Modellizzazione matematica e calcolo degli indici NM‑polinomiali per la predizione delle proprietà fisico‑chimiche

Perché questo conta per i farmaci del futuro

Progettare un nuovo medicinale è un po’ come progettare un aeroplano: si vuole prevederne il comportamento molto prima di costruirlo davvero. Per i farmaci, quel comportamento comprende quanto facilmente evaporano, come si mescolano con acqua o grassi e come si muovono nel corpo. Questo articolo mostra come una matematica accuratamente costruita possa prevedere molte di queste caratteristiche fisico‑chimiche a partire solo dalla struttura della molecola, risparmiando tempo, costi e tentativi ed errori nella scoperta di farmaci.

Dalle molecole alle reti

Gli autori trattano le molecole dei farmaci non solo come insiemi di atomi, ma come reti. In questa rappresentazione, ogni atomo è un punto e ogni legame chimico è una linea che collega due punti. Questo tipo di descrizione deriva dalla teoria dei grafi, un ramo della matematica che studia reti di vario tipo, dai collegamenti nei social media alle reti elettriche. I chimici utilizzano da decenni questi “grafi molecolari”, perché alcuni riassunti numerici di questi grafi — chiamati indici topologici — spesso riflettono il comportamento reale delle molecole, come la facilità di ebollizione o la densità.

Aggiungere dettaglio di vicinato all’immagine

Gli indici tradizionali solitamente tengono conto solo di quanti legami toccano ogni atomo. Il gruppo dietro questo studio va oltre: utilizza i cosiddetti indici basati sul polinomio M‑di‑vicinato (NM‑polynomial), che non si limitano a contare le connessioni di un atomo ma riassumono anche quanto siano connessi i suoi vicini. Questa descrizione più ricca cattura sfumature come il grado di ramificazione di una molecola, il modo in cui i suoi anelli sono fusi e la posizione di atomi come ossigeno o azoto nella struttura. Queste caratteristiche, a loro volta, influenzano quanto le molecole si attraggono, quanto sono rigide e come rispondono gli elettroni a campi elettrici — tutti elementi che determinano proprietà fisico‑chimiche chiave.

Mettere alla prova l’idea su farmaci antitumorali reali

Per ancorare la matematica alla realtà, gli autori calcolano prima gli indici NM‑polynomial per due noti agenti antitumorali, Mitoxantrone e Doxorubicina. Entrambi sono molecole complesse a più anelli, largamente impiegate in chemioterapia. Trasformando i loro disegni chimici dettagliati in grafi molecolari e poi in indici NM‑polynomial, gli autori mostrano come il metodo segua in modo sistematico i cambiamenti strutturali attraverso diverse “dimensioni” di queste molecole. Quindi automatizzano il processo con un programma Python, che prende la connettività della molecola (sotto forma di matrice di adiacenza) e restituisce istantaneamente l’insieme completo di indici, minimizzando l’errore umano e accelerando calcoli che a mano sarebbero tediosi.

Addestrare le macchine a leggere le impronte molecolari

Successivamente, i ricercatori vanno oltre questi due farmaci e analizzano una raccolta più ampia di 45 medicinali policiclici, inclusi nomi comuni come acetaminofene, ibuprofene e diverse terapie mirate moderne. Per ciascun farmaco compilano nove indici NM‑polynomial e nove proprietà misurate sperimentalmente: complessità, punto di ebollizione, entalpia di vaporizzazione, punto di infiammabilità, rifrattività molare, polarizzabilità, tensione superficiale, volume molare e indice di rifrazione. Poi addestrano diversi modelli di regressione in stile machine learning — Lineare, Ridge, Lasso ed Elastic Net — per apprendere come combinazioni di indici si mappino su ciascuna proprietà. Vengono adottate attente precauzioni statistiche: rimozione delle variabili ridondanti, standardizzazione, validazione incrociata ripetuta sull’80% dei dati e test dei modelli finali sul restante 20% non toccato.

Cosa rivelano i numeri

I modelli mostrano che gli indici NM‑polynomial sono particolarmente efficaci per proprietà legate a come le molecole si impaccano e interagiscono. Per punto di ebollizione, entalpia di vaporizzazione, punto di infiammabilità, rifrattività molare, polarizzabilità e volume molare, i migliori modelli raggiungono punteggi di correlazione molto elevati, il che significa che i valori predetti seguono da vicino quelli sperimentali. Metodi regolarizzati come Ridge ed Elastic Net generalmente performano meglio, suggerendo che una lieve costrizione del modello li aiuta a concentrarsi sugli aspetti più informativi degli indici. Una heatmap delle correlazioni conferma che diversi indici — specialmente quelli legati alla connettività complessiva e alla “ricchezza del vicinato” — sono fortemente e costantemente allineati con queste proprietà nella serie di 45 farmaci.

Limiti e margini di miglioramento

Non tutte le proprietà collaborano. L’indice di rifrazione, che descrive come la luce si piega entrando in un materiale, si dimostra ostinato: i modelli fanno fatica a fare meglio di semplici medie e gli indici NM‑polynomial mostrano solo deboli correlazioni con esso. La tensione superficiale è catturata moderatamente, ma non con la stessa forza delle altre caratteristiche. Queste lacune suggeriscono che alcuni comportamenti dipendono da elementi oltre la connettività bidimensionale, come la forma tridimensionale o sottili effetti elettronici. Gli autori propongono che lavori futuri possano combinare gli indici NM‑polynomial con descrittori quantistico‑chimici o 3D per colmare questa distanza.

Cosa significa per la progettazione di farmaci

In termini semplici, lo studio dimostra che una matematica sofisticata ma ben strutturata può trasformare un disegno statico di una molecola in un predittore sorprendentemente accurato del suo comportamento in laboratorio. Per molte proprietà importanti — quanto è difficile farla bollire, quanto è voluminosa o quanto facilmente si spostano i suoi elettroni — l’approccio NM‑polynomial, combinato con tecniche di regressione moderne, eguaglia o supera metodi precedenti che usavano indici più semplici o dataset più piccoli. Pur non sostituendo ancora completamente gli esperimenti, offre ai progettisti di farmaci uno strumento di screening più rapido: calcolando queste impronte basate sui grafi, è possibile stimare precocemente proprietà chiave, concentrare il lavoro di laboratorio sui candidati più promettenti ed esplorare lo spazio chimico in modo più efficiente.

Citazione: 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

Parole chiave: teoria dei grafi chimici, predizione delle proprietà dei farmaci, topologia molecolare, machine learning in chimica, descrittori fisico‑chimici