دانلود پایان نامه کارشناسی ارشد مدلسازی QSAR سمیت مایعات یونی

دانلود متن کامل پایان نامه مقطع ارشد مهندسی شیمی 

گرایش : تجزیه

عنوان :  مدلسازی QSAR سمیت مایعات یونی

دانشگاه مازندران

   دانشکده شیمی

پایان نامه دوره کارشناسی ارشد در رشته شیمی گرایش تجزیه

عنوان:

مدلسازی QSAR سمیت مایعات یونی

برای رعایت حریم خصوصی نام نگارنده پایان نامه درج نمی شود

(در فایل دانلودی نام نویسنده موجود است)

تکه هایی از متن پایان نامه به عنوان نمونه :

(ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است)

چكيده

سميت  سلولي سري متنوعي از 227 مايع يوني (بدست آمده از پايگاه داده‌ي تاثيرات زيستي مايعات يوني UFT/Merck) حاوي 94 كاتيون ايميدازوليوم، 53 پيريدينيوم، 23 پيروليدينيوم، 22 آمونيوم، 15 پپريدينيوم، 10 مورفولينيوم، 5 فسفونيوم و 5 كويينولينيوم در تركيب با 25 نوع آنيون متفاوت، با استفاده از پارامترهاي ساختاري آنها و با بهره‌گيري از رويكرد QSAR تخمين زده شد. مدل‌هاي خطي و غير خطي جهت پيش‌بيني سميت مايعات يوني با استفاده از روش‌هاي رگرسيون خطي چندگانه (MLR)، شبكه‌ي عصبي پرسپترون چند لايه (MLP NN) و الگوريتم ژنتيك ساخته شدند. كيفيت و اعتبار مدل‌هاي پيشنهادي نيز با استفاده از روش‌هاي ارزيابي داخلي و خارجي مورد بررسي قرار گرفت. همچنين، قلمرو كاربرد مدل نيز براي مدل ارائه شده محاسبه گرديد. نتايج حاصل نشان دادند كه نيمه‌ي كاتيوني مايعات يوني بيشترين سهم را در بروز فعاليت سمي اين تركيبات بر عهده داشته و نيمه‌ي آنيوني داراي سهم كمتري مي‌باشد. اطلاعات ساختاري ارائه شده در اين كار مي‌تواند جهت طراحي منطقي مايعات يوني ايمن‌تر مورد استفاده قرار گيرد.

واژه‌هاي كليدي

مايعات يوني، شبكه‌ي عصبي پرسپترون چندلايه، الگوريتم ژنتيك

 

فهرست مطالب

عنوان                                                                                                                                            صفحه

فصل اول: مقدمه. 1

1-1) اجزاي اصلي QSAR   3

1-2) انواع روش‌هاي QSAR   4

1-3) اهداف QSAR   5

1-4) نگاهي گذرا برمايعات يوني   5

فصل دوم: تئوری.. 8

2-1) جمع‌آوري سري داده‌ها………………………………………………………………………………………………………………..10

2-1-1) روش‌هاي تقسيم بندي سري داده‌ها……………………………………………………………………………………………….10

2-1-1-1) تحليل خوشه‌اي (CA)……………………………………………………………………………………………………….11

2-1-1-2) انواع خوشه‌بندی……………………………………………………………………………………………… …………….12

2-1-1-3) اندازه‌گیری فاصله ……………………………………………………………………………………………………………13

2-1-1-4) دسته‌بندی تفکیکی……………………………………………………………………………………………………………14

2-1-1-4-1) دسته بندی مبهم C- میانگین………………………………………………………………………………………….14

2-1-1-4-2) الگوریتم دسته‌بندی QT………………………………………………………………………………………………15

2-1-1-4-3) خوشه بندي K- میانگین………………………………………………………………………………………………15

2-2) بهینه‌سازی ساختارهای مولکولی…………………………………………………………………………………………………………………………….17

2-3) محاسبه توصیف‌کننده‌های مولکولی   17

2-3-1) توصیف‌کننده‌های ساختاری………………………………………………………………………………………………………………………..19

2-3-2) توصیف کننده‌های توپولوژیکی……………………………………………………………………………………………………………………19

2-3-2-1) توصيف‌كننده‌هاي جزء……………………………………………………………………………………………………………………..19

2-3-2-2) انديس‌هاي توپولوژي   19

2-3-2-3) توصيف‌كننده‌هاي زيرساختاري   20

2-3-2-4) توصيف‌كننده‌هاي محيطي………………………………………………………………………………………………………………….20

2-3-3) توصيف‌كننده‌هاي هندسي.. 20

2-3-4) توصیف‌کننده‌های الکترونی.. 21

2-3-5) توصیف‌کننده‌های فیزیکو شیمیایی………………………………………………………………………………………………………………..21

