KI und experimentelle Konvergenz: ein synergetischer Weg zur Entdeckung von JAK2-Inhibitoren

Warum das für künftige Medikamente wichtig ist

Viele Krebserkrankungen und Autoimmunerkrankungen werden von einem überaktiven Signalmolekül namens JAK2 angetrieben, das in Zellen wie ein dauerhaft eingeschalteter Schalter wirkt. Sichere, präzise Wirkstoffe zu finden, die diesen Schalter herunterregeln, ist mit traditionellen Trial-and-Error-Chemie schwierig und teuer. Diese Studie zeigt, wie die Kombination von künstlicher Intelligenz und Laborexperimenten die Suche nach neuen JAK2-blockierenden Wirkstoffen drastisch beschleunigen kann, was potenziell zu besseren Behandlungen führt, die schneller und kostengünstiger zu Patientinnen und Patienten gelangen.

Der zelluläre Schalter hinter Entzündungen

JAK2 gehört zu einer kleinen Enzymfamilie, die Zellen hilft, auf chemische Signale des Immunsystems und des blutbildenden Gewebes zu reagieren. Wenn diese Enzyme fehlregulieren—oft infolge bestimmter DNA-Mutationen—erhalten Zellen permanente Wachstums- und Überlebenssignale. Beim Menschen kann dies zu Bluterkrankungen, chronischer Entzündung und Gelenkschäden führen. Ärztinnen und Ärzte verfügen bereits über einige Wirkstoffe, die JAK2 angreifen, aber manche verursachen Nebenwirkungen oder sind nicht wirksam genug. Eine große Herausforderung besteht darin, dass die Schlüsseltasche, in die Wirkstoffe binden, in der gesamten JAK-Familie sehr ähnlich aussieht, was es schwer macht, Medikamente zu entwerfen, die JAK2 gezielt abschalten, ohne nahe Verwandte zu stören.

Wie man Computern beibringt, gute Wirkstoffkandidaten zu erkennen

Die Forschenden starteten mit Tausenden bekannter Chemikalien, die bereits auf ihre Fähigkeit getestet worden waren, JAK2 zu blockieren. Jedes Molekül wurde in eine Art digitalen Barcode verwandelt, genannt molekularer Fingerabdruck, der seine Bausteine und Formen kodiert. Mehrere moderne Methoden des maschinellen Lernens wurden mit diesen Fingerabdrücken trainiert, um zu lernen, welche Muster tendenziell starke JAK2-Blocker kennzeichnen und welche nicht. Unter ihnen erwies sich eine Methode namens CatBoost als die beste: Sie sortierte aktive von inaktiven Molekülen in etwa 94 Prozent der Fälle korrekt und zeigte hervorragende Leistungen bei verschiedenen Qualitätsprüfungen.

Von digitalen Treffern zur atomaren Bindung

Mit diesem trainierten Modell durchforstete das Team eine riesige nationale Sammlung von etwa drei Viertel einer Million Chemikalien aus der Korean Chemical Databank. Die KI reduzierte diesen Bestand zunächst auf nur wenige tausend wahrscheinliche JAK2-Blocker. Diese wurden anschließend mit detaillierteren Computertools untersucht, die simulieren, wie Moleküle in die dreidimensionale Tasche des JAK2-Proteins passen. Docking-Berechnungen bewerteten, wie eng jedes Kandidat passt, während Clustering-Methoden sicherstellten, dass die endgültigen Auswahlen strukturell vielfältig sind und nicht viele nahe Kopien derselben Idee darstellen.

Das Belastungstest der besten Moleküle

Die bestplatzierten Verbindungen wurden weiter mit physikbasierten Simulationen untersucht, die es Protein und Wirkstoff erlauben, sich in virtuellem Wasser zeitabhängig zu bewegen und zu verformen, wodurch deutlich wurde, welche stabil im Platz verbleiben. Zusätzliche quantenmechanische Berechnungen untersuchten die Elektronenverteilung innerhalb der Moleküle, was beeinflusst, wie reaktiv und stabil sie bei der Bindung an JAK2 sind. Das Team sagte außerdem voraus, wie sich jeder Kandidat als Arzneimittel verhalten würde: wie leicht er sich löst, wie gut er vermutlich vom Darm aufgenommen wird und ob er wahrscheinlich ins Gehirn gelangt. Dieser Aussortierungsprozess hob eine kleine Auswahl von Verbindungen hervor, die starke, stabile Bindung mit arzneimittelähnlichem Verhalten kombinierten.

KI-Vorhersagen im Praxistest

Schließlich wurden vier herausragende Moleküle synthetisiert und direkt in einem biochemischen Test geprüft, der misst, wie stark sie die Aktivität von JAK2 blockieren. Alle vier zeigten beeindruckende Potenz, mit Konzentrationen, die nötig sind, um die Aktivität zu halbieren, unter 10 Mikromolar; ein Verbindung übertraf in diesem Test sogar ein zugelassenes Referenzmedikament. Diese Ergebnisse bestätigten, dass die KI-geführte Pipeline nicht nur auf dem Papier gut vorhersagte, sondern tatsächlich reale Wirkstoffkandidaten liefern konnte.

Ein schnellerer Weg zu maßgeschneiderten Therapien

Für Nicht-Fachleute lautet die Kernbotschaft, dass sorgfältig entworfene KI-Systeme jetzt enorme chemische Räume durchsieben können und eine Handvoll vielversprechender Kandidaten markieren, die Laborwissenschaftlerinnen und -wissenschaftler dann testen und verfeinern können. In dieser Studie lieferte dieser Ansatz neue, potente Blocker eines medizinisch wichtigen Proteins und sparte dabei Zeit, Aufwand und Ressourcen. Wenn solche KI-und-Experiment-Partnerschaften reifen, werden sie voraussichtlich die Entwicklung präziserer Therapien für JAK2-getriebene Erkrankungen beschleunigen und insgesamt den Weg zu besser auf die Bedürfnisse der Patientinnen und Patienten abgestimmten Medikamenten öffnen.

Zitation: Maryam, Cho, H., Pokhrel, A. et al. AI and experimental convergence: a synergistic pathway to JAK2 inhibitor discovery. Acta Pharmacol Sin 47, 1361–1373 (2026). https://doi.org/10.1038/s41401-025-01701-9

Schlüsselwörter: JAK2-Inhibitoren, maschinelles Lernen Medikamentenentwicklung, Kinasen-targeted Therapie, virtuelles Screening, personalisierte Medizin