Прогнозное моделирование противогриппозных препаратов с использованием температурно‑ориентированных топологических индексов и регрессионного анализа через методы многокритериального принятия решений

Почему важно ранжировать противогриппозные препараты с помощью математики

Каждую зиму врачи обращаются к знакомому набору лекарств для лечения гриппа и других вирусных инфекций. Но какие препараты окажутся наиболее эффективными и как быстро сравнить перспективные новые соединения без дорогостоящих и длительных лабораторных испытаний для каждого из них? В этом исследовании показано, как идеи из математики и статистики помогают сначала приоритизировать препараты на компьютере, чтобы в дальнейшие детальные эксперименты прошли только самые перспективные кандидаты.

Преобразование молекул в сети

Исследователи начинают с представления каждой молекулы препарата как некой сети: атомы становятся узлами, а химические связи — рёбрами между ними. Такая схема, называемая теорией графов, позволяет компьютерам анализировать структуру точно и воспроизводимо. Поверх этого они используют особое семейство измерений, известное как температурно‑ориентированные индексы. Эти индексы фиксируют, насколько «связным» является каждый атом относительно всей молекулы, в смысле, отражающем стабильность и возможное поведение молекулы при различных температурных условиях. Вычислив эти индексы для 20 противогриппозных препаратов — от классических противовирусных, таких как озельтамивир, до перераспределённых агентов вроде ритонавира и азитромицина — команда получает компактный числовой отпечаток для каждого соединения.

Прогнозирование ключевых физических свойств по структуре

Далее исследование проверяет, могут ли эти структурные отпечатки заменить трудоёмкие измерения. Авторы сосредоточиваются на пяти базовых физических свойствах, которые сильно влияют на поведение препарата в организме и при производстве: температура кипения, вспышки (насколько легко вещество воспламеняется), молярная рефрактивность, поляризуемость и молярный объём. С помощью регрессионного анализа — подбора математических кривых к данным — они соотносят каждый температурно‑ориентированный индекс с этими свойствами. В целом простые линейные соотношения оказываются недостаточными. Вместо этого мягко изогнутые кубические уравнения гораздо лучше описывают тренды, часто объясняя более 95% разброса для рефрактивности, поляризуемости и объёма и примерно 70% для точек кипения и вспышки. Это означает, что зная индексы, модель может дать вполне точные предварительные оценки этих важных характеристик без проведения новых экспериментов для каждого препарата.

От прогнозируемых свойств к ранжированию кандидатов

Приблизительные физические свойства полезны, но разработчикам лекарств в конечном счёте нужно выбирать между альтернативами. Чтобы перейти от прогнозов к выбору, авторы применяют два методов поддержки принятия решений, широко используемых в технике и экономике: модель взвешенной суммы и модель взвешенного произведения. Оба метода рассматривают каждый индекс как отдельный «критерий», а затем объединяют их в единый общий балл для каждого препарата, предполагая, что более высокие значения индексов в целом благоприятны. По сути, они моделируют жюри, которое оценивает каждое соединение по нескольким структурным измерениям одновременно и затем систематически усредняет эти оценки.

Что модели говорят о конкретных препаратах

Когда всё подводится под итоги, выявляется устойчивая картина. Азитромицин, более известный как обычный антибиотик, оказывается в верхней части обоих ранжировок, за ним следуют ритонавир и индинавир. Эти соединения имеют особенно высокие температурно‑ориентированные индексы и прогнозные значения свойств, связанных с размером и стабильностью молекул, таких как молярная рефрактивность и объём. На другом конце шкалы препараты вроде фавипиравира и триазавирина склонны иметь более низкие структурные баллы и прогнозные значения свойств, что помещает их ближе к низу ранжирования. Исследование также сравнивает фактические и прогнозные измерения — например, температуру кипения или молярный объём — чтобы проверить реалистичность моделей, и показывает, что кубические уравнения хорошо отслеживают общие тренды, хотя испытывают трудности с самыми крупными и сложными молекулами.

Что это означает для будущего лечения гриппа

Для непрофессионального читателя вывод таков: мы можем использовать математические описания формы и связности, чтобы сузить круг препаратов от гриппа, которым стоит уделить больше внимания до выхода в лабораторию. Это не доказывает, что азитромицин или ритонавир являются «лучшими» клиническими опциями против гриппа — реальная эффективность зависит от многих биологических факторов, здесь не учтённых. Но это показывает, что температурно‑ориентированные индексы в сочетании с подгонкой кривых и многокритериальным ранжированием формируют быстрый и недорогой фильтр для приоритизации противовирусных кандидатов. По мере того как разрабатываются или переквалифицируются новые соединения, аналогичные инструменты могут помочь исследователям быстрее выбирать наиболее перспективные варианты и поспевать за постоянно меняющимися штаммами гриппа.

Цитирование: 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

Ключевые слова: препараты от гриппа, вычислительная ранжировка лекарств, теория графов в химии, QSPR моделирование, многокритериальное принятие решений