پایان نامه پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری

تعداد صفحات: 120 فرمت فایل: word کد فایل: 233
سال: 1391 مقطع: مشخص نشده دسته بندی: ادبیات فارسی
قیمت قدیم:۳۵,۷۶۰ تومان
قیمت: ۲۹,۸۰۰ تومان
دانلود فایل
  • خلاصه
  • فهرست و منابع
  • خلاصه پایان نامه پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری

    پایان نامه برای دریافت درجه کارشناسی ارشد

    دررشته :  شیمی تجزیه

    گروه علمی :  شیمی 

    روش مدل سازی QSPR  به عنوان ارائه دهنده رابطه بین ساختار و خاصیت به منظور پیش بینی زمان بازداری 208 نوع از باقیمانده آفت کش ها در زمین های زراعی  انجام گرفت. ابتدا ساختار مولکولی ترکیبات درنرم افزار0.8 ChemDraw رسم شد، سپس ساختار فضایی آنها در محیط نرم افزار0.7  HyperChem بهینه گردید. پس از اپتیمم شدن فاصله پیوندها وطول آنها در مولکول، توصیف گرهای هرمولکول در نرم افزار Dragon 2.1  به طریقه ی نظری محاسبه شدند، آنگاه کاهش تعداد توصیف گرها درنرم افزارExcel  و SPSS صورت گرفت و داده ها براساس قاعده توزیع نرمال، به دوسری آموزشی و آزمون تقسیم شدند. وابستگی ریاضی بین توصیف گرهای مولکولی و زمان بازداری ابتدا به کمک نرم افزار SPSS و روش رگرسیون خطی چند گانه گام به گام، به صورت یک مدل ریاضی تعیین شد. روش SW-MLR یک مدل خطی با شش توصیف گر MR و STN و Mor22m و PJI3 و E2U و E3S را ایجاد کرد که اولین توصیف کننده بیانگر ویژگی های مولکولی و دومی مربوط به ماتریس دو بعدی، و سومی مربوط به ویژگی سه بعدی از مولکول و چهارمی  بیانگر ویژگی هندسی مولکول و دو مورد آخر، جزو توصیف گرهای تصویری مولکول می باشند. مقادیر آماری پارامتر های F و R2Pred و R2Train  و R2Test  برای مدل بدست آمده با روش  SW-MLR بترتیب برابر   0.921,  0.902,  0.905,  106  می باشد. مدل بدست آمده با تکنیک Cross-Validation  و روش Leave-One-Out (LOO) مورد ارزیابی قرار گرفت. مقدار ضریب همبستگی توصیف گر­­­­های بدست آمده کمتر از 69/0 می باشد. در ادامه، برای افزایش کارایی مدل بدست آمده، دو روش غیر خطی ماشین بردار پشتیبان (SVM)و شبکه های عصبی مصنوعی (ANN) بکار گرفته شدند. مقادیر زمان های بازداری پیش بینی شده و پارامتر های آماری حاصل از اجرای هر سه روش مورد مقایسه قرار گرفت که نتایج بدست آمده حاکی از برتری روش شبکه های عصبی مصنوعی(ANN) نسبت به دو روش دیگر می باشد. مقادیر R2Pred برای روش ماشین بردار پشتیبان و روش شبکه های عصبی مصنوعی به ترتیب برابر 0.941  و 0.960  می باشد.

    تعریف و تاریخچه کمومتریکس

         کمومتریکس، کاربرد علوم آمار، کامپیوتر و ریاضی در شیمی می باشد. کمومتریکس روشی مبتنی برآنالیزهای ریاضی وداده های آماری محاسبه شده، و با استفاده از توصیف کننده های مولکولی، مابین ساختار مولکول و خاصیت مورد بررسی از آن مولکول یک رابطه ریاضی برقرار کرده وبا استفاده ازآن رابطه ریاضی اقدام به پیش بینی مقدار عددی آن خاصیت می کند که یک روش کاملاً تئوری است.

