Улучшение биоинформатического проектирования с использованием графовых терапевтических свойств клинически одобренных антитоксических препаратов при зоонозных заболеваниях

Почему это важно для будущих лекарств

Сибирская язва часто воспринимается как старое фермерское заболевание, но она по‑прежнему угрожает скоту, людям в развивающихся регионах и даже национальной безопасности, поскольку её споры можно использовать в оружейных целях. Лечение сибирской язвы опирается на небольшой набор мощных антибиотиков и антитоксических препаратов. В этом исследовании поставлен на первый взгляд простой, но имеющий большие последствия вопрос: можно ли с помощью идей сетевой математики — теории графов — «прочитать» форму этих препаратов и быстро предсказать ключевые физические свойства, важные для их поведения в организме? Если да, то тот же подход может ускорить поиск лекарств следующего поколения против токсинов.

От смертельных спор до чертежей лекарств

Сибирскую язву вызывает Bacillus anthracis — бактерия, образующая стойкие споры, которая в основном заражает пастбищных животных, таких как крупный рогатый скот и овцы, но может перейти и к человеку. Попав в организм, она может поражать кожу, лёгкие или кишечник, вызывая от симптомов, похожих на грипп, до внезапных, угрожающих жизни состояний. Врачи в настоящее время полагаются на ограниченный набор клинически одобренных препаратов — таких как ципрофлоксацин, пенициллиновые соединения и несколько тетрациклиновых антибиотиков — чтобы остановить инфекцию и её токсины. Каждый из этих препаратов представляет собой трёхмерный клубок атомов. То, как эти атомы связаны между собой, определяет базовые свойства: молекулярную массу, растворимость в воде и то, как вещество перемещается по организму. Понимание связей между структурой и поведением важно для безопасной модификации старых препаратов или создания новых.

Преобразование молекул в сети точек и линий

Авторы используют химическую теорию графов — область, рассматривающую молекулу как сеть: атомы превращаются в точки, а связи — в линии. Из этой сети они вычисляют числовые сводки, называемые топологическими индексами, которые фиксируют шаблоны ветвления и связности. В работе внимание уделено семейству «обратных» индексов — вариантам классических мер, таких как индексы Загрёба и индекс атом‑связь, — а также компактному алгебраическому объекту, называемому M‑многочленом, который кодирует, насколько выражены различные паттерны соединений в структуре препарата. Для четырнадцати одобренных препаратов, связанных с сибирской язвой, они использовали инструменты Python (RDKit и NetworkX) для построения графов, вычисления M‑многочленов и получения набора обратных индексов. Затем собрали экспериментально измеренные свойства из базы данных PubChem: температуры плавления и кипения, растворимость в воде, молекулярную массу, плотность и другие дескрипторы, влияющие на всасывание, распределение, метаболизм и выведение препарата.

Соответствие структурных шаблонов измеримым свойствам

Имея оба набора чисел — граф‑базированные индексы и реальные свойства — команда провела регрессионный анализ, способ подгонки математических кривых к данным. Руководствуясь формами своих поверхностей M‑многочлена, они протестировали два семейства моделей: логарифмические кривые, которые быстро растут, а затем выравниваются, и кубические кривые, способные изгибаться более резко. Для каждого индекса и каждого свойства они оценивали, насколько хорошо кривая объясняет данные (используя знакомую статистику R²) и насколько стабильным остаётся прогноз при систематическом исключении точек данных (используя более строгую меру кросс‑валидации, называемую Q²).

Что сработало, что нет и почему это важно

Самым поразительным оказалось то, что не все свойства одинаково хорошо извлекаются из структуры. Для термодинамических характеристик, таких как температура плавления или липофильность (LogP), обратные индексы показали слабую эффективность: значения R² оставались низкими, что сигнализирует об отсутствии предсказательной мощности. Напротив, несколько индексов — особенно мера, называемая модифицированным вторым индексом Загрёба (mM2), и обратный индекс атом‑связь — показали очень сильную связь с молекулярной массой, фундаментальной мерой размера молекулы. Простая логарифмическая модель, связывающая mM2 с молекулярной массой, достигла и высокого качества подгонки, и высокой кросс‑валидируемой предсказательной способности (R² около 0.97 и Q² около 0.99), даже после того, как авторы тщательно проверили на переобучение и случайные совпадения с помощью тестов «оставь‑одну‑из» (leave‑one‑out), анализа области применимости и Y‑рандомизации. Более сложные кубические модели слишком хорошо подгоняли существующие данные, но проваливали тесты стабильности, что иллюстрирует, как небольшие наборы данных легко вводят в заблуждение при использовании чрезмерно сложных формул.

Как это помогает проектировать лучшие антитоксические препараты

Для неспециалистов главный вывод состоит в том, что авторы создали быстрый математически обоснованный способ оценить молекулярную массу препарата от сибирской язвы непосредственно по шаблону атомных связей — без полной экспериментальной характеристики. Молекулярная масса не определяет, насколько хорошо препарат убивает бактерии, но является ключевым фильтром в дизайне лекарств, связанным с тем, насколько хорошо соединение может всасываться, распределяться и выводиться из организма. Идентифицировав, какие граф‑базированные индексы надёжно отслеживают размер молекулы, а какие не дают значимых предсказаний для более тонких свойств, таких как температура плавления или липофильность, работа уточняет инструментарий для компьютерного проектирования лекарств. В будущем аналогичные графово‑теоретические модели могут помочь исследователям быстро отбирать большие библиотеки кандидатных антитоксических молекул, исключая те, чьи размер или сложность выходят за пределы желательных диапазонов задолго до затратных лабораторных испытаний.

Цитирование: Imran, M., Aqib, M., Malik, M.A. et al. Enhancing bioinformatics engineering by utilizing graph therapeutic properties for clinically approved antitoxin drugs in zoonotic diseases. Sci Rep 16, 8590 (2026). https://doi.org/10.1038/s41598-026-36036-w

Ключевые слова: препараты против сибирской язвы, химическая теория графов, топологические индексы, QSPR‑моделирование, прогноз молекулярной массы