Modélisation prédictive des médicaments contre la grippe à l’aide d’indices topologiques basés sur la température et d’analyses de régression via des techniques de décision multicritère

Pourquoi il est utile de classer les médicaments contre la grippe avec des outils mathématiques

Chaque hiver, les médecins puisent dans une boîte à outils familière de médicaments pour traiter la grippe et d’autres infections virales. Mais quels médicaments ont le plus de chances d’être efficaces, et comment comparer rapidement de nouveaux composés prometteurs sans réaliser des tests de laboratoire coûteux et chronophages pour chacun d’eux ? Cette étude montre comment des concepts issus des mathématiques et des statistiques peuvent aider à prioriser les médicaments contre la grippe d’abord sur écran — afin que seuls les candidats les plus prometteurs soient sélectionnés pour des expérimentations détaillées.

Transformer les molécules en réseaux

Les chercheurs commencent par traiter chaque molécule médicamenteuse comme une sorte de réseau : les atomes deviennent des points et les liaisons chimiques deviennent des lignes entre eux. Ce cadre, appelé théorie des graphes, permet aux ordinateurs d’analyser la structure de manière précise et reproductible. Par-dessus cela, ils utilisent une famille particulière de mesures connues sous le nom d’indices basés sur la température. Ces indices rendent compte de la « connectivité » de chaque atome par rapport à l’ensemble de la molécule, d’une façon qui reflète la stabilité et le comportement possible de la molécule sous différentes conditions thermiques. En calculant ces indices pour 20 médicaments liés à la grippe — allant d’antiviraux classiques comme l’oseltamivir à des agents réaffectés tels que le ritonavir et l’azithromycine — l’équipe crée une empreinte numérique compacte pour chaque composé.

Prédire des propriétés physiques clés à partir de la structure

Ensuite, l’étude se demande si ces empreintes structurelles peuvent se substituer à des mesures laborieuses. Les auteurs se concentrent sur cinq propriétés physiques de base qui influencent fortement le comportement d’un médicament dans l’organisme et en production : point d’ébullition, point d’éclair (facilité d’inflammation), réfraction molaire, polarisabilité et volume molaire. En utilisant l’analyse de régression — ajustement de courbes mathématiques aux données — ils relient chaque indice basé sur la température à ces propriétés. De manière générale, des relations linéaires simples ne suffisent pas. À la place, des équations cubiques légèrement courbées captent beaucoup mieux les tendances, expliquant souvent plus de 95 % de la variation pour la réfraction, la polarisabilité et le volume, et environ 70 % pour les points d’ébullition et d’éclair. Cela signifie qu’une fois les indices connus, le modèle peut fournir des estimations initiales raisonnablement précises de ces caractéristiques importantes sans réaliser de nouvelles expériences pour chaque médicament.

Des propriétés prédites aux candidats médicaments classés

Connaître des propriétés physiques approximatives est utile, mais les développeurs de médicaments doivent finalement choisir entre plusieurs options. Pour passer de la prédiction au choix, les auteurs appliquent deux méthodes d’aide à la décision largement utilisées en ingénierie et en économie : le modèle de somme pondérée et le modèle de produit pondéré. Les deux méthodes traitent chaque indice comme un « critère » distinct puis les combinent en un score global unique pour chaque médicament, en supposant que des valeurs d’indice plus élevées sont généralement préférables. En substance, ils simulent un jury qui note chaque composé sur plusieurs dimensions structurelles à la fois puis agrège ces jugements de manière systématique.

Ce que disent les modèles au sujet de médicaments spécifiques

Au final, un schéma cohérent émerge. L’azithromycine, mieux connue comme antibiotique courant, arrive en tête des deux systèmes de classement, suivie de près par le ritonavir et l’indinavir. Ces composés présentent des indices basés sur la température particulièrement élevés et des valeurs prédites pour des propriétés liées à la taille moléculaire et à la stabilité, comme la réfraction molaire et le volume. À l’autre extrémité, des médicaments comme le favipiravir et la triazavir montrent généralement des scores structurels et des valeurs prédites plus faibles, les plaçant près du bas du classement. L’étude compare également mesures réelles et prédites — par exemple le point d’ébullition ou le volume molaire — pour vérifier le réalisme des modèles, constatant que les équations cubiques suivent bien les tendances générales, même si elles peinent avec les molécules les plus grandes et les plus complexes.

Ce que cela signifie pour les futurs traitements de la grippe

Pour un lecteur non spécialiste, le message est que l’on peut utiliser des descriptions mathématiques de la forme et de la connectivité pour réduire la liste des médicaments contre la grippe qui méritent le plus d’attention avant d’entrer au laboratoire. Cela ne prouve pas que l’azithromycine ou le ritonavir sont les « meilleurs » choix cliniques contre la grippe — l’efficacité en conditions réelles dépend de nombreux facteurs biologiques non pris en compte ici. Mais cela montre que les indices basés sur la température, combinés à l’ajustement de courbes et au classement multicritère, constituent un filtre rapide et peu coûteux pour prioriser les candidats antiviraux. À mesure que de nouveaux composés sont conçus ou réaffectés, des outils similaires pourraient guider plus rapidement les chercheurs vers les options les plus prometteuses, aidant à suivre le rythme des souches grippales en constante évolution.

Citation: 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

Mots-clés: médicaments contre la grippe, classement computationnel des médicaments, théorie des graphes en chimie, modélisation QSPR, prise de décision multicritère