ISSN: 2161-0398
Elidrissi B*, Ousaa A, Ghamali M, Chtita S, Ajana MA, Bouachrine M and Lakhlifi T
Une étude quantitative de relation structure-propriété (QSPR) a été réalisée pour prédire les points de fusion de 60 composés nitroaromatiques carbocycliques en utilisant les descripteurs électroniques et topologiques calculés respectivement, avec les programmes ACD/ChemSketch et Gaussian 03W. Les structures des 60 composés ont été optimisées en utilisant la théorie fonctionnelle de la densité hybride (DFT) au niveau théorique B3LYP/6-31G(d). Dans les deux approches, 50 composés ont été assignés comme ensemble d'apprentissage et le reste comme ensemble de test. Ces composés ont été analysés par la méthode d'analyse en composantes principales (ACP), une analyse de régression linéaire multiple descendante (MLR) et un réseau neuronal artificiel (ANN). La robustesse des modèles obtenus a été évaluée par validation croisée leave-many-out et validation externe via un ensemble de test. Cette étude montre que le PCA et le MLR ont servi aussi à prédire le point de fusion et quelques autres propriétés physicochimiques, mais en comparant avec les résultats donnés par l'ANN (R=0,997), nous avons réalisé que les prédictions réalisées par ce dernier étaient plus efficaces et bien meilleures que celles des autres modèles.