使用基于温度的拓扑指标与多准则决策回归分析对流感药物进行预测性建模

为何用数学为流感药物排序很重要

每到冬季，医生会从常用药箱中选择药物来治疗流感及其他病毒感染。但哪些药物更有可能更有效？我们如何在不对每种化合物都进行昂贵且耗时的实验室测试的情况下快速比较有潜力的新化合物？本研究展示了来自数学和统计学的思路如何帮助在计算机屏幕上优先筛选流感药物，使只有最有希望的候选者进入后续的详细实验。

将分子转化为网络

研究人员首先把每个药物分子视为一种网络：原子变成节点，化学键变成连接它们的线。这一框架称为图论，使计算机能够以精确且可重复的方式分析结构。在此基础上，他们使用一类特殊的度量，称为基于温度的指标。这些指标捕捉了相对于整个分子每个原子的“连通性”，以一种反映稳定性以及分子在不同热条件下可能表现的方式。通过为20种与流感相关的药物计算这些指标——从奥司他韦等经典抗流感药到利托那韦、阿奇霉素等再利用药物——团队为每种化合物创建了紧凑的数值指纹。

从结构预测关键物理特性

接下来，研究考察这些结构指纹是否可以替代耗时的测量。作者关注五种对药物在体内及制造中行为有强烈影响的基本物理性质：沸点、闪点（物质易燃程度）、摩尔折射率、极化率和摩尔体积。通过回归分析——将数学曲线拟合到数据上——他们将每个基于温度的指标与这些性质联系起来。总体而言，简单的直线关系不足以描述这些关系。相反，温和弯曲的三次方程更能捕捉趋势，通常能解释折射率、极化率和体积超过95%的变异，沸点和闪点约为70%。这意味着，一旦知道这些指标，模型就能在不对每种药物做新实验的情况下，给出这些重要性质的合理首轮估计。

从预测性质到药物候选排序

了解近似物理性质很有用，但药物开发者最终需要在备选项中做出选择。为将预测转为决策，作者采用了工程和经济学中广泛使用的两种决策支持方法：加权和模型与加权乘积模型。两种方法都把每个指标视为独立的“准则”，然后将它们组合成每种药物的单一总评分，假设指标值越高通常越有利。本质上，它们模拟了一个评审小组，按多个结构维度对每种化合物打分，然后以系统的方式对这些评分进行合成。

模型对具体药物的评述

结论中出现了一个一致的模式。阿奇霉素（更常见于作为一种抗生素）在两种排序方案中均名列前茅，利托那韦和因地那韦紧随其后。这些化合物在基于温度的指标以及与分子尺寸和稳定性相关的预测性质（如摩尔折射率和体积）上表现特别高。位于序列末端的药物，如法匹拉韦和三唑嗪，往往具有较低的结构评分和预测性质值，因此排在排名的下游。研究还比较了实际测量值与预测值——例如沸点或摩尔体积——以检验模型的现实性，发现三次方程能较好地跟踪总体趋势，尽管在处理最大、最复杂分子时存在困难。

对未来流感治疗的意义

对普通读者而言，信息是我们可以利用关于形状与连通性的数学描述，来缩小实验室前需要重点关注的流感药物范围。这并不证明阿奇霉素或利托那韦就是对抗流感的“最佳”临床选择——真实世界的有效性取决于许多此处未涵盖的生物学因素。但研究表明，基于温度的指标结合曲线拟合与多准则排序，能形成一种快速且低成本的筛选方法，用于优先考虑抗病毒候选药物。随着新化合物的设计或再利用，类似工具可帮助研究者更快地指向最有希望的选项，从而更好地应对不断变化的流感株。

引用: 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

关键词: 流感药物, 计算药物排序, 化学中的图论, QSPR 建模, 多准则决策