IA y convergencia experimental: una vía sinérgica para el descubrimiento de inhibidores de JAK2

Por qué esto importa para las medicinas del futuro

Muchos cánceres y enfermedades autoinmunes están impulsados por una proteína de señalización hiperactiva llamada JAK2, que actúa como un interruptor atascado en posición de encendido dentro de las células. Encontrar fármacos seguros y precisos que atenúen ese interruptor es difícil y costoso mediante la química tradicional de ensayo y error. Este estudio muestra cómo la combinación de inteligencia artificial con experimentos de laboratorio puede acelerar de forma drástica la búsqueda de nuevas píldoras que bloqueen JAK2, lo que potencialmente conduce a tratamientos mejores que lleguen a los pacientes más rápido y a menor coste.

El interruptor celular detrás de la inflamación

JAK2 pertenece a una pequeña familia de enzimas que ayudan a las células a responder a mensajes químicos del sistema inmunitario y de los tejidos formadores de sangre. Cuando estas enzimas fallan—a menudo por mutaciones específicas en el ADN—las células reciben señales constantes de crecimiento y supervivencia. En las personas, esto puede provocar cánceres de la sangre, inflamación crónica y daño en las articulaciones. Los médicos ya disponen de algunos fármacos que apuntan a JAK2, pero algunos causan efectos secundarios o no funcionan lo suficientemente bien. Un gran desafío es que el bolsillo clave donde se unen los fármacos se parece mucho en toda la familia JAK, lo que dificulta diseñar medicinas que apaguen JAK2 sin afectar a sus parientes cercanos.

Enseñar a los ordenadores a reconocer buenos candidatos a fármaco

Los investigadores empezaron con miles de compuestos conocidos que ya se habían probado por su capacidad para bloquear JAK2. Cada molécula se convirtió en una especie de código de barras digital, llamado huella molecular, que codifica sus bloques constructores y formas. Varios métodos modernos de aprendizaje automático se entrenaron con estas huellas para aprender qué patrones tendían a indicar bloqueadores potentes de JAK2 y cuáles no. Entre ellos, un método llamado CatBoost resultó ser el mejor, clasificando correctamente moléculas activas e inactivas en aproximadamente el 94 por ciento de los casos y mostrando un rendimiento excelente en múltiples pruebas de calidad.

De los éxitos digitales a la unión a nivel atómico

Con este modelo entrenado, el equipo lo aplicó a una enorme colección nacional de aproximadamente tres cuartos de millón de compuestos del Korean Chemical Databank. La IA redujo primero esa masa a solo unos pocos miles de posibles inhibidores de JAK2. Estos se examinaron después con herramientas computacionales más detalladas que simulan cómo se acomodan las moléculas dentro del bolsillo tridimensional de la proteína JAK2. Los cálculos de docking puntuaron qué tan ajustada era la unión de cada candidato, mientras que métodos de clustering garantizaron que las selecciones finales fueran estructuralmente diversas y no muchas copias cercanas de la misma idea.

Poner a prueba los mejores compuestos

Los compuestos mejor puntuados se investigaron más a fondo con simulaciones basadas en la física que permiten que la proteína y el fármaco se muevan y flexionen en agua virtual a lo largo del tiempo, revelando cuáles permanecían firmemente alojados. Cálculos adicionales a nivel cuántico examinaron cómo se disponen los electrones dentro de las moléculas, lo que afecta a su reactividad y estabilidad al unirse a JAK2. El equipo también predijo cómo se comportaría cada candidato como medicamento: con qué facilidad se disuelve, qué probabilidad tiene de ser absorbido por el intestino y si probablemente cruce al cerebro. Este proceso de selección destacó un pequeño conjunto de compuestos que combinaban una unión fuerte y estable con propiedades parecidas a las de un fármaco.

Poner a prueba las predicciones de la IA

Finalmente, se sintetizaron cuatro moléculas destacadas y se probaron directamente en un ensayo bioquímico que mide la fuerza con la que bloquean la actividad de JAK2. Las cuatro mostraron una potencia impresionante, con concentraciones necesarias para reducir la actividad a la mitad por debajo de 10 micromolares, y un compuesto superó al fármaco de referencia aprobado en esta prueba. Estos resultados confirmaron que la vía guiada por IA no solo era buena para predecir en papel, sino que podía generar verdaderos candidatos farmacológicos en el mundo real.

Una ruta más rápida hacia tratamientos personalizados

Para quienes no son especialistas, el mensaje clave es que los sistemas de IA bien diseñados pueden ahora cribar enormes espacios químicos, señalando un puñado de candidatos prometedores que los científicos de laboratorio pueden probar y refinar. En este estudio, ese enfoque produjo nuevos bloqueadores potentes de una proteína de importancia médica mientras ahorraba tiempo, esfuerzo y recursos. A medida que estas asociaciones entre IA y experimentación maduren, es probable que aceleren la creación de terapias más precisas para enfermedades impulsadas por JAK2 y, en términos más generales, abran la puerta a medicinas mejor ajustadas a las necesidades de los pacientes.

Cita: 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

Palabras clave: Inhibidores de JAK2, descubrimiento de fármacos con aprendizaje automático, terapia dirigida a quinasas, cribado virtual, medicina personalizada