Relation structure/ facteur acentrique d'alcools et de phénols: approche algorithme génétique – régression linéaire multiple

  • Hamza Haddag
  • Amel Bouakkadia
  • Leila Lourici
  • Nasr Eddine Chakri
  • Djelloul Messadi
Keywords: Alcools et phénols – Représentation numérique de la structure chimique – Facteur acentrique – Régression linéaire multiple, Alcohols and phenols – Numerical representation of chemical structure – Acentric factor – Multiple linear– Hybrid SPR model

Abstract

Les facteurs acentriques de 18 composés hydroxylés (alcools, phénols), ont été corrélés linéairement avec 2 descripteurs moléculaires de type géométrique sélectionnés par algorithme génétique, parmi plus de 1600 calculés en utilisant le logiciel de modélisation moléculaire DRAGON. Les différentes statistiques établies (coefficient de détermination multiple et de prédiction ; racines des erreurs quadratiques moyennes ; test de randomisation) montrent la qualité, la robustesse et les bonnes capacités prédictives internes du modèle construit. Aucune observation aberrante ou influente n’a été relevée.

Mots clés: Alcools et phénols – Représentation numérique de la structure chimique – Facteur acentrique – Régression linéaire multiple – Modèle RSP hybride

English Title: Structure / acentric factor relationship of alcohols and phenols: genetic algorithm – multiple linear regression approach

English Abstract

The acentric factors of 18 hydroxy compounds (alcohols, phenols) were linearly correlated with 2 molecular descriptors of geometrical type selected by genetic algorithm, among more than 1600 derived from the molecular modeling software DRAGON. The different statistics calculated (multiple determination and prediction coefficients; roots of the mean quadratic errors; Y-scrambling) show the quality, the robustness and the good internal predictive capacity of the constructed model. No outliers or influential observation was found.

Keywords: Alcohols and phenols – Numerical representation of chemical structure – Acentric factor – Multiple linear regression – Hybrid SPR model


Published
2017-06-07
Section
Articles

Journal Identifiers


eISSN: 2352-9717
print ISSN: 1111-4924