Molecular LEGION: unberechenbar große Abdeckung des chemischen Raums rund um das Ziel NLRP3

Warum das für künftige Arzneimittel wichtig ist

Neue Medikamente zu entwerfen ist wie die Suche nach ein paar besonderen Sandkörnern an einem endlosen Strand. Dieses Papier beschreibt eine Methode, den Suchraum um einen vielversprechenden Schalter des Immunsystems namens NLRP3 massiv zu erweitern; dieser ist mit vielen chronisch-entzündlichen Erkrankungen verbunden. Durch die Kombination mehrerer Arten künstlicher Intelligenz mit cleveren chemischen Tricks erzeugen und teilen die Autorinnen und Autoren eine riesige Sammlung computerentworfener Moleküle, die eines Tages als Ausgangspunkte für neue Medikamente dienen könnten.

Die Herausforderung eines unendlichen Molekül-Universums

Chemiker sprechen vom „chemischen Raum“, um alle kleinen Moleküle zu beschreiben, die prinzipiell existieren könnten. Dieser Raum ist unvorstellbar groß – weit jenseits dessen, was wir in einer Datenbank speichern oder im Labor testen können. Bestehende Kataloge realer oder leicht synthisierbarer Moleküle decken nur einen winzigen Punkt dieses Universums ab, und noch weniger haben bekannte biologische Aktivität. Die heutige Wirkstoffforschung fischt größtenteils weiterhin in diesem kleinen, gut abgegrasten Teich, was die Chance vermindert, wirklich neue und patentierbare Therapien zu finden. Die Autorinnen und Autoren argumentieren, dass die spannendste Region zwischen dem liegt, was eindeutig herstellbar ist, und dem, was eindeutig unmöglich zu synthetisieren ist: Moleküle, die realistisch aussehen, aber noch nie hergestellt wurden.

Ein schwieriger, aber wertvoller Entzündungs-Schalter

Das Team konzentriert sich auf NLRP3, einen Proteinkomplex, der die Entzündungsreaktion steuert. Bei Fehlregulation wurde NLRP3 mit einem breiten Spektrum von Erkrankungen in Verbindung gebracht, von Autoimmunerkrankungen bis hin zu Stoffwechsel- und neurodegenerativen Erkrankungen. Mehrere Firmen haben bereits kleine Moleküle entwickelt, die NLRP3 blockieren, doch keines ist bisher als Arzneimittel zugelassen worden – zum Teil wegen Problemen wie Selektivität, gezielter Verteilung in die richtigen Gewebe und komplexer Biologie. Das macht NLRP3 sowohl risikoreich als auch potenziell sehr lohnend: ein perfektes Testfeld für Methoden, die deutlich weitergehende chemische Territorien erforschen können als herkömmliche Ansätze.

Wie der LEGION-Workflow den chemischen Raum erkundet

Die Autorinnen und Autoren stellen LEGION vor, einen mehrstufigen Workflow, aufgebaut auf einer industriellen KI-Plattform namens Chemistry42. Zunächst starten sie von bekannten 3D-Strukturen, in denen kleine Moleküle im NLRP3-Protein sitzen. Ausgehend von diesen Vorlagen führen sie zwei unabhängige Suchen durch: eine durchsucht riesige Sammlungen bestehender, synthetisch praktikabler Moleküle, die andere nutzt generative KI-Modelle, um neue, plausible Moleküle zu erfinden. Beide werden von Computersimulationen geleitet, die prüfen, wie gut jedes Molekül in das Protein passt, einschließlich Form und wichtiger Kontaktpunkte. Aus den resultierenden „virtuellen Treffern“ extrahiert das Team automatisch zentrale molekulare Rückgrate, sogenannte Scaffolds, die für die Bindung entscheidend erscheinen.

Von Schlüssel-Rückgraten zu Milliarden von Möglichkeiten

Als Nächstes wandelt LEGION diese aus 3D abgeleiteten Scaffolds in 2D-Bausteine um, markiert mit Positionen, an denen chemische Gruppen angefügt werden können. Die Forschenden verfeinern und erweitern diese Menge auf mehr als 34.000 einzigartige Scaffolds und anschließend auf etwa 94.000 bevorzugte, besonders für weitere Gestaltung geeignete Strukturen. Sie verwenden zwei komplementäre Strategien, um riesige virtuelle Bibliotheken aufzubauen: eine 2D-generative Pipeline, die neue Moleküle um diese Scaffolds vorschlägt, und ein einfaches, aber wirkungsvolles kombinatorisches Schema, das systematisch „linke“ und „rechte“ Fragmente in zentrale Rückgrate einsetzt. Durch sorgfältiges Sampling dieser kombinatorischen Explosion entstehen in den geteilten Datensätzen rund 110 Millionen unterschiedliche Moleküle, und der begleitende Code könnte prinzipiell etwa 123 Milliarden erzeugen.

Prüfen, ob die virtuellen Moleküle weiterhin sinnvoll sind

Beeindruckende Zahlen an Strukturen zu erzeugen ist nur dann nützlich, wenn zumindest einige davon eine realistische Chance haben, zu funktionieren. Um das zu testen, wählen die Autorinnen und Autoren zufällige Teilmengen ihrer 2D-designten Moleküle und führen erneut vollständiges 3D-Docking und Scoring durch, als wären es neue Kandidaten. Sie stellen fest, dass mehr als die Hälfte der generativen KI-Moleküle und ein beträchtlicher Anteil der kombinatorischen Verbindungen in diesen Tests wie vielversprechende „virtuelle Treffer“ verhalten. In zusätzlichen Fallstudien zeigen sie, dass LEGION in der Lage ist, bekannte Familien von NLRP3-blockierenden Molekülen wiederzufinden, ohne explizit darüber informiert worden zu sein, und dass es sogar Beispiele eines neuartigen Chemotyps enthielt, der später von einer anderen Gruppe als neue NLRP3-Inhibitor-Serie berichtet wurde.

Was das für die Zukunft bedeutet

Für Nicht-Spezialisten lautet die Hauptbotschaft: Wirkstoffforscher beginnen, sich mithilfe von KI ihren Weg durch einen nahezu unvorstellbar großen Raum möglicher Medikamente zu bahnen. Anstatt ein einzelnes neues Medikament zu präsentieren, liefert diese Studie eine gewaltige, zielgerichtete Landschaft computerentworfener Moleküle rund um NLRP3 sowie die Werkzeuge zu ihrer Erkundung. Diese Landschaft kann das virtuelle Screening beschleunigen, neue Patentstrategien inspirieren und Forschenden helfen, von einer chemischen Familie zur nächsten zu springen, auf der Suche nach sichereren und wirksameren entzündungshemmenden Wirkstoffen. Kurz gesagt macht LEGION ein bisher fernes, abstraktes chemisches Universum zu einem strukturierten Spielplatz für künftige NLRP3-Wirkstoffforschung.

Zitation: Zagribelnyy, B., Aladinskiy, V., Bondarev, N. et al. Molecular LEGION: incalculably large coverage of chemical space around the NLRP3 target. Sci Data 13, 576 (2026). https://doi.org/10.1038/s41597-026-06850-y

Schlüsselwörter: NLRP3-Inhibitoren, generative Chemie, chemischer Raum, KI-gesteuerte Wirkstoffforschung, virtuelles Screening