          از روش ذکر شده برای درک بهتر اطلاعات شیمیایی که در آزمایشگاه بدست می آید استفاده می شود، به این صورت که با استفاده از آنالیز داده های شیمیایی بدست آمده اطلاعات مفید استخراج می شود با توجه به این اطلاعات می توان آزمایش های مورد نظر با بازدهی بهتر را طراحی کرد. کاربرد روشهای ریاضی در شیمی سابقه دیرین دارد ولی با توجه به پیشرفت علوم کامپیوتر و کاربرد آن در علوم روشهای کمومتریکس در دهه اخیر پیشرفت بسیار داشته است. در این دو دهه روشهای کمومتریکس مختلفی توسط شیمیدانها با کمک متخصصین علوم کامپیوتر، ریاضی و آمار ارائه شده است. بطور کلی، شیمیدانان (کسانی که از روش های کمومتریکس استفاده می کنند) از این روش تحقیقاتی به منظور تأیید اعتبار داده های تجربی خود استفاده می کنند[1].

         روش های کمومتریکس با عناوین (QSPR)2 رابطه و وابستگی کمی ساختار وخاصیت مانند (QSAR)3 و (QSRR)4 معرفی شده اند که روش اول به برسی نحوه ارتباط بین ساختار مولکولی و فعالیت مولکولی و دومی به برسی ارتباط بین ساختار و زمان بازداری ترکیبات شیمیایی مختلف می پردازد.

       بررسی نحوه ارتباط بین ساختار شیمیایی و خاصیت مولکولی ترکیبات و پیش بینی مقادیر بصورت

     

    1-Chemometrics

    2-Quantitative Structure Property Relationship

    3- Quantitative Structure Activity Relationship

    4- Quantitative Structure Retention time Relationship

    تئوری از آن نظر مفید است که برخی پارامترهای ترمودینامیکی، فیزیکی وشیمیایی بسیاری از ترکیبات در دسترس نیست و همچنین اندازه گیری تجربی آنها گران قیمت و وقت گیر است .[2]

    ایده برقرار کردن ارتباط کمی بین ساختار و خاصیت مولکولی اولین بار توسط شخصی به نام براون1 در سال 1965 مطرح شد. او از این طریق، ارتباط بین ساختار و فعالیت های فیزیولوژیکی یک سری از مولکوها را به هم ربط داد.[3]

         دانشمندی به نام والد2 که لقب پدر علم کمومتریکس را به خود اختصاص داده است، با همکاری دانشمند آمریکایی به نام کوالسکی3، درسال 1970 انجمن کمومتریکس را تأسیس کردند.[4]

         مقالات بسیاری در دهه ۶۰ میلادی تحت عنوان معرفی روشهای ریاضی و کاربرد آنها در شیمی ارائه کرده است. سابقه استفاده و مطالعه روشهای کمومتریکس در ایران بیش از ۱۰ سال می باشد که در دانشگاههای مختلف این مطالعات انجام می شود. کمومتریکس به عنوان یک شاخه علمی جوان در دو دهه اخیر به سرعت توسعه پیدا کرده است و در بیشترقسمت های شیمی بخصوص در زمینه شیمی تجزیه مورد استفاده قرار گرفته است.[5]

    از کاربرد های کمومتریکس در شاخه های مختلف شیمی می توان به کنترل فرآیند ها، تجزیه و تحلیل و شناخت الگوها، پردازش علائم و بهینه کردن شرایط و مطالعه ویژگی ساختاری مولکولها و خواص آنها اشاره کرد .[5]ازجمله کاربرد های کمومتریکس در زمینه QSPR می توان به پیش بینی زمان بازداری ترکیبات در ستون کروماتوگرافی، حلالیت، گرانروی و ثابت های اسیدی و بازی ترکیبات اشاره کرد که مستلزم محاسبه انواع مختلف از توصیف کننده های مولکول مورد بررسی و برقراری ارتباط منطقی بین خاصیت مولکول مورد نظر و یک سری از توصیف کننده های مولکولی محاسبه شده است. هریک از توصیف کننده های مولکولی دارای مقادیر عددی منحصر به فردی هستند که جنبه های مختلف ساختاری مولکول را به طور کمی نشان می دهند.[6-7]

     

    1-Brown

    2-S.Wold

    3-B. R. Kowalski

    1- 2- روش های ریاضی و آماری در کمومتریکس

         امروزه در کمومتریکس از روش های مختلف ریاضی و آماری مانند رگرسیون خطی چند گانه1، حداقل مربعات جزئی2، آنالیز اجزای اصلی3، و اخیراً از روش شبکه های عصبی مصنوعی4 و ماشین بردار پشتیبان5 نیز استفاده می شود. به منظور انتخاب توصیف کننده های مولکولی که بیشترین ارتباط را با ساختار مولکولی دارند، معمولاً از روش الگوریتم ژنتیک6 استفاده می شود. این روش ها جزو دسته ای ازعلوم کامپیوتری به نام هوش مصنوعی7 هستند که تفاوت اساسی با سایر روش های محاسباتی و همچنین بایکدیگر دارند. ازمیان روش های فوق، استفاده از روش شبکه های عصبی مصنوعی در شیمی کاربرد گسترده ای داشته و بکارگیری آن به سرعت درحال افزایش است.[8]

