Generazione de novo di farmaci covalenti con maggiore compatibilità farmacologica e sicurezza

Perché i farmaci covalenti più intelligenti sono importanti

Le terapie anticancro e gli antivirali spesso funzionano aggrappandosi a proteine all’interno delle nostre cellule. Una classe potente di medicinali, chiamata farmaci covalenti, compie un passo in più: forma legami stretti e duraturi con i propri bersagli, il che può aumentarne molto l’efficacia. Ma quella stessa tendenza ad attaccarsi può anche causare effetti collaterali seri se i farmaci si legano alle proteine sbagliate. Questo studio presenta CovaGEN, un nuovo sistema di intelligenza artificiale progettato per inventare candidati farmaci covalenti da zero, tenendo conto sia dell’utilità che della sicurezza.

Dal tentativo e errore al design intelligente

La scoperta tradizionale di farmaci covalenti è lenta e costosa. I chimici o partono da un farmaco esistente e aggiungono un “manico” reattivo, o cominciano da un frammento reattivo e regolano faticosamente il resto della molecola. I metodi assistiti dal computer aiutano a scrutare grandi librerie di composti noti, ma sono limitati a ciò che già esiste. I progressi recenti nell’apprendimento profondo possono generare molecole totalmente nuove, tuttavia questi strumenti di solito si concentrano su farmaci convenzionali non covalenti e spesso ignorano caratteristiche cruciali come la facilità di sintesi, il comportamento da medicinale reale o la potenziale tossicità. CovaGEN mira ad affrontare tutti questi problemi contemporaneamente.

Una mappa nascosta della chimica 'drug‑like'

Gli autori hanno prima costruito una “mappa” dello spazio chimico usando più di un milione di molecole con caratteristiche da farmaco provenienti dal database pubblico ZINC. Hanno addestrato un tipo di rete neurale chiamata variational autoencoder a comprimere ogni molecola in un codice numerico compatto, o vettore latente, e poi a ricostruirla. Questo passaggio insegna al modello la grammatica di base della chimica medicinale: cosa appare realistico, cosa rispetta le regole comuni per farmaci per via orale e cosa tende a essere sinteticamente fattibile. Su questa mappa appresa, un secondo modello basato sulla diffusione — un processo che gradualmente trasforma la struttura in rumore e poi impara a invertire quel processo — è stato addestrato a esplorare e generare nuovi vettori latenti che si decodificano in molecole valide, diverse e realistiche.

Modulare le molecole sui bersagli proteici e sui ganci reattivi

Successivamente, CovaGEN impara a progettare molecole per bersagli proteici specifici. Il sistema prende la sequenza di amminoacidi di una proteina e la codifica con un potente modello linguistico per proteine, che cattura schemi legati alla struttura e alla funzione. Durante la diffusione, il modello presta attenzione incrociata a questa rappresentazione proteica in modo che le molecole generate siano predisposte a adattarsi al sito di legame del bersaglio. Nei test su un ampio set di benchmark, queste molecole su misura non solo hanno ottenuto buoni punteggi per la forza di legame prevista, ma hanno anche mostrato migliore compatibilità farmacologica e accessibilità sintetica rispetto a quelle prodotte da diversi strumenti di progettazione 3D all’avanguardia. Per trasformare questi leganti non covalenti in candidati covalenti, il team ha aggiunto un classificatore che spinge il processo di diffusione verso molecole con determinati gruppi reattivi, noti come warhead covalenti, senza sacrificare la qualità complessiva.

Integrare la sicurezza fin dall’inizio

Poiché i farmaci covalenti possono causare danni duraturi se colpiscono bersagli sbagliati, la sicurezza è una preoccupazione centrale. I ricercatori hanno quindi trattato la tossicità come una quantità da ottimizzare, non come un ripensamento. Hanno addestrato modelli predittivi di tossicità acuta e rischi specifici per organi, poi hanno applicato l’apprendimento per rinforzo per perfezionare il modello di diffusione in modo che preferisca molecole con tossicità prevista più bassa. Dopo questo addestramento, CovaGEN ha generato composti che mantenevano buone caratteristiche di legame e da farmaco ma che avevano minore probabilità di contenere “segnali rossi” strutturali associati a effetti nocivi. È importante sottolineare che il metodo ha raggiunto questo risultato senza collassare in un insieme ristretto di molecole simili, preservando la diversità chimica.

Mettere il metodo alla prova

Per dimostrare il potenziale nel mondo reale, il team ha chiesto a CovaGEN di progettare inibitori covalenti per due bersagli di alto valore: una forma mutante della proteina EGFR coinvolta nel cancro polmonare resistente ai farmaci e la proteasi principale di SARS‑CoV‑2, il virus responsabile della COVID‑19. Per ciascuna proteina, il sistema ha generato molti candidati molecolari dotati dei warhead appropriati. Studi di docking computazionale hanno suggerito che i design di CovaGEN erano più propensi ad assumere pose capaci di formare legami covalenti rispetto a composti in cui i warhead erano semplicemente aggiunti a design non covalenti. Diversi candidati di punta hanno anche eguagliato o superato farmaci di riferimento su misure combinate di legame previsto, compatibilità farmacologica e facilità sintetica.

Cosa significa per i farmaci del futuro

CovaGEN mostra che l’IA generativa moderna può fare più che immaginare molecole che si legano saldamente alle proteine. Operando in uno spazio di strutture intrinsecamente 'drug‑like', guidando l’aggiunta di gruppi reattivi e allontanandosi esplicitamente dalla tossicità, il sistema sposta la scoperta di farmaci covalenti verso un processo più olistico e automatizzato. Pur richiedendo ulteriori test di laboratorio per confermare come queste molecole virtuali si comportino nei sistemi biologici, l’approccio apre la strada a un’esplorazione più rapida e ampia di medicinali covalenti che siano non solo potenti ma anche più sicuri per i pazienti.

Citazione: Zhang, W., Liu, T., Dong, X. et al. De novo covalent drug generation with enhanced drug-likeness and safety. Commun Biol 9, 446 (2026). https://doi.org/10.1038/s42003-026-09725-5

Parole chiave: farmaci covalenti, IA generativa, scoperta di farmaci, modelli di diffusione, predizione della tossicità