Piattaforma di screening virtuale guidata dall’IA identifica nuovi candidati inibitori di NSUN2 per terapie oncologiche mirate: un approccio computazionale alla scoperta di farmaci

Nuove strategie per superare tumori ostinati

Molti tumori diventano letali non solo perché si sviluppano, ma perché imparano a eludere i nostri farmaci migliori. Questo studio esplora un promettente approccio per spegnere un importante alleato della crescita tumorale, utilizzando l’intelligenza artificiale per setacciare più di cento milioni di potenziali medicinali al computer prima che uno solo venga mescolato in una provetta reale.

Un interruttore nascosto all’interno delle cellule tumorali

Nel profondo delle nostre cellule, un enzima chiamato NSUN2 funziona come un evidenziatore chimico per l’RNA, la molecola che aiuta a trasformare i geni in proteine. Aggiungendo piccole marche chimiche all’RNA, NSUN2 può rendere i messaggi legati alla crescita più stabili e più facilmente leggibili. Molti tumori, tra cui quelli di polmone, stomaco, pancreas e mammella, aumentano i livelli di NSUN2, il che potenzia la loro capacità di dividersi, diffondersi e resistere ai farmaci mirati. Eppure, nonostante la sua importanza, esistono pochissimi candidati farmaci in grado di abbassare in sicurezza NSUN2, specialmente molecole reversibili che non danneggino l’enzima in modo permanente.

L’IA esplora un mare di molecole

La scoperta tradizionale di farmaci faticherebbe a testare milioni di molecole contro NSUN2 in laboratorio, perché ogni esperimento richiede miscele complesse di RNA e cofattori. Invece, i ricercatori hanno costruito una pipeline interamente digitale. Sono partiti da una forma tridimensionale predetta della NSUN2 umana generata da AlphaFold, un sistema di IA che ha rivoluzionato la predizione delle strutture. Per assicurarsi che il modello fosse affidabile, lo hanno allineato con un enzima strettamente correlato la cui struttura è nota tramite studi a raggi X. La tasca critica in cui NSUN2 lega la sua molecola helper naturale si è rivelata fortemente conservata, dando al gruppo la fiducia che il docking virtuale di potenziali farmaci in quel sito avrebbe avuto significato.

Da centinaia di milioni a una manciata

Con la tasca target definita, il team si è rivolto a un vasto database pubblico di molecole acquistabili. Hanno prima effettuato il docking di un set di addestramento di composti nella tasca di NSUN2 e usato i punteggi risultanti per insegnare a un modello di machine learning quali forme fossero più promettenti. Quel modello ha poi rapidamente screenato circa 350 milioni di molecole e ne ha indicate circa 101 milioni come probabili “hit”. Per restringere ulteriormente il campo, la frazione migliore è stata redockata con calcoli più accurati, e solo le 12.000 migliori, con forte legame predetto, sono state conservate. Queste sono poi passate attraverso una serie di controlli di sicurezza basati su computer che stimavano come il corpo potrebbe assorbire, distribuire, degradare e tollerare ciascun candidato. Dopo questi filtri, sono rimaste solo 34 molecole che apparivano sia potenti sia con caratteristiche da farmaco.

Osservare i farmaci candidati in movimento

Le istantanee statiche non bastano per sapere se un farmaco terrà davvero il suo bersaglio. I ricercatori hanno quindi utilizzato simulazioni di dinamica molecolare, che modellano come gli atomi si muovono nel tempo, per osservare i tre candidati più promettenti interagire con NSUN2 per 50 miliardesimi di secondo. Due composti, identificati solo tramite i loro codici di database, hanno formato complessi particolarmente stabili: la struttura dell’enzima è rimasta compatta, le sue regioni chiave sono rimaste stabili anziché fluttuanti, e le piccole molecole hanno mantenuto un incastro saldo nella tasca mentre formavano contatti persistenti. Queste simulazioni suggeriscono che i due composti potrebbero bloccare in modo affidabile l’attività di NSUN2 nelle cellule reali.

Che cosa potrebbe significare per i trattamenti futuri

Sebbene tutti i risultati di questo lavoro derivino da calcoli e debbano ancora essere confermati in laboratorio, lo studio fornisce una lista breve di punti di partenza realistici per nuovi farmaci che bloccano NSUN2. Poiché NSUN2 aiuta le cellule tumorali a stabilizzare segnali di crescita e sopravvivenza, tali medicinali potrebbero indebolire i tumori e potenzialmente ri-sensibilizzarli alle terapie mirate esistenti, in particolare nei tumori polmonari che sono diventati resistenti. Altrettanto importante, lo studio mette in mostra una ricetta generale per usare l’IA e la modellizzazione basata sulla fisica per esplorare enormi spazi chimici in modo rapido ed economico, offrendo una scorciatoia potente verso la prossima generazione di trattamenti oncologici di precisione.

Citazione: Yu, S., Peng, Q., Wei, W. et al. AI-driven virtual screening platform identifies novel NSUN2 inhibitor candidates for targeted cancer therapy: a computational drug discovery approach. npj Precis. Onc. 10, 98 (2026). https://doi.org/10.1038/s41698-026-01296-2

Parole chiave: NSUN2, epitranscrittomica, screening virtuale con IA, scoperta di farmaci per il cancro, metilazione dell'RNA