     

    1-3- مراحل مختلف مطالعات QSPR

         به طور کلی مطالعات QSPR  شامل شش مرحله اصلی است که عبارتند از :

    1- انتخاب سری مولکولی

    2- محاسبه توصیف کننده های مولکولی

    3- انتخاب توصیف کننده های مولکولی مناسب

    4- مدل سازی ریاضی

    5- انتخاب بهترین مدل

    6- ارزیابی اعتبار مدل انتخاب شده.

     

     

    1-Multiple Linear Regression

    2-Partial Least Square

    3-Principal Compent Analysis

    4-Artifical Neural Network

    5-Support Vector Machine

    6-Genetic Algorithm

    7-Artifical Intelligence

    1-3-1- انتخاب سری مولکولی

         اولین گام در مطالعات QSPR، انتخاب تعدادی مولکول است که خاصیت مورد بررسی از آنها به طور تجربی در دسترس باشد. لازم به ذکراست که مقادیرتجربی خاصیت مورد نظر ترکیبات انتخاب شده باید در شرایط یکسان اندازه گیری شده باشد. بدیهی است که هرچه اطلاعات تجربی قابل دسترس برای طراحی مدل بیشتر باشد، بدون شک کارایی مدل ایجاد شده در پیش بینی خاصیت مورد نظر افزایش خواهد یافت.

     

    1-3-2- محاسبه توصیف کننده های مولکولی1

         محاسبات توصیف کننده های مولکولی معمولاً با استفاده از محاسبات تئوری یا آزمایش های عملی انجام می گیرد. امروزه نرم افزار های مختلفی نیز طراحی شده است که براساس محاسبات دقیق تئوری می توانند توصیف گرهای بیشتری را با دقت خوب و سرعت بسیار بالا محاسبه کنند. بطور کلی توصیف گرهای مولکولی به دودسته تقسیم می شوند :

    الف) توصیف کننده های حاصل از اندازه گیری آزمایشگاهی (نظیر ضریب شکست مولی، ممان دوقطبی، قطبش پذیری، لگاریتم ضریب تقسیم آب اکتانول و ...)

    ب) توصیف کنندهای مولکولی تئوری از بیان نمادین مولکول ناشی می شوند و تعداد اطلاعات شیمیایی حاصل از آنها به نوع نمایش بستگی دارد. ساده ترین نمایش مولکولی، فرمول شیمیایی است که فهرستی از انواع اتم ها می باشد.

     

         در این پژوهش به منظور محاسبه توصیف کننده های مولکولی از نرم افزار دراگون استفاده شده است. این نرم افزار قادر است تعداد 1481 نوع توصیف گرمولکولی را که به هجده دسته تقسیم می شوند با دقت و سرعت بالایی محاسبه کند.

  • فهرست و منابع پایان نامه پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری

    فهرست:

    فصل اول-  مقدمه.......................................................................................................................... 1

    1-1- تعریف و تاریخچه کمومتریکس.......................................................................................................................................2

    1-2- روش های ریاضی و آماری در کمومتریکس  4

    1-3- مراحل مختلف مطالعات QSPR.. 4

    1-3-1- انتخاب سری مولکولی.. 5

    1-3-2- محاسبه توصیف کننده های مولکولی. 5

    1-3-3- انتخاب توصیف کننده های مولکولی مناسب... 6

    1-3-4- مدلسازی و انتخاب بهترین مدل.............................................................................................................6

    1-3-5- ارزیابی اعتبارمدل های انتخاب شده برای متغیرهای گزینش شده..........................................................7

    1-4- انواع توصیف کننده های مولکولی.. 7

    1-4-1- توصیف کننده های جزئی مولکولی.. 7

    1-4-2- توصیف کننده های توپولوژیکی مولکولی.. 7

    1-4-3- توصیف کننده های تطبیقی مولکولی.. 8

    1-4-4- توصیف کننده های شمارش گر قدم های مولکولی 8

    1-4-5- توصیف کننده های ضرایب بار توپولوژی گالوز. 8

    1-4-6- توصیف کننده های هم بستگی دو بعدی.. 9

    1-4-7- توصیف کننده های بار مولکولی.............................................................................................................9

