מודלים מתמטיים ומחשוב של אינדקסים NM‑פולינומיים לחיזוי תכונות פיזיקוכימיות

מדוע זה חשוב עבור תרופות בעתיד

עיצוב תרופה חדשה דומה במידת מה לתכנון כלי טיס: רוצים לדעת כיצד היא תתנהג הרבה לפני שבונים אותה בפועל. עבור תרופות, ההתנהגות הזו כוללת עד כמה קל להן להתאדות, כיצד הן מתמזגות עם מים או שומנים, וכיצד הן נעות בגוף. המאמר הזה מדגים כיצד מתמטיקה מעוצבת בקפידה יכולה לחזות רבות מהתכונות הפיזיקוכימיות הללו מתוך המבנה של התרופה בלבד, ובכך לחסוך זמן, עלות וניסיונות וטעויות בתהליך הגילוי של תרופות.

ממולקולות לרשתות

המחברים מתייחסים למולקולות תרופה לא רק כאוסף אטומים, אלא כרשתות. בתמונה הזו כל אטום הוא נקודה וכל קשר כيمي הוא קו שמחבר שתי נקודות. תיאור כזה נובע מתורת הגרפים, ענף מתמטי החוקר רשתות מכל הסוגים, מקישורים ברשתות חברתיות ועד לרשתות חשמל. כימאים משתמשים ב"גרפים מולקולריים" כאלו כבר עשורים, כי סכמות מספריות מסוימות של גרפים אלה — המוכרות כאינדקסים טופולוגיים — לעתים קרובות עוקבות אחרי אופן התנהגות המולקולות במציאות, כמו עד כמה הן רותחות או מה צפיפותן.

הוספת פרטי שכונה לתמונה

אינדקסים מסורתיים בדרך כלל שואפים רק לכמה קשרים נוגעים בכל אטום. הצוות מאחורי המחקר הזה הולך צעד נוסף. הם משתמשים במה שמכונים אינדקסים על בסיס NM‑פולינום (neighborhood M‑polynomial), שאינם סופרים רק את הקשרים של האטום עצמו אלא גם מסכמים עד כמה השכנים שלו מחוברים. תיאור עשיר יותר זה לוכד דקויות כמו מידת ההתפצלות של מולקולה, אופן חיבור הטבעות ביניהן, ומיקום אטומי חמצן או חנקן בתוך השלד. תכונות אלה בתורן משפיעות על עד כמה מולקולות נדבקות זו לזו, כמה קשיחות יש להן וכיצד האלקטרונים שלהן מגיבים לשדות חשמליים — כל אלה מרכיבים של תכונות פיזיקוכימיות חשובות.

בדיקת הרעיון על תרופות אונקולוגיות אמיתיות

כדי לעגן את המתמטיקה במציאות, המחברים ראשית מחשבים את אינדקסי ה‑NM‑פולינום עבור שני סוכנים אנטי‑סרטן ידועים, מיטוקסנטרון ודוקסורוביצין. שתי התרופות מורכבות ומכילות טבעות מרובות ומשמשות בנפח גבוה בכימותרפיה. על‑ידי תרגום השרטוטים הכימיים המפורטים שלהם לגרפים מולקולריים ואז לאינדקסי NM‑פולינום, המחברים מראים כיצד השיטה עוקבת באופן שיטתי אחרי שינויים מבניים ב"גדלים" שונים של המולקולות. הם גם מאוטומטים תהליך זה באמצעות תוכנית פייתון, שלוקחת את החיבוריות של מולקולה (בצורת מטריצת סמיכות) ומחזירה מיד את סט האינדקסים המלא, מה שממזער טעויות ידניות ומאיץ חישובים שעשויים להיות מייגעים בעבודה ידנית.

