel 2003, Microsoft corporation., 2003.
[56] H. P. Schults, J. Chem. Inf. Comput. Sci., 29 (1989) 227.
[57] M. N. Hassan, P. C. Jurs, Anal. Let., 89 (1982) 399.
[58] A.R. Katrinzky, S. Sild, V. Lobanov and M.J. Karelson, J. Chem. Inf. Comput. Sci. 38 (1998), p. 300
[59] S.J. Joyce, D.J. Osguthorpe, J.A. Padgett and G.J. Price, J. Chem. Soc. Faraday Trans. 91 (1995), p. 2491.
[60] C. Cao and Y. Lin, J. Chem. Inf. Comput. Sci. 43 (2003), p. 643
[61] B.G. Sumpter and D.W. Noid, J. Thermal Anal. 46 (1996), p. 833.
[62] B.E. Mattioni and P.C. Jurs, J. Chem. Inf. Comput. Sci. 42 (2002).
پروژه ایجاد یک مدل مناسب QSPR برای پیش بینی دمای انتقال شیشه ای (Tg) دسته ی وسیعی از پلیمرهای پلی اتیلنی. doc