Ottimizzazione basata sulla frammentazione AI di derivati del Sorafenib mirati a VEGFR2 per patologie correlate all’angiogenesi: uno studio in-silico basato sulla struttura

Perché rimodellare un farmaco antitumorale conta per molte malattie

La crescita di nuovi vasi sanguigni mantiene in vita i nostri organi, ma quando questa crescita sfugge di mano può alimentare i tumori, danneggiare l’occhio e compromettere la placenta durante la gravidanza. Questo studio esplora come l’intelligenza artificiale e sofisticate simulazioni al computer possano ridisegnare un farmaco antitumorale esistente, il sorafenib, per controllare con maggiore precisione un interruttore chiave della crescita vascolare chiamato VEGFR2, con l’obiettivo a lungo termine di terapie più sicure per le malattie correlate all’angiogenesi.

Il semaforo per i nuovi vasi sanguigni

La crescita dei vasi sanguigni, o angiogenesi, dipende fortemente da una proteina sulla superficie delle cellule endoteliali chiamata VEGFR2. Quando la sua molecola partner VEGF si lega, VEGFR2 istruisce le cellule a dividersi, migrare e formare nuovi vasi. Questo è utile nella cicatrizzazione e nello sviluppo, ma dannoso quando alimenta l’apporto di sangue ai tumori, alcune malattie oculari, l’infiammazione cronica o alterazioni anomale della placenta. Per questo ruolo centrale, VEGFR2 è diventato un importante bersaglio farmacologico, e diversi farmaci lo bloccano già. Tuttavia, molti di questi farmaci, incluso il sorafenib, colpiscono più proteine correlate, il che può causare effetti collaterali seri.

Trasformare il sorafenib in uno strumento migliore

Il sorafenib è uno strumento potente ma impreciso. Si attacca alla regione interna “motore” di VEGFR2 e di enzimi affini, spegnendo i segnali che promuovono la crescita vascolare. Sfortunatamente, la sua ampia attività porta problemi come ipertensione, stress cardiaco, reazioni cutanee e rischio di danno epatico. Invece di partire da zero, gli autori hanno usato lo scheletro chimico di base del sorafenib come modello iniziale e si sono chiesti: possiamo usare l’AI per rimodellare con delicatezza questa molecola in modo che si leghi più saldamente a VEGFR2, abbia un comportamento farmacocinetico migliore e risulti meno tossica—senza perdere la sua efficacia anti-angiogenica?

Lasciare che l’AI esplori uno spazio chimico più sicuro

Il team ha inserito la struttura del sorafenib in un sistema guidato dall’AI che effettua piccoli cambiamenti chimicamente realistici—aggiungendo o sostituendo frammenti in modi che un chimico medicinale potrebbe replicare in laboratorio. Questo ha prodotto venti nuove molecole candidate che mantenevano tutte le caratteristiche core del sorafenib ma differivano per gruppi laterali e conformazione complessiva. I ricercatori si sono poi affidati interamente a metodi computazionali per valutare questi candidati: docking virtuale in un modello 3D ad alta risoluzione di VEGFR2, lunghe simulazioni di dinamica molecolare che imitano il movimento degli atomi in condizioni acquose simili all’organismo e calcoli energetici che stimano quanto strettamente ciascuna molecola rimanga legata.

Un candidato emergente nelle simulazioni

Un progetto, chiamato Derivato Frammentato AI 7 (Grow), si è costantemente distinto. Gli studi di docking hanno suggerito che si inseriva nella principale fessura attiva di VEGFR2 più saldamente del sorafenib, formando una rete più fitta di contatti con amminoacidi chiave noti per essere importanti per gli inibitori reali. Mezzo microsecondo di simulazioni di dinamica molecolare ha mostrato che il complesso restava straordinariamente stabile nel tempo: la proteina rimaneva compatta, la tasca di legame non collassava né si deformava e la nuova molecola si spostava pochissimo, mantenendo diversi legami a idrogeno e contatti idrofobici per tutta la durata. Calcoli avanzati a livello quantistico hanno indicato che gli elettroni del Derivato 7 sono distribuiti in modo tale da favorire interazioni di carica con VEGFR2, supportando il suo legame previsto forte.

Segnali di comportamento farmacocinetico migliorato

Oltre al buon legame, un farmaco deve muoversi in modo sicuro nell’organismo. Gli autori hanno utilizzato strumenti previsionali basati sul web per stimare come ciascun candidato potrebbe dissolversi, essere assorbito, metabolizzato dagli enzimi epatici e potenzialmente causare danni. Il Derivato 7 è risultato avere una solubilità in acqua leggermente migliore e un equilibrio più bilanciato tra regioni lipofile e polari rispetto al sorafenib, proprietà che spesso facilitano dosaggio e formulazione. Importante, i modelli di tossicità basati su machine learning hanno segnalato il sorafenib come più probabile causa di danno epatico indotto da farmaci, mentre il Derivato 7 è caduto sul lato più sicuro di questo rischio specifico. Allo stesso tempo, ha mantenuto un profilo metabolico grosso modo simile, il che significa che le sue vie di degradazione potrebbero essere prevedibili.

Dalla promessa al computer alla prova nel mondo reale

In termini pratici, questo lavoro mostra come l’AI e le simulazioni basate sulla fisica possano “scolpire e rifinire” un farmaco esistente fino a ottenere una versione potenzialmente più affilata e sicura mirata allo stesso interruttore molecolare. Il derivato ridisegnato del sorafenib appare, sullo schermo, in grado di afferrare VEGFR2 più saldamente e di presentare meno segnali d’allarme per danno epatico, pur mantenendo le caratteristiche di base che rendono efficace il sorafenib. Tuttavia, tutte queste conclusioni sono predizioni: la nuova molecola non è ancora stata sintetizzata né testata in cellule, animali o pazienti. Il contributo reale dello studio è fornire un candidato ben motivato e ricco di dati—e una pipeline digitale riutilizzabile—per farmaci di nuova generazione che meglio domino la crescita vascolare incontrollata nel cancro, nelle malattie oculari e in altre condizioni guidate dall’angiogenesi.

Citazione: Inan, D., Karageçili, S. & Ali, N. AI fragmentation-based optimization of Sorafenib derivatives targeting VEGFR2 for angiogenesis-related pathologies: a structure-based in-silico study. Sci Rep 16, 11848 (2026). https://doi.org/10.1038/s41598-026-41232-9

Parole chiave: angiogenesi, inibitori VEGFR2, derivati del sorafenib, progettazione di farmaci con AI, docking molecolare