    1-4-8- توصیف کننده های ضرایب آروماتیسیته مولکولی..................................................................................... 9

    1-4-9- توصیف کننده های هندسی....................................................................................................................9

    1-4-10- توصیف کننده های برش مولکولی راندیک........................................................................................10

    1-4-11- توصیف کننده های سه بعدی مولکولی. .............................................................................................10

    1-4-12- توصیف کننده های تصویری مولکولی...............................................................................................10

    1-4-13- توصیف کننده های توزیع شعاعی......................................................................................................11

    1-4-14- توصیف کننده های گروههای عاملی .................................................................................................11

    1-4-15- توصیف کننده های بخش های متصل به اتم مرکزی..........................................................................11

    1-4-16- توصیف کننده های جانمایی توپولوژی – هندسی.............................................................................11

    1-4-17- توصیف کننده های تجربی مولکول....................................................................................................11

    1-4-18- توصیف کننده های ویژگی مولکولی..................................................................................................12

    1-5- روش های مختلف مدلسازی ریاضی........................................................................................................12

    1-5-1- روش رگرسیون خطی چند گانه...........................................................................................................12

    1-5-1-1- تاریخچه...........................................................................................................................................12

    1-5-1-2- مفروضات رگرسیون............................................................................................................13

    1-5-1-3- روش ورود متغیر ها در رگرسیون.......................................................................................14

    1-5-1-4- آزمون هم خطی...................................................................................................................15

    1-5-2- روش ماشین بردارپشتیبان.....................................................................................................................17

    1-5-2-1- مقدمه................................................................................................................................................17

    1-5-2-2-اصول کار وخلاصه استفاده عملی از ماشین بردار پشتیبان.................................................................17

    1-5-3- روش شبکه های عصبی مصنوعی.........................................................................................................20

    1-5-3-1- مقدمه..................................................................................................................................20

    1-5-3-2- مفهوم شبکه عصبی مصنوعی..............................................................................................20

    1-5-3-3- تاریخچه ی شبکه های عصبی..........................................................................................................21

    1-5-3-4- نرون ها............................................................................................................................................22

    1-5-3-5- توابع انتقال.......................................................................................................................................24

    1-5-3-6- شبکه ها............................................................................................................................................25

    1-5-3-7- انواع شبکه ها.........................................................................................................................................................27

    1-5-3-8- مزایا و معایب.........................................................................................................................................................29

    1-5-3-9- کاربرد های شبکه عصبی مصنوعی...................................................................................................................30

    1-6-آنالیز بهینه شده آفت کش ها و علف کش ها.............................................................................................32

    1-7- معرفی نرم افزار.........................................................................................................................................34

    1-7-1- نرم افزار20 .SPSS............................................................................................................................34

    1-7-2- نرم افزار Hyper chem 0.7............................................................................................................34

    1-7-3- نرم افزارDragon 2.1 .................................................................................................................... 34

    1-7-4-نرم افزار STATISTICA 0.8  .......................................................................................................35

    فصل دوم-  پیشینه تحقیق..................................................................................................................37

    - مطالعات کمومتری انجام شده بر روی زمان های بازداری آفت کش ها.................................................38

    فصل سوم- بخش تجربی......................................................................................................................43

    3-1- رسم ساختارهای مولکولی.........................................................................................................................44

    3-2- بهینه سازی ساختارهای مولکولی..............................................................................................................44

    3-3- محاسبه توصیف کننده های مولکولی........................................................................................................46

    3-4- استفاده از نرم افزار Excel 2010    Microsoft...................................................................................46

    3-5- کاهش تعداد توصیف کننده های مولکولی................................................................................................47

    3-6- دسته بندی داده ها.....................................................................................................................................48

    3-7- مدل سازی خطی برای پیش بینی زمان بازداری........................................................................................48

    3-8- مدلسازی با روش های غیر خطی.............................................................................................................49

    فصل چهارم- بحث و نتیجه گیری................................................................................................51

    4-1- نتایج حاصل از روش رگرسیون خطی چند گانه گام به گام.....................................................................52

    4-2- طراحی روند برای آموزش ماشین بردار پشتیبان.......................................................................................61

    4-3- نتایج بدست آمده با استفاده از روش ماشین بردار پشتیبان.......................................................................63

    4-4- طراحی روند برای آموزش شبکه های عصبی مصنوعی............................................................................66

    4-5- نتایج بدست آمده با استفاده از روش شبکه های عصبی مصنوعی...........................................................66

    4-6- مقایسه نتایج حاصل از سه روشSW-MLR و SVM و ANN................................................................68

    4-7- توضیح توصیف کننده های مولکولی........................................................................................................70

    4-8- نتیجه گیری............................................................................................................................................73

    4-9- پیشنهادات برای کارهای بعدی..............................................................................................................73

    پیوست...........................................................................................................................................74

    منابع...............................................................................................................................................98

    چکیده انگلیسی..........................................................................................................................101

    .