2-3-6) توصیف‌کننده‌های توسعه یافته………………………………………………………………………………………………………………………21

2-3-7) توصیف‌کننده‌های LFER……………………………………………………………………………………………………………………………22

2-4) تجزیه و تحليل آماري توصيف‌کننده‌ها و انتخاب مؤثرترین آنها…………………………………………………………………………………..22

2-4-1) الگوريتم ژنتيك (GA)……………………………………………………………………………………………………………………………….23

2-4-1-1) اصول الگوريتم‌هاي ژنتيكي…………………………………………………………………………………………………24        2-4-1-2) روش‌های انتخاب…………………………………………………………………………………………………………………….25

2-5) ایجاد مدل­های آماری 26

2-5-1) رگرسیون خطی چندگانه…………………………………………………………………………………………………………..26

2-5-2) شبکه‌هاي عصبی پرسپترون چندلايه(MLP)…………………………………………………………………………………….27

2-5-2-1) تک نرون و ساختار (MLP)………………………………………………………………………………………………..28

2-5-2-2) پرسپترون چند لايه……………………………………………………………………………………………………………30

2-5-2-3) آموزش شبکه‌هاي عصبی MLP……………………………………………………………………………………………30

2-6) انتخاب بهترين مدل و ارزيابي اعتبار مدل انتخاب شده 33

2-6-1) قلمرو كاربرد مدل………………………………………………………………………………………………………………….37

2-7) نرم افزارهای مورد استفاده………………………………………………………………………………………………………………………………………………………………38

2-7-1) بسته نرم افزاري Hyperchem………………………………………………………………………………………………………………………38

2-7-2) بسته نرم افزاري MOPAC…………………………………………………………………………………………………………………………..38

2-7-3) بسته نرم افزاريSTATISTICA  39

2-7-4) نرم افزار دراگون. 39

2-7-5) نرم افزار CODESSA………………………………………………………………………………………………………………………………..39

فصل سوم: مدلسازی QSAR سمیت مایعات یونی.. 41

3-1) روش كار  43

3-1-1) سری داده‌ها………………………………………………………………………………………………………………………………………………43

3-1-2) محاسبه و پيش‌پردازش توصیف‌کننده‌ها…………………………………………………………………………………………………………53

3-1-3) انتخاب اعضاي سري‌هاي آموزشي و ارزيابي به روش خوشه‌بندي k-ميانگين……………………………………………………….54

3-1-4) انتخاب بهترين توصيف كننده و مدل‌سازي خطي…………………………………………………………………………………………….55

3-1-5) مدلسازی غیر خطی با شبكه‌ي عصبی مصنوعی پرسپترون چند لايه. 56

3-2) بحث و نتيجه‌گيري   57

3-2-1) تفسير توصيف‌كننده‌ها………………………………………………………………………………………………………………………………..75

3-2-2) بررسي نتايج……………………………………………………………………………………………………………………………………………..61

3-2-3) ارزيابي نتايج مدل………………………………………………………………………………………………………………………………………63

3-3) جمع‌بندي نهايي   65

فصل چهارم: پيش‌بيني دماي ذوب مايعات يوني و نمك‌هاي مربوطه با بهره‌گيري از رويكرد QSPR.. 67

4-1) روش كار  70

4-1-1) سري داده‌ها………………………………………………………………………………………………………………………………………………70

4-1-2) محاسبه و پيش‌پردازش توصيف‌كننده‌ها…………………………………………………………………………………………………………72

4-1-3) تقسيم‌بندي سري داده‌ها توسط روش تحليل خوشه‌اي……………………………………………………………………………………….73

4-1-4) انتخاب متغير و مدل‌سازي خطي……………………………………………………………………………………………………………………74

4-1-5) مدل‌سازي به روش شبكه‌ي عصبي پرسپترون چند لايه (MLP) 77

4-2) بحث و نتيجه‌گيري   79

4-2-1) تفسير توصيف‌كننده‌ها………………………………………………………………………………………………………………………………..79

4-2-2) ارزيابي نتايج مدل‌ها…………………………………………………………………………………………………………………………………..81

4-3) جمع‌بندي نهايي…………………………………………………………………………………………………………………………………………………82

منابع. 83

 

