2026 / 02

DOI: 10.24075/dc.2026.008
Авторские права: © 2026 принадлежат авторам. Лицензиат: РНИМУ им. Н.И. Пирогова.
Статья размещена в открытом доступе и распространяется на условиях лицензии Creative Commons Attribution (CC BY).

ОРИГИНАЛЬНОЕ ИССЛЕДОВАНИЕ

Разработка классификационных моделей для оценки ингибиторов вируса гриппа штамма A/H1N1 in silico

Л. А. Столбов1 , О. А. Тарасова1 , С. С. Борисевич2 , Я. В. Горохов2 , В. В. Зарубаев3 , В. В. Поройков1
Информация об авторах

1 Научно-исследовательский институт биомедицинской химии имени В. Н. Ореховича, Москва, Россия

2 Уфимский институт химии УФИЦ РАН, Уфа, Россия

3 Санкт-Петербургский научно-исследовательский институт эпидемиологии и микробиологии имени Пастера, Санкт-Петербург, Россия

Для корреспонденции: Леонид Алексеевич Столбов
ул. Погодинская, д. 10, стр. 8, г. Москва, 119121, Россия; ur.xednay@alvoblots

Информация о статье

Финансирование: модели зависимостей «структура–активность» построены при поддержке программы фундаментальных научных исследований в Российской Федерации на долгосрочный период (2021–2030 гг.) (№ 124050800018-9). Подготовка базы данных проводилась в рамках государственного задания «Кинетическое, спектрально-люминесцентное и теоретическое исследование ключевых интермедиатов в химических и биохимических процессах окисления» УфИХ УФИЦ РАН № 125020601626-9.

Вклад авторов: Л. А. Столбов — анализ данных, построение моделей, подготовка рукописи; С. С. Борисевич — идея, подготовка базы данных; Я. В. Горохов — анализ научной литературы с целью сбора базы данных; В. В. Зарубаев — предоставление актуальных результатов биологического тестирования; О. А. Тарасова — идея и методология исследования; В. В. Поройков — методология исследования. Все авторы принимали участие в подготовке и редактировании рукописи.