    منبع:

     

    [1] G. W. Enix, H. W. Zwanziger, S. Geiss, (1997), Cemomertics in environmental analysis.  

    [2]  Huitao. Liu, Ping. Han, Yingying. Wen, Feng. Luan. Gao, Xiuyong Li, (2010), Dyes and Pigments, 148-152. 

    [3] Brown, N. M. D, Bladon, P. (1965), The Proton magnetic resonance spectra of 4-pyrone,1-thia-4-pyrone, 4-thiopyrone and 1-thia-4-thiopyrone. Spectro Chimica Acta. 21, 1277.

    [4] G. W. Enix, H. W. Zwanziger, S. Geiss, (1997), Cemomertics in environmental analysis. 

    [5] D. L. Massan, B. G. M. Vandeyinst, S. N. Deming, L. Kuffman, (1988),  Chemomitrics, A Text Book Elsevier, Amesterdam.

    [6]   Jalali-Heravi, M. Parastar, F. (2000), Development of comprehensive descriptors for

            multiple linear regression and artificial neural network modeling of retention

            behaviors of a variety of compounds on diffferent stationary phases,

            J.Chromatographya, 903, 145-154.

     

    [7]   Barros, a. s. Rutledge, D. N. Genetic algorithm applied to the selection of principal

           components, (1998), Chemoment. Intell. Lab. Syst, 40, 65.

     

    [8] فلاح زاده ابرقویی، ابوذر، 1390، ارزیابی اندیس های بازداری مونو متیل آلکانها در سوخت های فسیلی با استفاده از روش های کمو متری، دانشگاه پیام نور اردبیل، پایان نامه کارشناسی ارشد شیمی تجزیه

    [9]  Todeschini, R. Milano Chemometrics and QSPR Group, (http:// www.disat.Unimib. it/vhml/).

    [10]   Neter, J. Wasserman, W. Kutner, M. (1989), Applied Linear Regression Models,

              Home Wood.

    [11]   Pearson, K. (1901),  Philosophical Magazine, 2, 557.

    [12]   Hotelling, H. J. (1933), Edu. Pysych, 24, 417 and 498.

    [13]   Neter, J. Wasserman, W. Kutner, M. (1989), Applied Linear Regression Models,

              Home Wood.                        

       [14]اکبری فرود، اصغر، پازکی، محمد، غلامزاده، مهدی، 1388، پیش بینی پایداری گذرا با روش ترکیبی الگوریتم بهینه سازی اجتماع ذرات و ماشین بردار پشتیبان، تهران، بیست و چهارمین کنفرانس بین المللی برق.

    98

     

    [15]  Cheristophe, J. C. B. (1998)," A tutorial on support vector machine for

             Pattern recognition",  Data mining and knoweledgement discovery.

     

       [16]منهاج، محمد باقر، 1379،  مبانی شبکه های عصبی، انتشارات دانشگاه امیر کبیر.

       [17] شاه امیری، سید رضا، 1385، معرفی شبکه های عصبی مصنوعی، دانشگاه آزاد اسلامی واحد نجف آباد، مهندسی کامپیوتر- نرم افزار، مجله الکترونیکی پژوهشگاه اطلاعات و مدارک علمی ایران.

    [18]  Hebb, D. O. (1949), the organization of behavior. Wiley.

    [19]  Zupan, J. (1994), Introduction to artificial neural network Method : What they are

              and how to use them, Acta. Chim. Slov. 41, 327-352.

    [20] سلیمانی رودی، پریسا، گلیان، ابوالقاسم، صدقی، محمد، 2012، مقایسه مدل های رگرسیون خطی چند گانه و شبکه های عصبی مصنوعی برای پیش بینی اسید های آمینه ازرن مرواریدی با استفاده از تجزیه تقریبی، نشریه پژوهش های علوم دامی ایران، 368-363.