 

 

فهرست شکل­ها

عنوان                                                                                                                                            صفحه

شکل 2-1: طرحي ساده از خوشه بندي سلسله‌اي…………………………………………………………………………………………………………….. 13

شکل 2-2: شمايي كلي از الگوريتم ژنتيك……………………………………………………………………………………………………………………. 25

شکل 2-3: شمايي كلي از يك نرون……………………………………………………………………………………………………………………………… 29

شکل 2-4: ساختار کلی پرسپترون تک لایه…………………………………………………………………………………………………………………….. 29

شکل 2-5: ساختار شبکه پیشرو دولایه با توابع سیگموید در لایه پنهان و لایه خروجی………………………………………………………….. 30

شکل 2-6: کمینه کلی و کمینه محلی……………………………………………………………………………………………………………………………. 31

شکل 2-7: ساختار کلی آموزش با ناظر…………………………………………………………………………………………………………………………. 32

شکل 3-1: شمايي از شبكه‌ي بهينه شده‌ي پرسپترون………………………………………………………………………………………………………….. 57

شکل 3-2: نمودار مقادير تجربي سميت در برابر مقادير محاسبه شده با مدل پرسپترون چند لايه……………………………………………….. 62

شکل 3-3: نتايج تحليل حساسيت………………………………………………………………………………………………………………………………….. 63

شکل 3-4: قلمرو كاربرد مدل ارائه شده به صورت نمودار ويليامز……………………………………………………………………………………… 64

شکل 1-4: نمودار حاصل از آناليز خوشه‌اي……………………………………………………………………………………………………………………. 76

شکل 4-2: نمودار تغيير ضريب همبستگي و لگاريتم خطاي استاندارد مدل در برابر تعداد توصيف‌كننده‌ها…………………………………. 75

شکل 4-3: شبكه‌ي عصبي پرسپترون طراحي شده جهت پيش‌بيني دماي ذوب مايعات يوني…………………………………………………….. 78

  شکل 4-4: نمودار حاصل از تحليل حساسيت…………………………………………………………………………………………………………………… 79

شکل 4-5: قلمرو كاربرد مدل……………………………………………………………………………………………………………………………………….. 81

  

فهرست جدول­ها

عنوان                                                                                                                                            صفحه

جدول 3-1: سری داده‌های سميت تجربی و پیش بینی شده به صورت (log EC50)……………………………………………………………… 44

جدول 3-2: ماتریس ضرایب همبستگی بین توصیف­کننده­های انتخاب شده………………………………………………………………………….. 55

جدول 3-3: آنيون‌هاي متنوع به كار رفته در ساختار مايعات يوني موجود در سري داده………………………………………………………….. 60

جدول 3-4: پايه‌هاي كاتيوني به كار رفته در سري داده……………………………………………………………………………………………………… 61

جدول 3-5: نتايج حاصل از مدل‌هاي خطي و غير خطي…………………………………………………………………………………………………….. 62

جدول 4-1: مقادير پيش‌بيني شده و تجربي دماي ذوب مايعات يوني……………………………………………………………………………………. 70

جدول 4-2: ماتريس ضرايب همبستگي بين توصيف‌كننده‌هاي انتخاب شده………………………………………………………………………….. 76

جدول 4-3: ضرايب و آماره‌هاي مدل MLR………………………………………………………………………………………………………………… 77

جدول 4-4: نتايج حاصل از مدل‌هاي خطي و غيرخطي……………………………………………………………………………………………………… 78

 

 

