Modelagem preditiva de fármacos contra cepas de influenza usando índices topológicos baseados em temperatura e análise de regressão via técnicas de tomada de decisão multicritério

Por que classificar medicamentos contra gripe com matemática importa

Cada inverno, médicos recorrem a um conjunto conhecido de medicamentos para tratar a influenza e outras infecções virais. Mas quais fármacos provavelmente serão mais eficazes, e como comparar rapidamente compostos promissores sem realizar testes laboratoriais caros e demorados para cada um? Este estudo mostra como ideias da matemática e da estatística podem ajudar a priorizar medicamentos contra a gripe inicialmente na tela do computador, de modo que apenas os candidatos mais promissores avancem para experimentos detalhados.

Transformando moléculas em redes

Os pesquisadores começam tratando cada molécula de fármaco como uma espécie de rede: átomos tornam‑se pontos e ligações químicas tornam‑se linhas entre eles. Esse arcabouço, chamado teoria dos grafos, permite que computadores analisem a estrutura de forma precisa e repetível. Sobre isso, usam uma família especial de medidas conhecidas como índices baseados em temperatura. Esses índices capturam o quanto cada átomo está “conectado” em relação à molécula inteira, de maneira que reflete a estabilidade e como a molécula pode se comportar sob diferentes condições térmicas. Calculando esses índices para 20 fármacos relacionados à influenza — variando desde antivirais clássicos como o Oseltamivir até agentes reposicionados como Ritonavir e Azitromicina — a equipe cria uma impressão digital numérica compacta para cada composto.

Prevendo traços físicos-chave a partir da estrutura

Em seguida, o estudo investiga se essas impressões estruturais podem substituir medições trabalhosas. Os autores focam em cinco propriedades físicas básicas que influenciam fortemente como um fármaco se comporta no organismo e na fabricação: ponto de ebulição, ponto de fulgor (quão facilmente uma substância inflama), refratividade molar, polarizabilidade e volume molar. Usando análise de regressão — ajustando curvas matemáticas aos dados — relacionam cada índice baseado em temperatura a essas propriedades. De modo geral, relações lineares simples não são suficientes. Em vez disso, equações cúbicas levemente curvas capturam melhor as tendências, frequentemente explicando mais de 95% da variação para refratividade, polarizabilidade e volume, e cerca de 70% para pontos de ebulição e fulgor. Isso significa que, uma vez conhecidos os índices, o modelo pode fornecer estimativas iniciais razoavelmente precisas dessas características importantes sem realizar novos experimentos para cada fármaco.

Das propriedades previstas aos candidatos a fármacos classificados

Saber propriedades físicas aproximadas é útil, mas desenvolvedores de fármacos precisam, em última instância, escolher entre alternativas. Para passar da previsão à decisão, os autores aplicam dois métodos de suporte à decisão amplamente usados em engenharia e economia: o Modelo de Soma Ponderada e o Modelo de Produto Ponderado. Ambos tratam cada índice como um “crité rio” separado e então os combinam em uma única pontuação geral para cada fármaco, assumindo que valores mais altos dos índices são, em geral, favoráveis. Em essência, eles simulam um painel de avaliadores que pontua cada composto em várias dimensões estruturais ao mesmo tempo e depois média esses julgamentos de forma sistemática.

O que os modelos dizem sobre fármacos específicos

Quando a poeira baixa, emerge um padrão consistente. Azitromicina, mais conhecida como um antibiótico comum, sobe ao topo em ambos os esquemas de classificação, com Ritonavir e Indinavir logo atrás. Esses compostos apresentam índices baseados em temperatura particularmente altos e valores previstos de propriedades vinculadas ao tamanho molecular e à estabilidade, como refratividade molar e volume. No outro extremo da escala, fármacos como Favipiravir e Triazavirin tendem a ter pontuações estruturais e valores previstos de propriedades mais baixos, posicionando‑os perto do fim das classificações. O estudo também compara medições reais e previstas — por exemplo, ponto de ebulição ou volume molar — para verificar o realismo dos modelos, encontrando que as equações cúbicas seguem bem as tendências gerais, ainda que tenham dificuldades com as moléculas maiores e mais complexas.

O que isso significa para tratamentos futuros da gripe

Para um leitor leigo, a mensagem é que podemos usar descrições matemáticas de forma e conectividade para reduzir quais medicamentos contra a gripe merecem mais atenção antes de ir ao laboratório. Isso não prova que Azitromicina ou Ritonavir são as melhores opções clínicas contra a influenza — a eficácia no mundo real depende de muitos fatores biológicos não capturados aqui. Mas mostra que índices baseados em temperatura, combinados com ajuste de curvas e classificação multicritério, formam um filtro rápido e barato para priorizar candidatos antivirais. À medida que novos compostos são projetados ou reposicionados, ferramentas semelhantes podem orientar pesquisadores rumo às opções mais promissoras com mais rapidez, ajudando a acompanhar as cepas de gripe em constante mudança.

Citação: 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

Palavras-chave: fármacos contra influenza, classificação computacional de fármacos, teoria dos grafos em química, modelagem QSPR, tomada de decisão multicritério