לאמן מכונות לקרוא טביעות אצבע מולקולריות

בהמשך, החוקרים מתרחבים מעבר לשתי התרופות הללו לאוסף רחב יותר של 45 תרופות פוליציקליות, כולל שמות נפוצים כמו אצטמינופן, איבופרופן וכמה טיפולים ממוקדים מודרניים. עבור כל תרופה הם מרכיבים תשעה אינדקסי NM‑פולינום ותשע תכונות שנמדדו ניסויית: מורכבות, נקודת רתיחה, אנתלפיית האידוי, נקודת הבהב (flash point), שבירת ממס מולארית (molar refractivity), פולאריזביליות, מתיחות פני השטח, נפח מולארי ומדד השבירה (index of refraction). הם מאמנים מספר מודלים בסגנון רגרסיה של למידת מכונה — ליניארי, Ridge, Lasso ו‑Elastic Net — ללמוד כיצד שילובים של אינדקסים ממופים לתכונה כלשהי. לאורך כל הדרך ננקטות אמצעי זהירות סטטיסטיים: הם מסירים קלטים מיותרים, מאחדים סטנדרטיזציה של משתנים, מבצעים חצאי‑ולידציה חוזרים על 80% מהנתונים ובודקים את הדגמים הסופיים על 20% שלא נוגעו.

מה המספרים מגלים

המודלים מראים שאינדקסי NM‑פולינום חזקים במיוחד עבור תכונות הקשורות לאופן שבו מולקולות נארזות ומתקשרות זו עם זו. עבור נקודת רתיחה, אנתלפיית אידוי, נקודת בהב, שבירת ממס מולארית, פולאריזביליות ונפח מולארי, הדגמים הטובים ביותר מגיעים לציוני קורלציה גבוהים מאוד, כלומר הערכים החזויים עוקבים אחרי המדידות הניסויית באופן הדוק. שיטות רגולריזציה כגון Ridge ו‑Elastic Net לרוב מניבות תוצאות טובות יותר, מה שמרמז שהגבלת המודלים בעדינות עוזרת להם להתרכז בהיבטים המידעיים ביותר של האינדקסים. מפה חום של קורלציות מאשרת שכמה אינדקסים — במיוחד אלה הקשורים לקישוריות הכוללת ו"עושר השכונה" — מיושרים בחוזקה ובעקביות עם תכונות אלה לאורך פנל ה‑45 תרופות.

מגבלות ומקומות לשיפור

לא כל תכונה משתפת פעולה. מדד השבירה, שמתאר כיצד האור מתעקל בעת כניסה לחומר, מתברר כעקשן: הדגמים מתקשים להקדים ממוצעים פשוטים, ואינדקסי NM‑פולינום מציגים רק קורלציות חלשות איתו. מתיחות פני השטח מתקבלת באופן סביר, אך לא בעוצמה כמו שאר התכונות. הפערים הללו מרמזים שחלק מההתנהגויות תלויות בתכונות שמעבר לקישוריות דו‑ממדית, כגון צורה תלת‑ממדית או אפקטים אלקטרוניים עדינים. המחברים מציעים שעבודות עתידיות יכולות לשלב אינדקסי NM‑פולינום עם מתארים קוונטים‑כימיים או מתארי 3D כדי לגשר על הפער הזה.

מה המשמעות לזה בעיצוב תרופות

במילים פשוטות, המחקר מראה שמתמטיקה מסודרת אך מתוחכמת יכולה להפוך שרטוט סטטי של מולקולה למנבא מדויק למופת של אופן התנהגותה במעבדה. עבור רבות מהתכונות החשובות — עד כמה קשה לגרום לה לרתוח, כמה היא מגושמת או עד כמה קל לאלקטרוניה שלה להשתנות — הגישה של NM‑פולינום, בצירוף טכניקות רגרסיה מודרניות, מתחרה ולעתים עולה על שיטות מוקדמות שהשתמשו באינדקסים פשוטים יותר או במערכי נתונים קטנים יותר. אמנם היא עדיין לא מחליפה ניסויים לחלוטין, אך היא מעניקה למעצבי תרופות כלי סינון מהיר: על‑ידי חישוב טביעות אצבע מבוססות גרף ניתן לאמוד תכונות פיזיקוכימיות מרכזיות מוקדם, למקד את העבודה המעשית במועמדים המבטיחים ביותר ולחקור את מרחב הכימיה ביעילות רבה יותר.

ציטוט: Tawhari, Q.M., Naeem, M., Koam, A.N.A. et al. Mathematical Modeling and Computation of NM-Polynomial Indices for Physicochemical Properties Prediction. Sci Rep 16, 8136 (2026). https://doi.org/10.1038/s41598-026-39562-9

מילות מפתח: תורת הגרפים הכימית, חיזוי תכונות תרופות, טופולוגיה מולקולרית, למידת מכונה בכימיה, מתארים פיזיקוכימיים