Modelado predictivo de fármacos contra la gripe usando índices topológicos basados en la temperatura y análisis de regresión mediante técnicas de toma de decisiones multicriterio

Por qué importa clasificar los fármacos contra la gripe con matemáticas

Cada invierno, los médicos recurren a una caja de herramientas conocida de medicamentos para tratar la influenza y otras infecciones virales. Pero ¿qué fármacos probablemente serán los más eficaces, y cómo podemos comparar rápidamente compuestos prometedores sin realizar costosas y lentas pruebas de laboratorio para cada uno? Este estudio muestra cómo ideas de las matemáticas y la estadística pueden ayudar a priorizar fármacos contra la gripe en la pantalla de un ordenador primero, de modo que solo los candidatos más prometedores avancen a experimentos detallados.

Convertir moléculas en redes

Los investigadores comienzan tratando cada molécula de fármaco como una especie de red: los átomos se convierten en puntos y los enlaces químicos en líneas entre ellos. Este marco, llamado teoría de grafos, permite a los ordenadores analizar la estructura de forma precisa y repetible. Sobre esta base utilizan una familia especial de medidas conocidas como índices basados en la temperatura. Estos índices capturan cuán “conectado” está cada átomo en relación con la molécula completa, de una manera que refleja la estabilidad y cómo podría comportarse la molécula bajo distintas condiciones térmicas. Al calcular estos índices para 20 fármacos relacionados con la influenza —desde antivirales clásicos como oseltamivir hasta agentes reposicionados como ritonavir y azitromicina— el equipo crea una huella numérica compacta para cada compuesto.

Predecir rasgos físicos clave a partir de la estructura

A continuación, el estudio plantea si estas huellas estructurales pueden sustituir mediciones que consumen mucho trabajo. Los autores se centran en cinco propiedades físicas básicas que influyen fuertemente en cómo se comporta un fármaco en el organismo y en su fabricación: punto de ebullición, punto de inflamación (qué tan fácilmente se enciende una sustancia), refractividad molar, polarizabilidad y volumen molar. Usando análisis de regresión —ajustando curvas matemáticas a los datos— relacionan cada índice basado en la temperatura con estas propiedades. En general, las relaciones lineales simples no bastan. En su lugar, ecuaciones cúbicas suavemente curvadas capturan mucho mejor las tendencias, explicando a menudo más del 95% de la variación para la refractividad, la polarizabilidad y el volumen, y alrededor del 70% para los puntos de ebullición e inflamación. Esto significa que, una vez conocidos los índices, el modelo puede ofrecer estimaciones iniciales razonablemente precisas de estos rasgos importantes sin realizar nuevos experimentos para cada fármaco.

De las propiedades predichas a candidatos de fármacos clasificados

Saber propiedades físicas aproximadas es útil, pero los desarrolladores de fármacos necesitan en última instancia elegir entre alternativas. Para pasar de la predicción a la elección, los autores aplican dos métodos de apoyo a la decisión ampliamente usados en ingeniería y economía: el Modelo de Suma Ponderada y el Modelo de Producto Ponderado. Ambos métodos tratan cada índice como un “criterio” separado y luego los combinan en una única puntuación global para cada fármaco, suponiendo que valores de índice más altos son generalmente favorables. En esencia, simulan un panel de jueces que puntúa cada compuesto en varias dimensiones estructurales a la vez y luego promedian esos juicios de forma sistemática.

Qué dicen los modelos sobre fármacos concretos

Cuando todo se aclara, emerge un patrón consistente. La azitromicina, más conocida como un antibiótico común, asciende a la cima en ambos esquemas de clasificación, con ritonavir e indinavir cerca detrás. Estos compuestos presentan índices basados en la temperatura particularmente altos y valores predichos para propiedades vinculadas al tamaño molecular y la estabilidad, como la refractividad molar y el volumen. En el otro extremo, fármacos como favipiravir y triazavir tienden a tener puntuaciones estructurales y valores predichos más bajos, situándolos cerca del final de las clasificaciones. El estudio también compara mediciones reales y predichas —por ejemplo, punto de ebullición o volumen molar— para comprobar el realismo de los modelos, encontrando que las ecuaciones cúbicas siguen bien las tendencias generales, aunque les cuesta más con las moléculas más grandes y complejas.

Qué implica esto para futuros tratamientos contra la gripe

Para un lector no especializado, el mensaje es que podemos usar descripciones matemáticas de la forma y la conectividad para reducir qué fármacos contra la gripe merecen más atención antes de pasar al laboratorio. Esto no demuestra que la azitromicina o el ritonavir sean las “mejores” opciones clínicas contra la influenza: la eficacia en el mundo real depende de muchos factores biológicos que aquí no se capturan. Pero sí muestra que los índices basados en la temperatura, combinados con ajuste de curvas y clasificación multicriterio, forman un filtro rápido y económico para priorizar candidatos antivirales. A medida que se diseñen o reposicionen nuevos compuestos, herramientas similares podrían guiar a los investigadores hacia las opciones más prometedoras más rápidamente, ayudando a seguir el ritmo de las cepas de gripe en constante cambio.

Cita: 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

Palabras clave: fármacos contra la influenza, clasificación computacional de fármacos, teoría de grafos en química, modelado QSPR, toma de decisiones multicriterio