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

Resumo Técnico: Computação de Índices Topológicos Baseados em Grau via Teoria dos Grafos para Terapêuticas de Carcinoma Hepatocelular

Definição do Problema
A determinação experimental de propriedades físico-químicas (como ponto de ebulição, ponto de fulgor, polarizabilidade, tensão superficial e volume molar) para candidatos a fármacos é dispendiosa em recursos e difícil de escalar para grandes bibliotecas de compostos. Embora as estruturas de Relação Estrutura-Propriedade Quantitativa (QSPR) ofereçam uma alternativa matemática ao modelar moléculas como grafos, existe uma lacuna específica na literatura quanto à aplicação de um conjunto abrangente de índices topológicos baseados em grau para terapêuticas de Carcinoma Hepatocelular (CHC). Este estudo aborda a necessidade de um arcabouço de teoria dos grafos computacionalmente eficiente para prever o comportamento físico-químico de cinco fármacos de CHC clinicamente aprovados diretamente de suas estruturas moleculares.

Metodologia
A pesquisa emprega a Teoria dos Grafos Químicos (CGT) para modelar cinco fármacos de CHC: Futibanitina, Ipilimumabe, Pembrolizumabe, Pemigatinibe e Regorafenibe.

• Construção do Grafo: Cada molécula é representada como um grafo molecular simples e conexo $G(V, E)$, onde os vértices ($V$) representam átomos pesados não-hidrogênio e as arestas ($E$) representam ligações covalentes. Os átomos de hidrogênio são suprimidos seguindo convenções padrão.
• Índices Topológicos: Seis índices topológicos baseados em grau foram computados para cada grafo molecular. Estes índices variam em sua sensibilidade aos graus dos vértices ($d_v$) através de diferentes somatórios de potências:
  • Primeiro Índice de Zagreb ($M_1$): Soma de $(d_u + d_v)$.
  • Segundo Índice de Zagreb ($M_2$): Soma de $(d_u \times d_v)$.
  • Índice Esquecido (Forgotten Index) ($F$): Soma de $(d_u^2 + d_v^2)$.
  • Índice de Yemen ($Y$): Soma de $(d_u^3 + d_v^3)$.
  • Índice de Grau ($D$): Soma de $(d_u^6 + d_v^6)$.
  • Índice de Soma-Conectividade ($S$): Soma de $(d_u^4 + d_v^4)$.
• Dados e Análise: Dados físico-químicos experimentais (Ponto de Ebulição, Ponto de Fulgor, Polarizabilidade, Tensão Superficial, Volume Molar) foram recuperados da base de dados ChemSpider. Modelos de regressão linear foram construídos para todas as 30 combinações índice-propriedade utilizando SPSS (v25.0). O desempenho do modelo foi avaliado utilizando coeficientes de correlação de Pearson ($r$), coeficientes de determinação ($R^2$) e significância estatística ($p < 0,05$).

Resultados Principais
O estudo apresentou achados distintos sobre a capacidade preditiva dos índices entre diferentes propriedades:

• Dominância da Tensão Superficial (ST): A Tensão Superficial foi a única propriedade físico-química que demonstrou correlações estatisticamente significativas ($p < 0,05$) com os índices topológicos. Cinco dos seis índices produziram modelos QSPR significativos para a ST, com valores de $R^2$ variando de 0,907 a 0,978.
• Hierarquia de Desempenho dos Índices: O Índice de Yemen ($Y(G)$) alcançou a maior fidelidade preditiva ($R^2 = 0,978$, $p = 0,011$), seguido de perto pelo Índice Esquecido ($F(G)$, $R^2 = 0,967$) e pelo Índice de Soma-Conectividade ($S(G)$, $R^2 = 0,965$). Os índices de primeiro e segundo Zagreb também mostraram significância, mas com valores de $R^2$ mais baixos.
• Propriedades Não Significativas: Modelos para Ponto de Ebulição, Ponto de Fulgor, Polarizabilidade e Volume Molar não atingiram significância estatística. Os autores atribuem isso ao pequeno tamanho da amostra (reduzido para $N=4$ para pontos de ebulição e fulgor devido a dados ausentes para o Pemigatinibe) e à natureza multifatorial dessas propriedades, que dependem de fatores eletrônicos e estéricos não totalmente capturados por descritores baseados apenas em grau.
• A Anomalia do "Índice de Grau": O Índice de Grau ($D(G)$), que utiliza uma somatória de sexta potência, mostrou uma alta correlação ($r=0,933$) com a Tensão Superficial, mas falhou em atingir significância estatística ($p=0,067$). Os autores explicam isso como um artefato da extrema amplitude dinâmica dos valores de $D(G)$ (abrangendo quase duas ordens de magnitude), o que infla a variância em regressões lineares de pequena amostra.

Significância e Alegações
O artigo estabelece um arcabouço matematicamente tratável para prever o comportamento físico-químico de superfície ativa de terapêuticas de CHC baseando-se exclusivamente na estrutura do grafo molecular.

• Insight Mecanístico: Os autores propõem que o sucesso dos índices baseados em grau (particularmente potências cúbicas e quadráticas como $Y(G)$ e $F(G)$) na predição da Tensão Superficial decorre do alinhamento entre estes índices e a densidade de vértices de alta conectividade (ex: junções de anéis aromáticos). Estas características estruturais correlacionam-se com as interações de dispersão de London que governam a coesão de fase líquida.
• Aplicação Prática: O estudo alega que a capacidade de prever computacionalmente a Tensão Superficial sem medição experimental oferece implicações diretas para a formulação farmacêutica, especificamente para otim-izar a molhabilidade, espalhamento e emulsificação em sistemas de entrega de fármacos de CHC.
• Limitações de Escopo: Os autores mantêm-se modestos quanto à generalização de seus resultados para outras propriedades (BP, FP, P, MV), observando que descritores baseados apenas em grau são insuficientes para estes parâmetros sem a inclusão de descritores 3D, eletrônicos ou baseados em distância. Eles sugerem que trabalhos futuros expandam o conjunto de compostos e integrem abordagens de aprendizado de máquina não lineares para abordar estas limitações.