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

Technische Samenvatting: Graaftheoretische berekening van graadgebaseerde topologische indices voor therapieën tegen hepatocellulair carcinoom

Probleemstelling
De experimentele bepaling van fysisch-chemische eigenschappen (zoals kookpunt, vlampunt, polariseerbaarheid, oppervlaktespanning en molair volume) voor kandidaat-geneesmiddelen is arbeidsintensief en moeilijk schaalbaar voor grote bibliotheken met verbindingen. Hoewel Quantitative Structure–Property Relationship (QSPR)-kaders een wiskundig alternatief bieden door moleculen als grafen te modelleren, bestaat er een specifieke lacune in de literatuur met betrekking tot de toepassing van een uitgebreide batterij van graadgebaseerde topologische indices op therapieën voor hepatocellulair carcinoom (HCC). Deze studie adresseert de behoefte aan een computationeel efficiënt, graaftheoretisch kader om het fysisch-chemische gedrag van vijf klinisch goedgekeurde HCC-geneesmiddelen direct vanuit hun moleculaire structuren te voorspellen.

Methodologie
Het onderzoek maakt gebruik van Chemische Grafentheorie (CGT) om vijf HCC-geneesmiddelen te modelleren: Futibatinib, Ipilimumab, Pembrolizumab, Pemigatinib en Regorafenib.

• Grafconstructie: Elk molecuul wordt gerepresenteerd als een eenvoudige, samenhangende moleculaire graaf $G(V, E)$, waarbij knopen ($V$) niet-waterstof zware atomen vertegenwoordigen en zijden ($E$) covalente bindingen vertegenwoordigen. Waterstofatomen zijn weggelaten volgens de standaardconventies.
• Topologische Indices: Zes graadgebaseerde topologische indices werden berekend voor elk moleculair graf. Deze indices variëren in hun gevoeligheid voor de graad van knopen ($d_v$) door middel van verschillende machtssummaties:
  • Eerste Zagreb-index ($M_1$): Som van $(d_u + d_v)$.
  • Tweede Zagreb-index ($M_2$): Som van $(d_u \times d_v)$.
  • Forgotten-index ($F$): Som van $(d_u^2 + d_v^2)$.
  • Yemen-index ($Y$): Som van $(d_u^3 + d_v^3)$.
  • Graad-index ($D$): Som van $(d_u^6 + d_v^6)$.
  • Sum-Connectivity-index ($S$): Som van $(d_u^4 + d_v^4)$.
• Data en Analyse: Experimentele fysisch-chemische data (kookpunt, vlampunt, polariseerbaarheid, oppervlaktespanning, molair volume) werden opgehaald uit de ChemSpider-database. Lineaire regressiemodellen ($T = \alpha + \beta t_i$) werden geconstrueerd voor alle 30 index–eigenschap-combinaties met behulp van SPSS (v25.0). De prestaties van de modellen werden geëvalueerd met behulp van Pearson-correlatiecoëfficiënten ($r$), determinatiecoëfficiënten ($R^2$) en statistische significantie ($p < 0,05$).

Belangrijkste Resultaten
De studie leverde uiteenlopende bevindingen met betrekking tot het voorspellende vermogen van de indices voor verschillende eigenschappen:

• Dominantie van Oppervlaktespanning (ST): Oppervlaktespanning was de enige fysisch-chemische eigenschap die statistisch significante correlaties ($p < 0,05$) vertoonde met de topologische indices. Vijf van de zes indices produceerden significante QSPR-modellen voor ST, met $R^2$-waarden variërend van 0,907 tot 0,978.
• Hiërarchie van Indexprestaties: De Yemen-index ($Y(G)$) bereikte de hoogste voorspellende getrouwheid ($R^2 = 0,978$, $p = 0,011$), gevolgd door de Forgotten-index ($F(G)$, $R^2 = 0,967$) en de Sum-Connectivity-index ($S(G)$, $R^2 = 0,965$). De eerste en tweede Zagreb-indices vertoonden ook significantie, maar met lagere $R^2$-waarden.
• Niet-significante Eigenschappen: Modellen voor kookpunt, vlampunt, polariseerbaarheid en molair volume slaagden er niet in om statistische significantie te bereiken. De auteurs wijten dit aan de kleine steekproefomvang (gereduceerd tot $N=4$ voor kookpunt en vlampunt vanwege ontbrekende data voor Pemigatinib) en het multifactoriële karakter van deze eigenschappen, die afhankelijk zijn van elektronische en sterische factoren die niet volledig worden gevangen door enkel graadgebaseerde beschrijvers.
• De "Graad-index" Anomalie: De Graad-index ($D(G)$), die een zesde-machtssummatie gebruikt, vertoonde een hoge correlatie ($r=0,933$) met oppervlaktespanning, maar bereikte geen statistische significantie ($p=0,067$). De auteurs verklaren dit als een artefact van het extreme dynamische bereik van de $D(G)$-waarden (die bijna twee ordes van grootte beslaan), wat de variantie in lineaire regressie met kleine steekproeven opblaast.

Betekenis en Claims
Het artikel vestigt een wiskundig hanteerbaar kader voor het voorspellen van het oppervlakte-actieve fysisch-chemische gedrag van HCC-therapieën op basis van enkel de moleculaire grafstructuur.

• Mechanistisch Inzicht: De auteurs stellen voor dat het succes van graadgebaseerde indices (met name kubische en kwadratische machten zoals $Y(G)$ en $F(G)$) bij het voorspellen van oppervlaktespanning voortkomt uit de afstemming tussen deze indices en de dichtheid van knopen met een hoge connectiviteit (bijv. aromatische ringverbindingen). Deze structurele kenmerken correleren met de London-dispersiekrachten die de cohesie in de vloeistoffase bepalen.
• Praktische Toepassing: De studie claimt dat het vermogen om oppervlaktespanning computationeel te voorspellen zonder experimentele meting directe implicaties heeft voor farmaceutische formulering, specifiek voor het optimaliseren van bevochtiging, spreiding en emulsificatie in HCC-drugleveringssystemen.
• Scopebeperkingen: De auteurs blijven bescheiden over de generaliseerbaarheid van de resultaten naar andere eigenschappen (BP, FP, P, MV), waarbij zij opmerken dat graad-gebaseerde beschrijvers alleen onvoldoende zijn voor deze parameters zonder de inclusie van 3D-, elektronische of afstandgebaseerde beschrijvers. Zij suggereren dat toekomstig werk de dataset moet uitbreiden en niet-lineaire machine learning-benaderingen moet integreren om deze beperkingen aan te pakken.