IA e convergenza sperimentale: una via sinergica per la scoperta di inibitori di JAK2

Perché questo conta per le medicine del futuro

Molti tumori e malattie autoimmuni sono guidati da una proteina di segnalazione iperattiva chiamata JAK2, che agisce come un interruttore sempre acceso all'interno delle cellule. Trovare farmaci sicuri e precisi che riducano l'attività di questo interruttore è difficile e costoso con la chimica tradizionale basata su tentativi ed errori. Questo studio mostra come la combinazione di intelligenza artificiale e esperimenti di laboratorio possa accelerare notevolmente la ricerca di nuove molecole che bloccano JAK2, portando potenzialmente a terapie migliori che raggiungono i pazienti più rapidamente e a costi inferiori.

L'interruttore cellulare dietro l'infiammazione

JAK2 appartiene a una piccola famiglia di enzimi che aiutano le cellule a rispondere ai messaggi chimici provenienti dal sistema immunitario e dai tessuti emopoietici. Quando questi enzimi funzionano male—spesso a causa di specifiche mutazioni del DNA—le cellule ricevono segnali costanti di crescita e sopravvivenza. Nell'uomo ciò può portare a tumori del sangue, infiammazione cronica e danni articolari. I medici dispongono già di alcuni farmaci che prendono di mira JAK2, ma alcuni provocano effetti collaterali o non sono sufficientemente efficaci. Una sfida importante è che la tasca chiave dove si legano i farmaci è molto simile in tutta la famiglia JAK, rendendo difficile progettare medicinali che spengano JAK2 senza disturbare i suoi stretti parenti.

Insegnare ai computer a riconoscere i buoni candidati farmaci

I ricercatori hanno iniziato con migliaia di composti noti che erano già stati testati per la loro capacità di bloccare JAK2. Ogni molecola è stata trasformata in una sorta di codice digitale, chiamato impronta molecolare, che codifica i suoi elementi costitutivi e la sua forma. Vari metodi di machine learning moderni sono stati addestrati su queste impronte per imparare quali pattern tendevano a indicare forti inibitori di JAK2 e quali no. Tra questi, un metodo chiamato CatBoost si è rivelato il migliore, classificando correttamente molecole attive e inattive in circa il 94 percento dei casi e mostrando ottime prestazioni attraverso molteplici controlli di qualità.

Dai colpi digitali al legame a livello atomico

Con questo modello addestrato, il team lo ha applicato a una grande raccolta nazionale di circa tre quarti di milione di composti della Korean Chemical Databank. L'IA ha prima ridotto questo insieme a poche migliaia di probabili inibitori di JAK2. Questi sono stati poi esaminati con strumenti computazionali più dettagliati che simulano come le molecole si posizionano nella tasca tridimensionale della proteina JAK2. Calcoli di docking hanno valutato quanto ogni candidato si adattasse con precisione, mentre metodi di clustering hanno garantito che le scelte finali fossero strutturalmente diverse anziché molte varianti molto simili della stessa idea.

Stress test delle molecole migliori

I composti con i punteggi più alti sono stati analizzati ulteriormente con simulazioni basate sulla fisica che permettono alla proteina e al farmaco di muoversi e flettersi in acqua virtuale nel tempo, rivelando quali rimangono saldamente ancorati. Ulteriori calcoli a livello quantistico hanno esaminato come gli elettroni sono distribuiti all'interno delle molecole, il che influenza la loro reattività e stabilità al momento del legame con JAK2. Il team ha anche previsto come ogni candidato si comporterebbe come farmaco: quanto facilmente si dissolve, quanto potrebbe essere assorbito dall'intestino e se è probabile che attraversi la barriera emato-encefalica. Questo processo di scrematura ha evidenziato un piccolo insieme di composti che combinano un legame forte e stabile con proprietà farmacologiche adeguate.

Mettere alla prova le predizioni dell'IA

Infine, quattro molecole di spicco sono state sintetizzate e testate direttamente in un saggio biochimico che misura quanto efficacemente inibiscono l'attività di JAK2. Tutte e quattro hanno mostrato potenza impressionante, con la concentrazione necessaria a ridurre l'attività del 50 percento inferiore a 10 micromolari, e un composto ha superato un farmaco di riferimento approvato in questo test. Questi risultati hanno confermato che la pipeline guidata dall'IA non era solo valida nelle previsioni su carta, ma poteva effettivamente generare candidati farmaceutici reali.

Una via più rapida verso terapie su misura

Per i non specialisti, il messaggio chiave è che sistemi di IA progettati con cura possono ora setacciare spazi chimici enormi, segnalando una manciata di candidati promettenti che gli scienziati di laboratorio possono poi testare e ottimizzare. In questo studio, questo approccio ha prodotto nuovi inibitori potenti di una proteina di rilevanza medica risparmiando tempo, sforzi e risorse. Man mano che queste collaborazioni tra IA ed esperimenti matureranno, è probabile che accelerino la creazione di terapie più precise per le malattie guidate da JAK2 e, più in generale, aprano la strada a medicinali meglio adattati alle esigenze dei pazienti.

Citazione: 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

Parole chiave: inibitori di JAK2, scoperta di farmaci con machine learning, terapia mirata alle chinasi, screening virtuale, medicina personalizzata