پیشگویی ضریب توزیع غشاء – آب ترکیبات موثره زعفران

آگاهی از میزان توزیع پذیری و نفوذ مولکول های مختلف از غشاهای لیپیدی اهمیت ویژه ای در درک فرایندهای بیولوژیکی و توسعه و ساخت داروهای جدید و طراحی سیستمهای دارورسانی مناسب دارد. اطلاع از میزان توزیع ترکیبات موجود در زعفران در غشاهای لیپیدی می تواند در استفاده از زعفران و ترکیبات موثر آن در صنایع غذایی و دارویی نقش موثری ایفا کند. در این راستا در این مقاله اقدام به پیشگویی ضریب توزیع ترکیبات موثره زعفران در یک غشاء فسفولیپیدی (دی ام پی سی) شده است. بدین منظور ابتدا با استفاده از روش بهینه سازی اجتماع ذرات ارتقاء یافته – برازش خطی چندگانه MPSO-MLR از میان تعداد بسیار زیادی توصیفگر مولکولی، سه توصیفگر موثر انتخاب گردید. توصیفگرهای مولکولی انتخابی بعنوان ورودی یک شبکه عصبی تابع شعاع مدار (RBF NN برای توسعه مدلی غیر خطی استفاده شدند. سپس مدل غیر خطی ایجاد شده با استفاده از داده آزمون مورد ارزیابی بیرونی قرار گرفت که میزان خطای R۲ برابر با ۹۶۴/. و RMSE برابر با ۰/۴۴۴، نشان دهنده دقت و کاراریی بالای مدل ارائه شده برای پیشگویی ضریب توزیع دی ام پی سی آب ترکیبات جدید می باشد. سپس با استفاده از این مدل معتبر و دقیق ضریب توزیع دی ام پی سی آب ترکیبات موثره زعفران پیشگویی شد. دقت و قابلت اعتماد مقادیر پیشگویی شده با محاسبه مقادیر اهرمی ترکیبات بررسی شد. نتایج این مقاله می تواند در توسعه داروهای بر پایه زعفران و همچنین طراحی و ساخت سیستم های دارورسانی لیپیدی برای انتقال ترکیبات موثره زعفران به هدفهای دارویی راهگشا باشد.

Awareness of the degree of permeability and penetration of various molecules through lipid membranes is of particular importance in understanding biological processes and in the development and creation of new drugs, as well as in designing suitable drug delivery systems. Knowledge of the distribution levels of compounds present in saffron within lipid membranes can play an effective role in the utilization of saffron and its active compounds in the food and pharmaceutical industries. In this regard, this article aims to predict the partition coefficient of the active compounds of saffron in a phospholipid membrane (DMPC). For this purpose, initially, using the enhanced particle swarm optimization – multiple linear regression fitting (MPSO-MLR) method, three effective molecular descriptors were selected from a very large number of molecular descriptors. The selected molecular descriptors were used as inputs for a radial basis function neural network (RBF NN) to develop a nonlinear model. Subsequently, the developed nonlinear model was externally evaluated using test data, where the R² error was 0.964 and the RMSE was 0.444, indicating the high accuracy and efficiency of the proposed model for predicting the DMPC water partition coefficient of new compounds. Then, using this validated and accurate model, the water DMP distribution coefficient of saffron active compounds was predicted. The accuracy and reliability of the predicted values were evaluated by calculating the leverage values of the compounds. The results of this study can be instrumental in the development of saffron-based drugs, as well as in the design and construction of lipid drug delivery systems for the targeted delivery of saffron active compounds.