基于混合拓扑指数的PPI药物QSPR建模

《Frontiers in Chemistry》：QSPR modelling of PPI drugs using hybrid topological indices

　　

质子泵抑制剂（PPIs）是常用于治疗高胃酸分泌相关疾病的一类药物。PPIs通过永久抑制胃壁细胞中的H⁺/K⁺-ATPase酶，阻断胃酸分泌。拓扑指数是用于量化分子结构属性的数学工具，可将邻接性、分支性及连通性等拓扑信息转化为数值。本文探讨了基于度的混合拓扑指数对质子泵抑制剂（PPIs）的化学意义，并评估了这些指数与PPIs理化性质的相关性。研究人员旨在利用定量结构-性质关系（QSPR）分析，识别结构特征与理化性质之间的关联。该方法强调了拓扑指数在评估PPIs性质中的价值，为药物设计和材料研究等领域中理解结构-活性关系提供了分子行为方面的见解。

论文解读：基于混合拓扑指数的PPI药物QSPR建模研究

**研究背景与问题**
质子泵抑制剂（PPIs）是临床上广泛用于治疗胃酸相关疾病（如胃食管反流病、消化性溃疡及卓-艾综合征）的关键药物。其作用机制在于不可逆地抑制胃壁细胞中的H⁺/K⁺-ATPase酶，从而强效且持久地减少胃酸分泌。尽管PPIs疗效显著，但长期使用可能引发营养吸收障碍（如钙、镁及维生素B12缺乏），增加骨折风险，并与其他不良反应相关。因此，优化PPIs的分子设计以减少副作用至关重要。化学图论中的拓扑指数作为分子结构的数值描述符，可用于预测化合物的理化性质，从而辅助药物设计。然而，传统度基指数仅捕捉单一的结构特征，难以全面反映分子拓扑的复杂性。本研究旨在引入混合度基拓扑指数，结合多种度相关参数，以提高QSPR模型对PPIs理化性质的预测能力，为开发更安全的PPIs药物提供理论支持。

**研究内容与结论**
研究人员选取了七种临床常用的PPIs药物（奥美拉唑、兰索拉唑、泮托拉唑、雷贝拉唑、艾普拉唑、替莫拉唑和替那托拉唑），计算了十二种混合度基拓扑指数（如双线性Zagreb指数、三角Zagreb指数、几何-调和指数等）。通过边划分技术，将分子图映射为度对频率，进而计算各指数值。随后，采用线性、二次和指数回归模型，分析这些指数与七种理化性质（沸点、摩尔折射率、摩尔体积、分子量、复杂性、极化率和LogP）之间的相关性。数据来源于ChemSpider和PubChem数据库。

结果表明，不同混合指数对特定性质表现出高预测力。例如，指数HTM在指数模型中最佳预测沸点（R²=0.740），HBM在二次模型中最佳预测摩尔折射率（R²=0.900）和极化率（R²=0.896），HG最佳预测摩尔体积（R²=0.972），GBM最佳预测分子量（R²=0.960），TM最佳预测复杂性（R²=0.981），TMG在指数模型中最佳预测LogP（R²=0.811）。进一步验证通过留一交叉验证（LOOCV）和Y随机化测试，确认模型稳健性，并针对结构类似物Picoprazole和Linaprazan进行外部预测，验证了模型的泛化能力。该研究证明混合度基拓扑指数能有效捕捉PPIs的结构特征，显著提升QSPR模型的预测精度，为药物设计中的性质预测提供了新工具。

**主要技术与方法**
本研究中，研究人员采用化学图论方法构建分子图，将原子视为顶点、化学键视为边，并依据度对划分边。计算了十二种混合度基拓扑指数，包括双线性Zagreb指数、三角Zagreb指数、几何-调和指数等。回归分析使用SPSS软件，采用线性、二次和指数模型，通过最小二乘法拟合。样本队列来源为七种PPIs药物，理化性质数据获取自ChemSpider和PubChem公开数据库。验证方法包括LOOCV和Y随机化，以及外部化合物（Picoprazole和Linaprazan）的预测测试。

**研究结果**
- **线性回归分析**：最佳预测因子包括HTM（BP，r=0.849）、HBM（MR，r=0.944）、HG（MV，r=0.945）、TMG（MW，r=0.937）、TMH（COM，r=0.986）、HBM（POL，r=0.942）和TMH（LogP，r=0.860）。
- **二次回归分析**：最佳预测因子为HBM（BP，r=0.859）、HBM（MR，r=0.949）、HG（MV，r=0.986）、GBM（MW，r=0.980）、TM（COM，r=0.990）、HBM（POL，r=0.946）和TMG（LogP，r=0.895）。
- **指数回归分析**：最佳预测因子为HTM（BP，r=0.860）、HBM（MR，r=0.949）、HG（MV，r=0.939）、TMG（MW，r=0.936）、TMH（COM，r=0.971）、HG（POL，r=0.946）和TMG（LogP，r=0.901）。
对比三种模型，二次和指数模型整体优于线性模型，尤其适合捕捉非线性结构-性质关系。

**讨论与结论**
研究结果表明，混合度基拓扑指数在预测PPIs理化性质方面具有显著优势，尤其是二次模型在多数性质上表现优异。验证部分显示，LOOCV的Q²值（如COM的0.7507）和Y随机化结果（平均随机R²远低于原始值）证实了模型的有效性，排除了偶然相关性。外部预测对Picoprazole和Linaprazan的估算值与实验值基本吻合，进一步支持了模型的适用性。该研究为PPIs的结构优化和性质预测提供了可靠框架，未来可结合机器学习算法扩展应用，并有望推广至其他药物类别。本研究发表在《Frontiers in Chemistry》，为药物设计和材料科学中的分子性质评估提供了新视角。