Статья получена: 29.01.2026 Статья принята к печати: 10.05.2026 Опубликовано online: 15.06.2026
|
  1. Liang Y. Pathogenicity and virulence of influenza. Virulence. 2023; 14(1): 2223057. DOI: 10.1080/21505594.2023.2223057.
  2. Trinh TX, Seo M, Yoon TH, Kim J. Developing random forest based QSAR models for predicting the mixture toxicity of TiO2 based nano-mixtures to Daphnia magna. NanoImpact. 2022; 25: 100383. DOI: 10.1016/j.impact.2022.100383.
  3. Alharthi AM, Lee MH, Algamal ZY, Al-Fakih AM. Quantitative structure-activity relationship model for classifying the diverse series of antifungal agents using ratio weighted penalized logistic regression. SAR and QSAR in Environmental Research. 2020; 31(8): 571–583. DOI: 10.1080/1062936X.2020.1782467.
  4. Khomenko TM, Zarubaev VV, Kireeva MV, et al. New type of anti-influenza agents based on benzo[d][1,3]dithiol core. Bioorganic & Medicinal Chemistry Letters. 2020; 30(24): 127653. DOI: 10.1016/j.bmcl.2020.127653.
  5. Mercader AG, Pomilio AB. QSAR study of flavonoids and biflavonoids as influenza H1N1 virus neuraminidase inhibitors. European Journal of Medicinal Chemistry. 2010; 45(5): 1724– 1730. DOI: 10.1016/j.ejmech.2010.01.005.
  6. Hammoudan I, Mounadi N, Khedraoui M, Yamari I, Chtita S, Benjelloun AT. QSAR-driven discovery and ranking of potential anti-H1N1 inhibitors. Scientific African. 2025; 30: e03002. DOI: 10.1016/j.sciaf.2025.e03002.
  7. Li C, Fang J, Lian W, Pang X, Liu A, Du G. In vitro Antiviral Effects and 3 D QSAR Study of Resveratrol Derivatives as Potent Inhibitors of Influenza H 1 N 1 Neuraminidase. Chem Biol Drug Des. 2015; 85(4): 427–438. DOI: 10.1111/cbdd.12425.
  8. Veerasamy R, Rajak H. QSAR Studies on Neuraminidase Inhibitors as Anti-influenza Agents. tjps. 2021; 18(2): 151–156. DOI: 10.4274/tjps.galenos.2020.45556.
  9. Algamal ZY, Qasim MK, Lee MH, Ali HTM. QSAR model for predicting neuraminidase inhibitors of influenza A viruses (H1N1) based on adaptive grasshopper optimization algorithm. SAR and QSAR in Environmental Research. 2020; 31(11): 803–814. DOI: 10.1080/1062936X.2020.1818616.
  10. Abdullahi M, Uzairu A, Shallangwa GA, Mamza PA, Ibrahim MT. Computational modelling studies of some 1,3-thiazine derivatives as anti-influenza inhibitors targeting H1N1 neuraminidase via 2D-QSAR, 3D-QSAR, molecular docking, and ADMET predictions. Beni-Suef Univ J Basic Appl Sci. 2022; 11(1): 104. DOI: 10.1186/ s43088-022-00280-6.
  11. Mahmoudzadeh Laki R, Pourbasheer E. Design of New Anti-Influenza Structures Based on 3D-QSAR, Molecular Docking and Molecular Dynamics Studies. Chemistry & Biodiversity. 2025; 22(9): e202500587. DOI: 10.1002/cbdv.202500587.
  12. Lian W, Fang J, Li C, Pang X, Liu AL, Du GH. Discovery of Influenza A virus neuraminidase inhibitors using support vector machine and Naïve Bayesian models. Mol Divers. 2016; 20(2): 439–451. DOI: 10.1007/s11030-015-9641-z.
  13. Wang Y, Ge H, Li Y, et al. Predicting dual-targeting anti-influenza agents using multi-models. Mol Divers. 2015; 19(1): 123–134. DOI: 10.1007/s11030-014-9552-4.
  14. Li S, Fedorowicz A, Andrew ME. A new descriptor selection scheme for SVM in unbalanced class problem: a case study using skin sensitisation dataset. SAR and QSAR in Environmental Research. 2007; 18(5–6): 423–441. DOI: 10.1080/10629360701428474.
  15. Stolbov LA, Filimonov DA, Poroikov VV. SAR based on self consistent classifier. SAR and QSAR in Environmental Research. 2022; 33(10): 10. DOI: 10.1080/1062936X.2022.2139751.
  16. Егоров А. Д., Горохов Я. В., Кузнецов М. М., Борисевич С. С. Предсказание индекса селективности малых молекул в отношении вируса гриппа штамма A/H1N1 с использованием методов машинного обучения. Известия Академии Наук. Серия Химическая. 2025; (3): 851.
  17. Terry L Riss, Richard A Moravec, Andrew L Niles, Sarah Duellman, Hélène A Benink, Tracy J Worzella, and Lisa Minor. Assay Guidance Manual. https://www.ncbi.nlm.nih.gov/books/ NBK144065/
  18. Харбиев Р. Руководство по экспериментальному (доклиническому) изучению новых фармакологических веществ. Published online 2005.
  19. Huang Z, Chen Z, Qin X, Zhu Q, Yang J. Discovery of tetrasubstituted tetrahydropyrimidines as novel inhibitors against influenza a virus. Bioorganic Chemistry. 2025; 163: 108785. DOI: 10.1016/j.bioorg.2025.108785.
  20. Liu S, Li Y, Peng B, et al. Design and Synthesis of PAN Endonuclease Inhibitors through Spirocyclization Strategy against Influenza A Virus. J Med Chem. 2025; 68(13): 13393–13407. DOI: 10.1021/acs.jmedchem.5c00042.
  21. Zhang C, Huang XH, Wang Z, et al. Quinazoline-based dual-target inhibitors disrupt influenza virus RNP complex: Rational design, synthesis and mechanistic validation of potent anti-influenza agents. European Journal of Medicinal Chemistry. 2026; 301: 118185. DOI: 10.1016/j.ejmech.2025.118185.
  22. Zhang X, Xia Y, Li P, et al. Discovery of cyperenoic acid as a potent and novel entry inhibitor of influenza A virus. Antiviral Research. 2024; 223: 105822. DOI: 10.1016/j.antiviral.2024.105822.
  23. Fourches D, Muratov E, Tropsha A. Trust, But Verify: On the Importance of Chemical Structure Curation in Cheminformatics and QSAR Modeling Research. J Chem Inf Model. 2010; 50(7): 1189–1204. DOI: 10.1021/ci100176x.
  24. Fourches D, Muratov E, Tropsha A. Trust, but Verify II: A Practical Guide to Chemogenomics Data Curation. J Chem Inf Model. 2016; 56(7): 1243–1252. DOI: 10.1021/acs.jcim.6b00129.
  25. Filimonov DA, Zakharov AV, Lagunin AA, Poroikov VV. QNA-based ‘Star Track’ QSAR approach. SAR and QSAR in Environmental Research. 2009; 20(7–8): 679–709. DOI: 10.1080/10629360903438370.
  26. Zakharov AV, Peach ML, Sitzmann M, Nicklaus MC. A New Approach to Radial Basis Function Approximation and Its Application to QSAR. J Chem Inf Model. 2014; 54(3): 713–719. DOI: 10.1021/ci400704f.
  27. Lagunin AA, Zakharov AV, Filimonov DA, Poroikov VV. A new approach to QSAR modelling of acute toxicity†. SAR and QSAR in Environmental Research. 2007; 18(3–4): 285–298. DOI: 10.1080/10629360701304253.
  28. Zakharov AV, Lagunin AA, Filimonov DA, Poroikov VV. Quantitative Prediction of Antitarget Interaction Profiles for Chemical Compounds. Chem Res Toxicol. 2012; 25(11): 2378–2385. DOI:10.1021/tx300247r.