IA et convergence expérimentale : une voie synergique vers la découverte d’inhibiteurs de JAK2

Pourquoi cela compte pour les médicaments du futur

De nombreux cancers et maladies auto-immunes sont entraînés par une protéine de signalisation hyperactive appelée JAK2, qui fonctionne comme un interrupteur bloqué en position « marche » à l’intérieur des cellules. Trouver des médicaments sûrs et précis qui réduisent l’activité de cet interrupteur est difficile et coûteux avec la chimie traditionnelle par essais et erreurs. Cette étude montre comment la combinaison de l’intelligence artificielle et d’expériences en laboratoire peut accélérer de façon spectaculaire la recherche de nouvelles molécules bloquant JAK2, conduisant potentiellement à de meilleurs traitements qui atteignent les patients plus rapidement et à moindre coût.

L’interrupteur cellulaire derrière l’inflammation

JAK2 appartient à une petite famille d’enzymes qui aident les cellules à répondre aux signaux chimiques du système immunitaire et des tissus hématopoïétiques. Lorsque ces enzymes se dérèglent — souvent à cause de mutations génétiques spécifiques — les cellules reçoivent des signaux continus de croissance et de survie. Chez l’humain, cela peut conduire à des cancers du sang, une inflammation chronique et des lésions articulaires. Les médecins disposent déjà de quelques médicaments ciblant JAK2, mais certains provoquent des effets secondaires ou ne sont pas suffisamment efficaces. Un grand défi est que le site clé où les médicaments se lient ressemble beaucoup à travers la famille JAK, ce qui complique la conception de traitements qui inhibent JAK2 sans perturber ses proches homologues.

Apprendre aux ordinateurs à reconnaître de bons candidats-médicaments

Les chercheurs ont commencé avec des milliers de composés connus ayant déjà été testés pour leur capacité à bloquer JAK2. Chaque molécule a été convertie en une sorte de code-barres numérique, appelé empreinte moléculaire, qui encode ses éléments constitutifs et sa forme. Plusieurs méthodes modernes d’apprentissage automatique ont été entraînées sur ces empreintes pour identifier quels motifs indiquent des bloqueurs puissants de JAK2 et lesquels ne le sont pas. Parmi elles, une méthode appelée CatBoost s’est révélée la meilleure, triant correctement les molécules actives et inactives environ 94 % du temps et affichant d’excellentes performances selon plusieurs vérifications de qualité.

Des hits numériques à la liaison au niveau atomique

Équipée de ce modèle entraîné, l’équipe l’a appliqué à une vaste collection nationale d’environ trois quarts de million de composés provenant de la Korean Chemical Databank. L’IA a d’abord réduit ce pool à seulement quelques milliers de candidats susceptibles de bloquer JAK2. Ceux-ci ont ensuite été examinés avec des outils informatiques plus détaillés qui simulent comment les molécules s’insèrent dans la poche tridimensionnelle de la protéine JAK2. Les calculs de docking ont évalué la qualité de l’ajustement de chaque candidat, tandis que des méthodes de clustering ont garanti que les sélections finales étaient structurellement diverses plutôt que de nombreuses variantes proches d’une même idée.

Mettre les meilleures molécules à l’épreuve

Les composés les mieux notés ont été étudiés plus avant avec des simulations basées sur la physique qui laissent la protéine et la molécule se déplacer et se déformer dans de l’eau virtuelle au fil du temps, révélant ceux qui restent fermement en place. Des calculs au niveau quantique ont examiné comment les électrons sont répartis dans les molécules, ce qui influence leur réactivité et leur stabilité lors de la liaison à JAK2. L’équipe a également prédit le comportement de chaque candidat en tant que médicament : facilité de dissolution, absorption intestinale probable et capacité à traverser la barrière hémato-encéphalique. Ce processus d’élimination a mis en lumière un petit ensemble de composés combinant une liaison forte et stable avec des propriétés compatibles avec un médicament.

Tester les prédictions de l’IA

Enfin, quatre molécules remarquables ont été synthétisées et testées directement dans un essai biochimique mesurant l’inhibition de l’activité de JAK2. Les quatre ont montré une puissance remarquable, avec une concentration nécessaire pour réduire l’activité de moitié inférieure à 10 micromoles, et un composé surpassant un médicament de référence approuvé dans ce test. Ces résultats ont confirmé que la chaîne de travail guidée par l’IA n’était pas seulement performante en prédiction sur papier, mais pouvait réellement fournir des pistes médicamenteuses concrètes.

Une voie plus rapide vers des traitements sur mesure

Pour les non-spécialistes, le message clé est que des systèmes d’IA soigneusement conçus peuvent désormais trier d’immenses espaces chimiques, en signalant une poignée de candidats prometteurs que les scientifiques en laboratoire peuvent ensuite tester et affiner. Dans cette étude, cette approche a produit de nouveaux bloqueurs puissants d’une protéine d’importance médicale tout en économisant temps, efforts et ressources. À mesure que ces partenariats IA–expérimentation mûrissent, ils devraient accélérer la création de thérapies plus précises pour les maladies entraînées par JAK2 et, plus largement, ouvrir la voie à des médicaments mieux adaptés aux besoins des patients.

Citation: 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

Mots-clés: Inhibiteurs de JAK2, découverte de médicaments par apprentissage automatique, thérapie ciblant les kinases, dépistage virtuel, médecine personnalisée