LEGIONE Molecolare: copertura incalcolabilmente ampia dello spazio chimico attorno all’obiettivo NLRP3

Perché questo è importante per i farmaci del futuro

Progettare nuovi medicinali è come cercare pochi granelli di sabbia speciali su una spiaggia infinita. Questo articolo descrive un modo per ampliare massicciamente la ricerca attorno a un interruttore del sistema immunitario promettente chiamato NLRP3, associato a molte malattie infiammatorie croniche. Combinando diversi tipi di intelligenza artificiale con astuti stratagemmi chimici, gli autori generano e condividono una collezione enorme di molecole progettate al computer che un giorno potrebbero diventare punti di partenza per nuovi farmaci.

La sfida di un universo molecolare infinito

I chimici parlano di “spazio chimico” per descrivere tutte le piccole molecole che potrebbero, in linea di principio, esistere. Quello spazio è immensamente vasto — ben oltre ciò che possiamo archiviare in un database o testare in laboratorio. I cataloghi esistenti di molecole reali o facilmente sintetizzabili coprono solo una piccola frazione di questo universo, e ancor meno hanno attività biologica nota. Gran parte della scoperta di farmaci oggi pesca ancora in quel piccolo stagno ben frequentato, il che limita la probabilità di trovare trattamenti veramente nuovi e brevettabili. Gli autori sostengono che la regione più interessante sta tra ciò che è chiaramente producibile e ciò che è chiaramente impossibile da sintetizzare: molecole che sembrano realistiche ma non sono mai state realizzate.

Un interruttore infiammatorio difficile ma prezioso

Il gruppo si concentra su NLRP3, un complesso proteico che contribuisce a controllare l’infiammazione. Quando è regolato in modo errato, NLRP3 è stato collegato a una vasta gamma di disturbi, dalle malattie autoimmuni a condizioni metaboliche e neurodegenerative. Diverse aziende hanno già progettato piccoli bloccanti molecolari di NLRP3, ma nessuno è ancora diventato un medicinale approvato, in parte a causa di problemi come selettività, somministrazione ai tessuti corretti e biologia complessa. Questo rende NLRP3 sia ad alto rischio sia ad alto potenziale: un terreno di prova ideale per metodi che possano esplorare territori chimici molto più ampi rispetto agli approcci standard.

Come il flusso di lavoro LEGION esplora lo spazio chimico

Gli autori introducono LEGION, un flusso di lavoro a più fasi costruito su una piattaforma AI industriale chiamata Chemistry42. Per prima cosa partono da strutture 3D note in cui piccole molecole si trovano all’interno della proteina NLRP3. Usando queste come modelli, eseguono due ricerche indipendenti: una passa al setaccio enormi collezioni di molecole esistenti e sinteticamente fattibili, e l’altra utilizza modelli generativi di intelligenza artificiale per inventarne di nuove e plausibili. Entrambe sono guidate da simulazioni al computer che verificano quanto bene ogni molecola si adatti alla proteina, includendo la forma e i punti di contatto chiave. Dai “virtual hit” risultanti, il team estrae automaticamente nuclei molecolari fondamentali, o scaffold, che sembrano cruciali per il legame.

Dai backbone chiave a miliardi di possibilità

Successivamente, LEGION trasforma questi scaffold derivati dal 3D in blocchi costitutivi 2D indicati con posizioni dove possono essere attaccati gruppi chimici. I ricercatori raffinano ed espandono questo insieme fino a oltre 34.000 scaffold unici, poi a circa 94.000 scaffold preferiti particolarmente adatti per ulteriori progettazioni. Usano due strategie complementari per costruire enormi librerie virtuali: una pipeline generativa 2D che propone nuove molecole attorno a questi scaffold, e uno schema combinatorio semplice ma potente che innesta sistematicamente frammenti “sinistro” e “destro” su backbone centrali. Un campionamento attento di questa esplosione combinatoria produce circa 110 milioni di molecole distinte nei dataset condivisi, e il codice associato potrebbe in linea di principio generare circa 123 miliardi.

Verificare che le molecole virtuali abbiano ancora senso

Creare numeri abbaglianti di strutture è utile solo se almeno alcune hanno una buona probabilità di funzionare. Per testarlo, gli autori selezionano casualmente sottoinsiemi delle loro molecole progettate in 2D ed eseguono nuovamente il docking 3D completo e la valutazione, come se fossero nuovi candidati. Scoprono che più della metà delle molecole generate dall’IA e una buona frazione di quelle combinate si comportano come promettenti “virtual hit” in questi test. In studi di caso aggiuntivi mostrano che LEGION è capace di riscoprire famiglie note di molecole inibenti NLRP3 senza esserne informato direttamente, e che includeva persino esempi di un nuovo chemotipo successivamente riportato da un altro gruppo come una nuova serie di inibitori NLRP3.

Cosa significa per il futuro

Per i non specialisti, il messaggio principale è che i cacciatori di farmaci stanno cominciando a mappare il loro percorso attraverso uno spazio quasi inimmaginabilmente vasto di possibili medicinali con l’aiuto dell’IA. Piuttosto che offrire un singolo nuovo farmaco, questo studio fornisce un panorama vasto e focalizzato sull’obiettivo di molecole progettate al computer attorno a NLRP3, insieme agli strumenti per esplorarlo. Questo paesaggio può accelerare lo screening virtuale, ispirare nuove strategie di brevetto e aiutare i ricercatori a saltare da una famiglia chimica all’altra alla ricerca di farmaci anti-infiammatori più sicuri ed efficaci. In breve, LEGION trasforma un universo chimico distante e astratto in un terreno di gioco strutturato per la futura scoperta di farmaci per NLRP3.

Citazione: 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

Parole chiave: inibitori NLRP3, chimica generativa, spazio chimico, scoperta di farmaci guidata dall’IA, screening virtuale