    [21]  Zupan, J. Novic, M. (1997),  General type of a uniform and reversible representation

             of chemical structures, Anal. Chim. Acta, 348, 409-418.

    [22]  Mukesh, D. (1996),  application of neural computing for process chemists,

             J.Chem. edu, 73, 518.

    [23]  Habibi-Yangjeh, A, Dnandeh-Jenaghard, M. Nooshyar, M. (2006), Application of  

             artificial neural networks for predicting the aqueous acidity of various phenols using  

             QSAR. J. Mol. Model, 12, 338-347.

    [24]  HyperChem Release. 8.0, Hyper Club, Inc (http://www.hyper.com)

    [25]  Multi-Residue Pesticide screening method using GC/MS, (www.Phenomenex.com),

             Inc, 411 madrid Ave., Torrance, CA, 90501.

    [26]  M. Jalali-Heravi, Z. Garkani-Nejad, (2002), Use of self-training artificial neural

             networks in modeling of gas chromatographic relative retention times of a variety of

             organic compounds, J. Chromatography A, 945, 173-184.

     

    [27]  Hongbin Du, Zbigniew Ring, Yevgenia Briker, Patricia Arboleda, (2004), Prediction

             of gas chromatographic retention times and indices of sulfur compounds in light

             cycle oil, Catal. Today 98, 217–225.

     

    [28]  Xiuyong. Li, Feng. Luan, Hongzong. Si, Zhide. Hu, Mancang. Liu, (2007),

              Prediction of retention times for a large set of pesticides or toxicants based on

              support vector machine and the heuristic method, Toxicology Letters, 175, 136-144.

     

    [29]  Jahanbakhsh Ghasemi,  Saeid Asadpour, Azizeh Abdolmaleki, (2007), Prediction of

     

     

    99

             gas chromatography/electron capture detector retention times of chlorinated,

             pesticides, herbicides, and organohalides by multivariate chemometrics methods,

             Anal. Chim. Acta, 588, 200–206.

     

    [30]  Renato L. Carneiro, Jez W.B. Braga, Carla B.G. Bottoli, Ronei J. Poppi, (2007),

             Application of genetic algorithm for selection of variables for the BLLS method

             applied to determination of pesticides and metabolites in wine, Anal. Chim.

             Acta 595, 51–58.

     

    [31]  Alexandru T. Balaban, Douglas J. Kleina, Jeremy E. Dahlb and Robert M. K.

             Carlson, (2007), Molecular Descriptors for Natural Diamondoid Hydrocarbons and

             Quantitative Structure-Property Relationships for Their Chromatographic Data,

             J. Chem, 1, 13-31

     

    [32]  Angelo Antonio D’Archivio, Maria Anna Maggi, Pietro Mazzeo, Fabrizio Ruggieri,

              (2008), Quantitative structure–retention relationships of pesticides in reversed-phase

              high-performance liquid chromatography based on WHIM and GETAWAY

              molecular descriptors, Anal. Chim. Acta 628, 162–172.

     

    [33]   S. Riahi, M. R. Ganjali, E. Pourbasheer, P. Norouzi, (2008), J. Chromatographia, 67,

             917-922.

    [34]  Zahra Dashtbozorgi,  Hassan Golmohammadi, Elahe Konoz, (2013), Support vector

             regression based QSPR for the prediction of retention time of pesticide residues in

             gas chromatography–mass spectroscopy, J. Microchem, 106, 51–60.

     

    [35]  Todeschini, R Consonni, (2000), V. Handbook of Molecular Descriptors. WILEY-

             VCH., Weinheim, Germany.

    .

پروپوزال در مورد پایان نامه پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری, گزارش سمینار در مورد پایان نامه پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری, تز دکترا در مورد پایان نامه پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری, رساله در مورد پایان نامه پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری, پایان نامه در مورد پایان نامه پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری, تحقیق در مورد پایان نامه پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری, مقاله در مورد پایان نامه پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری, پروژه دانشجویی در مورد پایان نامه پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری, تحقیق دانشجویی در مورد پایان نامه پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری, مقاله دانشجویی در مورد پایان نامه پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری, پروژه دانشجویی درباره پایان نامه پیش بینی زمان بازداری برای باقیمانده آفت کش ها در زمین های زراعی با استفاده از روش های کمو متری
ثبت سفارش
عنوان محصول
قیمت