Modellizzazione predittiva dei farmaci per l’influenza mediante indici topologici basati sulla temperatura e analisi di regressione con tecniche di decision making multicriteriale

Perché classificare i farmaci per l’influenza con la matematica è importante

Ogni inverno i medici ricorrono a un repertorio noto di farmaci per trattare l’influenza e altre infezioni virali. Ma quali farmaci sono probabilmente più efficaci, e come possiamo confrontare rapidamente nuovi composti promettenti senza eseguire per ognuno costosi e lunghi test di laboratorio? Questo studio mostra come concetti tratti dalla matematica e dalla statistica possano aiutare a dare priorità ai farmaci anti‑influenza su uno schermo del computer, in modo che soltanto i candidati più promettenti passino agli esperimenti dettagliati.

Trasformare le molecole in reti

I ricercatori cominciano trattando ogni molecola del farmaco come una sorta di rete: gli atomi diventano punti e i legami chimici linee che li collegano. Questo quadro, chiamato teoria dei grafi, permette ai computer di analizzare la struttura in modo preciso e ripetibile. Su questa base, usano una famiglia speciale di misure note come indici basati sulla temperatura. Questi indici catturano quanto ogni atomo sia “connesso” rispetto all’intera molecola, in un modo che riflette la stabilità e il possibile comportamento della molecola sotto diverse condizioni termiche. Calcolando questi indici per 20 farmaci correlati all’influenza — che vanno dai classici antivirali influenzali come l’Oseltamivir ad agenti riproposti come Ritonavir e Azitromicina — il team crea un’impronta numerica compatta per ciascun composto.

Prevedere proprietà fisiche chiave dalla struttura

Successivamente, lo studio verifica se queste impronte strutturali possano sostituire misurazioni laboriose. Gli autori si concentrano su cinque proprietà fisiche basilari che influenzano fortemente il comportamento di un farmaco nell’organismo e nella produzione: punto di ebollizione, punto di infiammabilità (quanto facilmente una sostanza si accende), rifrattività molare, polarizzabilità e volume molare. Utilizzando l’analisi di regressione — adattando curve matematiche ai dati — mettono in relazione ciascun indice basato sulla temperatura con queste proprietà. In generale, relazioni lineari semplici non sono sufficienti. Al contrario, equazioni cubiche leggermente curve catturano molto meglio le tendenze, spiegando spesso oltre il 95% della variazione per rifrattività, polarizzabilità e volume, e circa il 70% per punti di ebollizione e di infiammabilità. Ciò significa che, una volta noti gli indici, il modello può fornire stime iniziali ragionevolmente accurate di queste caratteristiche importanti senza dover eseguire nuovi esperimenti per ogni farmaco.

Da proprietà predette a farmaci candidati classificati

Conoscere proprietà fisiche approssimative è utile, ma gli sviluppatori di farmaci hanno infine bisogno di scegliere tra le alternative. Per passare dalla predizione alla scelta, gli autori applicano due metodi di supporto decisionale ampiamente utilizzati in ingegneria ed economia: il Modello della Somma Ponderata e il Modello del Prodotto Ponderato. Entrambi i metodi trattano ogni indice come un “criterio” separato e poi li combinano in un punteggio complessivo per ciascun farmaco, assumendo che valori di indice più alti siano generalmente favorevoli. In sostanza, simulano una commissione di valutazione che assegna un punteggio a ogni composto su più dimensioni strutturali contemporaneamente e poi media quei giudizi in modo sistematico.

Cosa dicono i modelli sui farmaci specifici

Al termine dell’analisi emerge uno schema coerente. L’Azitromicina, meglio nota come comune antibiotico, risale in cima a entrambi gli schemi di classificazione, seguita a breve distanza da Ritonavir e Indinavir. Questi composti presentano indici basati sulla temperatura particolarmente elevati e valori predetti per proprietà legate alle dimensioni molecolari e alla stabilità, come la rifrattività molare e il volume. All’estremità opposta della scala, farmaci come Favipiravir e Triazavirin tendono ad avere punteggi strutturali e valori predetti più bassi, collocandoli vicino al fondo delle classifiche. Lo studio confronta inoltre misure reali e predette — per esempio il punto di ebollizione o il volume molare — per verificare il realismo dei modelli, rilevando che le equazioni cubiche seguono bene le tendenze generali, anche se incontrano difficoltà con le molecole più grandi e complesse.

Che cosa significa per i futuri trattamenti dell’influenza

Per un lettore non specialista, il messaggio è che possiamo usare descrizioni matematiche della forma e della connettività per ridurre i candidati di farmaci influenzali che meritano maggiore attenzione prima di passare in laboratorio. Questo non dimostra che l’Azitromicina o il Ritonavir siano le «migliori» opzioni cliniche contro l’influenza — l’efficacia nel mondo reale dipende da molti fattori biologici non catturati qui. Ma dimostra che gli indici basati sulla temperatura, combinati con l’adattamento di curve e la classificazione multicriteriale, costituiscono un filtro rapido ed economico per dare priorità ai candidati antivirali. Man mano che nuovi composti vengono progettati o riproposti, strumenti simili potrebbero indirizzare i ricercatori verso le opzioni più promettenti più rapidamente, aiutando a tenere il passo con ceppi influenzali in continua evoluzione.

Citazione: 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

Parole chiave: farmaci per l’influenza, classifica computazionale dei farmaci, teoria dei grafi in chimica, modellizzazione QSPR, decisione multicriteriale