مقدمه

کمومتریکس[1] يا شيمی سنجی در حقيقت کاربرد علوم آمار، کامپيوتر و رياضی در شيمی می‌باشد [1]. از روش‌های ذکر شده برای درک بهتر اطلاعات شيميايی که در آزمايشگاه بدست مي‌آيد استفاده می‌شود، به اين صورت که با استفاده از تحليل داده‌های شيميايی بدست آمده اطلاعات مفيد استخراج می شود تا با توجه به اين اطلاعات بتوان آزمايش‌های مورد نظر را با بازدهی بهتر طراحي کرد.کاربرد روش‌های رياضی در شيمی سابقه ديرين دارد ولی با توجه به پيشرفت علوم کامپيوتر و کاربرد آن در علوم روش‌های کمومتريکس در دهه اخير پيشرفت بسيار داشته است. در اين دو دهه روش‌های کمومتريکس مختلفی توسط شيميدان‌ها با کمک متخصصين علوم کامپيوتر، رياضی و آمار ارائه شده است. بسياری از شيميدان‌ها و کساني که از روش‌های کمومتريکس استفاده مي‌کنند دانشمند سوئدی به نام ولد[2]را به عنوان اولين کسی که اين روش‌ها را معرفی کرده است نام می‌برند و به او لقب پدر علم کمومتریکس را داده‌اند [2]. کمومتریکس درشاخه­های مختلف شیمی مورد استفاده قرار می‌گیـرد. بـرخی از کاربرد­هاي آن شامل کنترل فرآیندها، تجزیه و تحلیل و شناخت الگوها، پردازش علائم و بهینه کردن شرایط می­باشد.  یکی از زمینه­های مهم کاربرد کمومتریکس در مطالعاتی است که خواص مولکولها را به ویژگی­های ساختاری آنها نسبت می­دهد. موارد خاصی از این تحقیقات و مطالعات شامل موارد رابطه‌ي كمي ساختار-فعاليت[3](QSAR)، رابطه‌ي كمي ساختار-سميت[4](QSTR)، رابطه‌ي كمي ساختار-خصوصيت[5](QSPR) است که به منظور سهولت و کلی نگری تمامی این موارد تحت عنوان QSAR قرار می گیرند.

1-1) اجزاي اصلي QSAR

يك رابطه ي كمي‌ساختار – فعاليت از سه بخش مجزاي زير تشكيل مي‌گردد  ;[3]

  • داده‌هاي معتبر مربوط به فعاليت يا ويژگي مورد مطالعه كه بايد مدل سازي و در نهايت پيش بيني شوند. تعدادي از خصوصياتي كه مي‌توانند براي مدل سازي QSAR مورد استفاده قرار گيرند به شرح زير مي‌باشند: فعاليت دارويي، فعاليت سمي، خصوصيات فيزيكوشيميايي و تاثيرات سموم شيميايي در محيط زيست.
  • توصيف‌كننده‌ها[6] يا همان متغيرهايي كه مدل براساس آنها ساخته مي‌شود. ويژگي‌هاي هر ملكول كه معمولا با در نظر گرفتن ساختار ملكولي به صورت كمي‌محاسبه مي‌شوند، در واقع همان متغير‌هاي مورد استفاده در مدل سازي مي‌باشند.
  • روشي (اعم از رياضي يا آماري) كه براي فرمول بندي مدل از آن استفاده مي‌گردد.

روش‌هاي بسياري جهت مدل سازي QSAR به كار مي‌روند كه تعدادي از آن‌ها به قرار زير مي‌باشند:

رگرسیون خطی چند تایی (MLR)[7]، روشي ریاضی است که معمولا برای برقراری ارتباط بین ویژگی­های ساختاری مولکول و خواص آن در مطالعات QSPR/QSAR به کار می­رود. این روش هنگامی که بین توصیف­کننده­ها بر­هم­کنشی وجود نداشته و ارتباط آن­ها با فعالیت مورد نظر خطی باشد مفید است.[4]

شبکه عصبی مصنوعی (ANN)[8]، كه با تقليد از شبكه­هاي عصبي بيولو‍ژيكي مثل مغز انسان ساخته شده­اند الگويي براي پردازش اطلاعات مي­باشند كه بر پايه اتصال به هم پيوسته چندين واحد پردازشي عمل مي­كنند [5].

ماشین بردار پشتیبان (SVM)[9]، يكي دیگر از روش­هاي يادگيري راهنمایی شده است كه از آن براي طبقه بندي و آناليز رگرسيون استفاده مي­كنند[6] .

كمترين مربعات جزيي (PLS)[10]، اين روش با روش MLR، تفاوت چنداني ندارد. تنها فرضياتي كه براساس آن ضرايب متغيرهاي مدل محاسبه مي‌گردند در دو روش با هم متفاوت است[7] .

1-2) انواع روشهای QSAR

روش‌هايQSAR  را مي‌توان به سه گروه تقسيم‌بندي کرد[8]. اولين روش، QSAR دو بعدی است که در آن ساختار سه ‌بعدي مولکول در نظر گرفته نمی‌شود. در اين روش مولکول با استفاده از يک سري توصيف‌کننده‌هاي مولکولي نمايش داده مي‌شود که مقادير عددي آن مشخصه مفاهيم متنوعی از ساختار مولکولي است و در مجموع با در نظر گرفتن فعاليت مشاهده شده مدل پيشگو ساخته مي‌شود.

