Prädiktive Modellierung von Influenza‑Wirkstoffkandidaten mithilfe temperaturbasierter topologischer Indizes und Regressionsanalyse durch mehrkriterielle Entscheidungsfindung

Warum die mathematische Rangfolge von Grippe‑Medikamenten wichtig ist

Jeden Winter greifen Ärztinnen und Ärzte auf einen vertrauten Werkzeugkasten von Arzneimitteln zurück, um Influenza und andere virale Infektionen zu behandeln. Aber welche Wirkstoffe sind vermutlich am effektivsten, und wie lässt sich schnell eine vergleichende Bewertung vielversprechender neuer Verbindungen durchführen, ohne für jede einzelne teure und zeitaufwändige Labortests durchzuführen? Diese Studie zeigt, wie Ideen aus Mathematik und Statistik helfen können, Grippe‑Medikamente zuerst am Computer zu priorisieren, sodass nur die aussichtsreichsten Kandidaten in detaillierte Experimente übergehen.

Moleküle als Netzwerke darstellen

Die Forschenden beginnen damit, jedes Wirkstoffmolekül als eine Art Netzwerk zu betrachten: Atome werden zu Punkten und chemische Bindungen zu Linien dazwischen. Dieses Gerüst, die Graphentheorie, ermöglicht es Computern, Struktur auf eine präzise und wiederholbare Weise zu analysieren. Darauf aufbauend verwenden sie eine spezielle Familie von Messgrößen, die als temperaturbasierte Indizes bezeichnet werden. Diese Indizes fassen zusammen, wie „vernetzt“ jedes Atom im Verhältnis zum gesamten Molekül ist, in einer Weise, die Stabilität und das Verhalten der Verbindung unter verschiedenen thermischen Bedingungen widerspiegelt. Indem sie diese Indizes für 20 influenza‑relevante Wirkstoffe berechnen — von klassischen Grippeantiviralia wie Oseltamivir bis hin zu umgenutzten Wirkstoffen wie Ritonavir und Azithromycin — erstellen die Forschenden für jede Verbindung einen kompakten numerischen Fingerabdruck.

Wichtige physikalische Eigenschaften aus der Struktur vorhersagen

Im nächsten Schritt untersucht die Studie, ob diese strukturellen Fingerabdrücke arbeit‑ und kostenintensive Messungen ersetzen können. Die Autorinnen und Autoren konzentrieren sich auf fünf grundlegende physikalische Eigenschaften, die das Verhalten eines Arzneistoffs im Körper und in der Produktion stark beeinflussen: Siedepunkt, Flammpunkt (wie leicht eine Substanz entzündlich ist), molares Brechungsvermögen, Polarisierbarkeit und Molvolumen. Mithilfe von Regressionsanalysen — dem Anpassen mathematischer Kurven an Daten — setzen sie jeden temperaturbasierten Index in Beziehung zu diesen Eigenschaften. Über alle Fälle hinweg genügen einfache Geradengleichungen nicht. Stattdessen erfassen sanft gekrümmte kubische Gleichungen die Zusammenhänge deutlich besser und erklären häufig über 95 % der Variation für Brechungsvermögen, Polarisierbarkeit und Volumen sowie etwa 70 % für Siede‑ und Flammpunkt. Das heißt: Sind die Indizes bekannt, kann das Modell brauchbare Ersteinschätzungen dieser wichtigen Eigenschaften liefern, ohne für jedes Medikament neue Experimente durchführen zu müssen.

Von vorhergesagten Eigenschaften zu gereihten Wirkstoffkandidaten

Ungefähre physikalische Eigenschaften zu kennen ist nützlich, aber Entwicklerinnen und Entwickler von Arzneimitteln müssen letztlich zwischen Alternativen wählen. Um von Vorhersage zu Entscheidung zu kommen, wenden die Autorinnen und Autoren zwei in Ingenieurwesen und Wirtschaft weit verbreitete Entscheidungsunterstützungsverfahren an: das Weighted Sum Model und das Weighted Product Model. Beide Methoden behandeln jeden Index als eigenes „Kriterium“ und kombinieren sie dann zu einer einzigen Gesamtbewertung für jedes Medikament, wobei angenommen wird, dass höhere Indexwerte im Allgemeinen vorteilhaft sind. Im Kern simulieren sie ein Gremium von Gutachtern, das jede Verbindung gleichzeitig in mehreren strukturellen Dimensionen bewertet und diese Bewertungen systematisch zusammenführt.

Was die Modelle über einzelne Wirkstoffe aussagen

Wenn sich der Staub gelegt hat, zeigt sich ein konsistentes Bild. Azithromycin, besser bekannt als ein übliches Antibiotikum, landet in beiden Ranglisten ganz oben, gefolgt von Ritonavir und Indinavir. Diese Verbindungen weisen besonders hohe temperaturbasierte Indizes und vorhergesagte Werte für Eigenschaften auf, die mit molekularer Größe und Stabilität zusammenhängen, wie molares Brechungsvermögen und Volumen. Am anderen Ende der Skala liegen Wirkstoffe wie Favipiravir und Triazavirin, die tendenziell niedrigere Strukturwerte und vorhergesagte Eigenschaftswerte haben und somit weiter unten in den Ranglisten erscheinen. Die Studie vergleicht außerdem tatsächliche und vorhergesagte Messwerte — etwa Siedepunkt oder Molvolumen — um die Realitätsnähe der Modelle zu prüfen, und stellt fest, dass die kubischen Gleichungen die allgemeinen Trends gut abbilden, auch wenn sie bei den größten und komplexesten Molekülen Schwierigkeiten haben.

Was das für künftige Grippebehandlungen bedeutet

Für eine fachfremde Leserschaft lautet die Botschaft: Mit mathematischen Beschreibungen von Form und Vernetzung lassen sich diejenigen Grippewirkstoffe eingrenzen, die vor einem Laboreinsatz die größte Aufmerksamkeit verdienen. Das beweist nicht, dass Azithromycin oder Ritonavir die „besten“ klinischen Optionen gegen Influenza sind — die Wirksamkeit in der Praxis hängt von vielen biologischen Faktoren ab, die hier nicht erfasst werden. Es zeigt jedoch, dass temperaturbasierte Indizes in Kombination mit Kurvenanpassung und mehrkriteriellen Rangverfahren einen schnellen, kostengünstigen Filter zur Priorisierung antiviraler Kandidaten bilden. Wenn neue Verbindungen entworfen oder umgenutzt werden, könnten ähnliche Werkzeuge Forschende schneller zu den vielversprechendsten Optionen leiten und so helfen, mit den sich ständig verändernden Influenzastämmen Schritt zu halten.

Zitation: Hayat, H., Ahmad, S., Siddiqui, M.K. et al. Predictive modeling of influenza strain drugs using temperature-based topological indices and regression analysis via multi-criteria decision making techniques. Sci Rep 16, 14035 (2026). https://doi.org/10.1038/s41598-026-45284-9

Schlüsselwörter: Influenza‑Medikamente, computergestützte Wirkstoff‑Rangfolge, Graphentheorie in der Chemie, QSPR‑Modellierung, mehrkriterielle Entscheidungsfindung