Graph-Theoretic Computation of Degree-Based Topological Indices for Hepatocellular Carcinoma Therapeutics: A Mathematical QSPR Framework for Physicochemical Property Prediction

तकनीकी सारांश: हेपेटोसेलुलर कार्सिनोमा (HCC) उपचारात्मक दवाओं के लिए डिग्री-आधारित टोपोलॉजिकल इंडेक्स का ग्राफ-सैद्धांतिक गणना

समस्या विवरण
ड्रग उम्मीदवारों के भौतिक-रासायनिक गुणों (जैसे क्वथनांक, फ्लैश पॉइंट, ध्रुवीकरण, पृष्ठ तनाव और मोलर आयतन) का प्रयोगात्मक निर्धारण संसाधन-गहन है और बड़े यौगिक पुस्तकालयों के लिए इसे स्केल करना कठिन है। जबकि क्वांटिटेटिव स्ट्रक्चर-प्रॉपर्टी रिलेशनशिप (QSPR) ढांचे आणविक ग्राफ के रूप में अणुओं को मॉडल करके एक गणितीय विकल्प प्रदान करते हैं, साहित्य में हेपेटोसेलुलर कार्सिनोमा (HCC) उपचारात्मक दवाओं के लिए एक व्यापक बैटरी वाले डिग्री-आधारित टोपोलॉजिकल इंडेक्स के अनुप्रयोग के संबंध में एक विशिष्ट अंतराल मौजूद है। यह अध्ययन सीधे अपने आणविक संरचनाओं से पांच नैदानिक रूप से स्वीकृत HCC दवाओं के भौतिक-रासायनिक व्यवहार की भविष्यवाणी करने के लिए एक कंप्यूटेशनल रूप से कुशल, ग्राफ-सैद्धांतिक ढांचे की आवश्यकता को संबोधित करता है।

कार्यप्रणाली
यह शोध पांच HCC दवाओं: फुटिबैटिनिब (Futibatinib), इपिलिमुमैब (Ipilimumab), पेम्ब्रोलिज़ुमब (Pembrolizumab), पेमिगैटिनिब (Pemigatinib) और रेगोराफेनिब (Regorafenib) को मॉडल करने के लिए केमिकल ग्राफ थ्योरी (CGT) का उपयोग करता है।

• ग्राफ निर्माण: प्रत्येक अणु को एक सरल, जुड़े हुए आणविक ग्राफ $G(V, E)$ के रूप में दर्शाया गया है, जहाँ शीर्ष ($V$) गैर-हाइड्रोजन भारी परमाणुओं का प्रतिनिधित्व करते हैं और किनारे ($E$) सहसंयोजक बंधों का प्रतिनिधित्व करते हैं। मानक परंपराओं के अनुसार हाइड्रोजन परमाणुओं को हटा दिया गया है।
• टोपोलॉजिकल इंडेक्स: प्रत्येक आणविक ग्राफ के लिए छह डिग्री-आधारित टोपोलॉजिकल इंडेक्स की गणना की गई। ये इंडेक्स विभिन्न पावर समेशन (घात योग) के माध्यम से वर्टेक्स डिग्री ($d_v$) के प्रति अपनी संवेदनशीलता को बदलते हैं:
  • प्रथम ज़ैग्रब इंडेक्स ($M_1$): $(d_u + d_v)$ का योग।
  • द्वितीय ज़ैग्रब इंडेक्स ($M_2$): $(d_u \times d_v)$ का योग।
  • फॉर्गोटन इंडेक्स ($F$): $(d_u^2 + d_v^2)$ का योग।
  • येमेन इंडेक्स ($Y$): $(d_u^3 + d_v^3)$ का योग।
  • डिग्री इंडेक्स ($D$): $(d_u^6 + d_v^6)$ का योग।
  • सम-कनेक्टिविटी इंडेक्स ($S$): $(d_u^4 + d_v^4)$ का योग।
• डेटा और विश्लेषण: प्रयोगात्मक भौतिक-रासायनिक डेटा (क्वथनांक, फ्लैश पॉइंट, ध्रुवीकरण, पृष्ठ तनाव, मोलर आयतन) को ChemSpider डेटाबेस से प्राप्त किया गया। सभी 30 इंडेक्स-प्रॉपर्टी संयोजनों के लिए रैखिक प्रतिगमन मॉडल ($T = \alpha + \beta t_i$) को SPSS (v25.0) का उपयोग करके बनाया गया। मॉडल प्रदर्शन का मूल्यांकन पियर्सन सहसंबंध गुणांक ($r$), निर्धारण गुणांक ($R^2$), और सांख्यिकीय महत्व ($p < 0.05$) का उपयोग करके किया गया।

मुख्य परिणाम
अध्ययन ने विभिन्न गुणों के लिए इंडेक्स की भविष्य कहने वाली क्षमता के संबंध में विशिष्ट निष्कर्ष प्रस्तुत किए:

• पृष्ठ तनाव (ST) का प्रभुत्व: पृष्ठ तनाव ही एकमात्र भौतिक-रासायनिक गुण था जिसने टोपोलॉजिकल इंडेक्स के साथ सांख्यिकीय रूप से महत्वपूर्ण सहसंबंध ($p < 0.05$) प्रदर्शित किया। छह में से पांच इंडेक्स ने ST के लिए महत्वपूर्ण QSPR मॉडल उत्पन्न किए, जिनका $R^2$ मान 0.907 से 0.978 के बीच था।
• इंडेक्स प्रदर्शन पदानुक्रम: येमेन इंडेक्स ($Y(G)$) ने उच्चतम भविष्य कहने वाली सटीकता ($R^2 = 0.978$, $p = 0.011$) प्राप्त की, जिसके ठीक बाद फॉर्गोटन इंडेक्स ($F(G)$, $R^2 = 0.967$) और सम-कनेक्टिविटी इंडेक्स ($S(G)$, $R^2 = 0.965$) का स्थान रहा। प्रथम और द्वितीय ज़ैग्रब इंडेक्स ने भी महत्व दिखाया लेकिन कम $R^2$ मानों के साथ।
• गैर-महत्वपूर्ण गुण: क्वथनांक, फ्लैश पॉइंट, ध्रुवीकरण और मोलर आयतन के मॉडल सांख्यिकीय महत्व प्राप्त करने में विफल रहे। लेखक इस विफलता का श्रेय छोटे नमूना आकार (पेमिगैटिनिब के लिए डेटा गायब होने के कारण क्वथनांक और फ्लैश पॉइंट के लिए $N=4$ तक कम हो गया) और इन गुणों की बहु-कारक प्रकृति को देते हैं, जो उन इलेक्ट्रॉनिक और स्टेरिक कारकों पर निर्भर करते जिन्हें केवल डिग्री-आधारित डिस्क्रिप्टर द्वारा पूरी तरह से नहीं पकड़ा जा सकता है।
• "डिग्री इंडेक्स" विसंगति: डिग्री इंडेक्स ($D(G)$), जो कि छठी-घात (sixth-power) का योग उपयोग करता है, ने पृष्ठ तनाव के साथ उच्च सहसंबंध ($r=0.933$) दिखाया लेकिन सांख्यिकीय महत्व ($p=0.067$) तक पहुँचने में विफल रहा। लेखक इसे $D(G)$ के अत्यधिक डायनेमिक रेंज (जो लगभग दो क्रमों के परिमाण तक फैला हुआ है) के आर्टिफैक्ट के रूप में समझाते हैं, जो छोटे-नमूना रैखिक प्रतिगमन में विचरण (variance) को बढ़ा देता है।

महत्त्व और दावे
यह शोध केवल आणविक ग्राफ संरचना के आधार पर HCC उपचारात्मक दवाओं के सतह-सक्रिय भौतिक-रासायनिक व्यवहार की भविष्यवाणी करने के लिए एक गणितीय रूप से सुलभ ढांचा स्थापित करता है।

• यांत्रिक अंतर्दृष्टि (Mechanistic Insight): लेखक प्रस्तावित करते हैं कि पृष्ठ तनाव की भविष्यवाणी करने में डिग्री-आधारित इंडेक्स (विशेष रूप से क्यूबिक और क्वाड्रेटिक पावर्स जैसे $Y(G)$ और $F(G)$) की सफलता, इन इंडेक्स और उच्च-कनेक्टिविटी वर्टेक्स (जैसे एरोमैटिक रिंग जंक्शन) के घनत्व के बीच संरेखण से उत्पन्न होती है। ये संरचनात्मक विशेषताएं लंदन डिस्पर्शन इंटरैक्शन (London dispersion interactions) के साथ सहसंबद्ध हैं जो तरल-चरण सामंजस्य (liquid-phase cohesion) को नियंत्रित करती हैं।
• व्यावहारिक अनुप्रयोग: अध्ययन का दावा है कि प्रयोगात्मक माप के बिना पृष्ठ तनाव को कंप्यूटेशनल रूप से भविष्यवाणी करने की क्षमता फार्मास्युटिकल फॉर्मूलेशन के लिए प्रत्यक्ष निहितार्थ रखती है, विशेष रूप से HCC ड्रग डिलीवरी सिस्टम के लिए वेटेबिलिटी (wettability), स्प्रेडिंग और इमल्सीफिकेशन को अनुकूलित करने के लिए।
• क्षेत्र सीमाएँ: लेखक अन्य गुणों (BP, FP, P, MV) के लिए परिणामों की सामान्यता के संबंध में विनम्र रहते हैं, यह नोट करते हुए कि डिग्री-मात्र डिस्क्रिप्टर 3D, इलेक्ट्रॉनिक या दूरी-आधारित डिस्क्रिप्टर के समावेश के बिना इन मापदंडों के लिए अपर्याप्त हैं। वे सुझाव देते हैं कि भविष्य के कार्यों को यौगिक सेट का विस्तार करना चाहिए और इन सीमाओं को संबोधित करने के लिए गैर-रेखीय मशीन लर्निंग दृष्टिकोणों को एकीकृत करना चाहिए।