روش دوم QSAR سه بعدی است که بطور مثال با رهيافت CoMFA[11] نشان داده مي‌شود [8]. در اين روش ساختار سه بعدي مولکول مورد بررسي قرار مي‌گيرد. به این منظور ابتدا مولکول در يک شبکه منظم سه‌ بعدي قرار گرفته و سپس برهمکنش‌هاي الکتروستاتيک و فضايي بين مولکول مورد نظر و يک اتم فرضي قرار گرفته در محل نقاط تقاطع اين شبکه توري مانند (مثل کربن)، محاسبه شده و به عنوان توصيف‌کننده استفاده مي‌شود تا با ايجاد مدل، برهمکنشهاي الکتروستاتيک و فضايي مطلوب بدست آيد. به وضوح اين روش مزاياي بسيار زيادي نسبت به روش ساده‌تر دو بعدي دارد اما پيچيدگي‌هاي آن نيز بيشتر است.

روش سوم که QSAR چهار بعدی است، يک روش توسعه يافته از QSAR سه بعدی مي‌باشد و توسط هاپفينگر[12] و همکارانش ارائه شد [9] که اطلاعات مربوط به صورتبندي را در بعد چهارم در نظر مي‌گيرد. مشابه با روش CoMFA،  QSARچهار بعدی با مشخص کردن يک مجموعه از نقاط شبکه که خصوصيات مولکول را ارزيابي کند شروع مي‌شود. اين روش علاوه بر نقاط شبکه از کل صورتبندي، نمونه برداري کرده و از اطلاعات بدست آمده از آن استفاده مي‌کند تا سلولهاي اشغال شده در شبکه را ارزيابي کند و از اين خصوصيات مولکولي براي ساختن مدل استفاده مي‌کند.

 

1-3) اهداف QSAR

روابط كمي‌ساختار – فعاليت بايد به عنوان ابزاري علمي‌تلقي گردند كه اجازه ي كشف و همچنين تجزيه و تحليل روابط نهفته در ميان داده‌هاي موجود را به ما مي‌دهند. اهداف زيادي را از ايجاد يك QSAR مي‌توان برشمرد كه تعدادي از آنها به صورت زير است[8]:

1- پيش بيني فعاليت زيستي وخصوصيات فيزيكو- شيميايي

2- درك بهتر مكانيسم عمل دريك سري از تركيبات شيميايي

3- صرفه جويي درهزينه‌هاي توليد محصول ( داروها ، آفت كش‌ها ، و تركيبات شيميايي جديد)

4- كاهش دادن ودربرخي موارد حتي جايگزيني استفاده از حيوانات آزمايشگاهي

با توجه به این اهداف، مدل سازی خصوصیات مایعات یونی که از پرکاربردترین ترکیبات در علم شیمی بشمار می­روند، می­تواند بسیار مفید واقع گردد. در ادامه مایعات یونی به صورت مختصر معرفی گردیده­اند.

 

1-4) نگاهي گذرا برمايعات يوني

مايعات يوني اولين بار در سال ١٩١٤ با سنتز اتيل آمونيوم نيترات (نقطه ذوب C˚12) شناخته شدند اما تا سال ١٩۵١ كاربرد گسترده اي نداشتند [10] . در پی يافتن روش جديدي براي تهيه آلومينيم به طريق آبكاري[13] با مخلوط كردن دو پودر سفيد رنگ آلكيل پيريدينيوم كلريد با 3AlCl مشاهده شد که اين دو با يكديگر واكنش مي‌دهند و مايع بي رنگ آلكيل پيريدينيوم تتراكلروآلومينات توليد مي‌شود[11] . با اين توصيف همچنان به اين دسته از تركيبات فقط با كنجكاوي نگاه مي‌شد تا اينكه در چند دهه اخير به عنوان جايگزين، براي حلال‌هاي آلي متداول واكنش‌هاي شيميايي مطرح شدند. به طور كلي تعريف‌هاي گوناگوني براي يك مايع يوني وجود دارند كه شايد پذيرفته شده‌ترين آنها «يك ماده متشكل از يون‌ها با نقطه ذوب پايين‌تر از 100 درجه‌ي سانتي‌گراد» باشد [12] . مايعات يوني را با نام هاي نمك هاي مذاب[14]، مايعات يوني غيرآبي[15] يا مايعات يوني دماي اتاق[16] نيز مي‌شناسند[13] . اگر دمای ذوب نمک زیر دمای اتاق (25درجه‌ي سانتی‌گراد) باشد به آن مايع يوني دماي اتاق مي‌گویند. اين تركيبات متشكل از یک کاتیون آلی غیر متقارن سنگین شامل فسفر یا نیتروژن مانند آلكیل ایمیدازولیوم، پیرولیدینیوم، آمونیم، فسفونیوم و انواع مختلفی از آنیون‌های آلی مانند تری فلئورو استات و یا آنيون‌هاي معدنی کلرید، برمید، تترافلئوروبورات و هگزافلئوروفسفات و … می‌باشند [13]. ترکیب آنیون‌ها و کاتیون‌های مختلف به طور گسترده تعداد مایعات یونی را گسترش داده‌است و تاکنون بیش از 2000 مایع یونی شناخته شده‌اند. از آنجا که معمولا می‌توان با اتصال یک کاتیون و آنیون خاص مایع یونی مورد نیاز برای یک کاربرد به خصوص را تولید کرد به این حلال‌ها، حلال‌ طراح[17] نيز گفته می‌شود[12] .

