Prediktiv modellering av influensastammar och läkemedel med temperaturbaserade topologiska index och regressionsanalys via flerkriteriebeslutsfattande

Varför matematiska rangordningar av influensaläkemedel spelar roll

Varje vinter tar läkare till en välbekant verktygslåda med läkemedel för att behandla influensa och andra virusinfektioner. Men vilka läkemedel är sannolikt mest effektiva, och hur kan vi snabbt jämföra lovande nya föreningar utan att göra dyra och tidskrävande laboratorietester för var och en? Denna studie visar hur idéer från matematik och statistik kan hjälpa till att prioritera influensaläkemedel först på en datorskärm, så att endast de mest lovande kandidaterna går vidare till detaljerade experiment.

Att förvandla molekyler till nätverk

Forskarlaget börjar med att behandla varje läkemedelsmolekyl som en typ av nätverk: atomer blir punkter och kemiska bindningar blir linjer mellan dem. Detta ramverk, kallat grafteori, gör det möjligt för datorer att analysera struktur på ett precist och reproducerbart sätt. Ovanpå detta använder de en speciell familj av mått kända som temperaturbaserade index. Dessa index fångar hur "ansluten" varje atom är i förhållande till hela molekylen, på ett sätt som speglar stabilitet och hur molekylen kan bete sig under olika termiska förhållanden. Genom att beräkna dessa index för 20 influensarelaterade läkemedel — från klassiska antivirala medel som oseltamivir till omfördelade ämnen som ritonavir och azitromycin — skapar teamet ett kompakt numeriskt fingeravtryck för varje förening.

Att förutsäga viktiga fysikaliska egenskaper från struktur

Därefter frågar studien om dessa strukturella fingeravtryck kan ersätta arbetsintensiva mätningar. Författarna fokuserar på fem grundläggande fysikaliska egenskaper som starkt påverkar hur ett läkemedel beter sig i kroppen och vid tillverkning: kokpunkt, flampunkts (hur lätt ett ämne antänds), molar refraktivitet, polariserbarhet och molar volym. Genom regressionsanalys — att passa matematiska kurvor till data — relaterar de varje temperaturbaserade index till dessa egenskaper. Överlag räcker enkla linjära samband inte till. Istället fångar lätt böjda, kubiska ekvationer trenderna mycket bättre, ofta och förklarar över 95 % av variationen för refraktivitet, polariserbarhet och volym, och kring 70 % för kok‑ och flampunkter. Det innebär att när indexen är kända kan modellen ge relativt precisa första uppskattningar av dessa viktiga egenskaper utan att göra nya experiment för varje läkemedel.

Från förutsagda egenskaper till rankade läkemedelskandidater

Att känna till ungefärliga fysikaliska egenskaper är användbart, men läkemedelsutvecklare måste i slutändan välja mellan alternativ. För att gå från förutsägelse till val tillämpar författarna två beslutsstödsmetoder som ofta används inom teknik och ekonomi: Weighted Sum Model och Weighted Product Model. Båda metoderna behandlar varje index som ett separat "kriterium" och kombinerar dem sedan till en enda sammanvägd poäng för varje läkemedel, under antagandet att högre indexvärden i allmänhet är fördelaktiga. I praktiken simulerar de en panel av domare som poängsätter varje förening på flera strukturella dimensioner samtidigt och sedan systematiskt väger samman dessa bedömningar.

Vad modellerna säger om specifika läkemedel

När dammet lagt sig framträder ett konsekvent mönster. Azitromycin, bättre känt som ett vanligt antibiotikum, hamnar i toppen i båda rankningsschemana, med ritonavir och indinavir tätt bakom. Dessa föreningar har särskilt höga temperaturbaserade index och förutsagda värden för egenskaper kopplade till molekylstorlek och stabilitet, såsom molar refraktivitet och volym. I andra änden av skalan tenderar läkemedel som favipiravir och triazavirin att ha lägre strukturscore och förutsagda egenskapsvärden, vilket placerar dem nära botten av rankningarna. Studien jämför också faktiska och förutsagda mätvärden — till exempel kokpunkt eller molar volym — för att kontrollera modellernas realism, och finner att de kubiska ekvationerna följer de allmänna trenderna väl, även om de har svårare för de största och mest komplexa molekylerna.

Vad detta betyder för framtida influensabehandlingar

För en lekmannaläsare är budskapet att vi kan använda matematiska beskrivningar av form och konnektivitet för att begränsa vilka influensaläkemedel som förtjänar mest uppmärksamhet innan man går in i laboratoriet. Det bevisar inte att azitromycin eller ritonavir är de "bästa" kliniska alternativen mot influensa — verklig effektivitet beror på många biologiska faktorer som inte fångas här. Men det visar att temperaturbaserade index, kombinerade med kurvpassning och flerkriterierankning, bildar ett snabbt och billigt filter för att prioritera antivirala kandidater. När nya föreningar designas eller omfördelas kan liknande verktyg vägleda forskare mot de mest lovande alternativen snabbare, vilket hjälper till att hålla takt med ständigt skiftande influensastammar.

Citering: 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

Nyckelord: influensaläkemedel, beräkningsbaserad läkemedelsrankning, grafteori i kemi, QSPR‑modellering, flerkriteriebeslutsfattande