مهمترين ويژگي‌هاي مايعات يوني عبارت‌اند از:[14]

  • خواص فيزيكي مايعات يوني با تغيير تركيب شيميايي آنيون‌ها و كاتيون‌ها تغيير مي‌كنند.
  • مايعات يوني غير فرارند بنابراين در سيستم‌هاي با خلاء زياد قابل استفاده‌اند كه اين موضوع از بروز برخي مشكلات فرايندي جلوگيري مي‌كند.
  • بسياري از تركيبات آلي و معدني در آنها قابل حل‌اند.
  • عدم حلاليت مايعات يوني در برخي از حلال‌ها (مانند آلكان‌ها) يك محيط قطبي غير آبي ايجاد مي‌كند كه اين عامل، در سيستم‌هاي جداسازي دو فازي و چند فازي، بازيابي كاتاليست را (فرايند سبز) آسان مي‌كند.
  • اين تركيبات مي‌توانند، نه تنها به عنوان يك حلال، بلكه به عنوان يك كاتاليست فعال نيز در واكنش شركت كنند.

همچنين مایعات یونی خواص بی نظیر ديگری از قبیل پنجره‌ي الکتروشیمیایی وسيع، هدایت الکتریکی زیاد، تحرک یونی، گستره‌ي دمایی مايع وسيع، به شدت سولواته کننده، عدم فراريت، اشتعال ناپذیري و گستره‌ي پایداری گرمایی وسیع نیز دارند.

[1]. Chemometrics

[2].  Wold

[3]. Quantitative structure activity relationship

[4]. Quantitative structure toxicity relationship

[5]. Quantitative structure property relationship

[6]. Descriptors

[7]. Multiple linear regression

[8]. Artificial neural network

[9]. Support vector machine

[10]. Partial least square

  1. 1. Comparative molecular field analysis
  2. 2. Hopfinger

[13] . Electroplate

[14]. Molten salts

[15]. Non aqueous ionic liquids

[16].  ionic liquids

[17]. Designer solvent

 

تعداد صفحه : 100

قیمت :14700 تومان

بلافاصله پس از پرداخت لینک دانلود فایل در اختیار شما قرار می گیرد

و در ضمن فایل خریداری شده به ایمیل شما ارسال می شود.

:        ****       info@elmyar.net

در صورتی که مشکلی با پرداخت آنلاین دارید می توانید مبلغ مورد نظر برای هر فایل را کارت به کارت کرده و فایل درخواستی و اطلاعات واریز را به ایمیل ما ارسال کنید تا فایل را از طریق ایمیل دریافت کنید.

***  *** ***

جستجو در سایت : کلمه کلیدی خود را وارد نمایید :

 
 

مطالب مشابه را هم ببینید

 

فایل مورد نظر خودتان را پیدا نکردید ؟ نگران نباشید . این صفحه را نبندید ! سایت ما حاوی حجم عظیمی از پایان نامه های دانشگاهی است. مطالب مشابه را هم ببینید. برای یافتن فایل مورد نظر کافیست از قسمت جستجو استفاده کنید. یا از منوی بالای سایت رشته مورد نظر خود را انتخاب کنید و همه فایل های رشته خودتان را ببینید