AI en experimentele convergentie: een synergetische route naar de ontdekking van JAK2-remmers

Waarom dit ertoe doet voor toekomstige medicijnen

Veel vormen van kanker en auto-immuunziekten worden aangedreven door een overactief signaaleiwit genaamd JAK2, dat als een continu ingeschakelde schakelaar in cellen functioneert. Het vinden van veilige, precieze middelen die deze schakelaar dimmen is lastig en duur met traditionele trial-and-error chemie. Deze studie laat zien hoe het combineren van kunstmatige intelligentie met laboratoriumexperimenten het zoeken naar nieuwe JAK2-blokkerende middelen drastisch kan versnellen, wat mogelijk leidt tot betere behandelingen die sneller en tegen lagere kosten bij patiënten terechtkomen.

De cellulaire schakel achter ontsteking

JAK2 behoort tot een kleine familie van enzymen die cellen helpen reageren op chemische boodschappen van het immuunsysteem en de bloedvormende weefsels. Wanneer deze enzymen misvuren—vaak door specifieke DNA-mutaties—ontvangen cellen voortdurend groeisignalen en signalen voor overleving. Bij mensen kan dit leiden tot bloedkankers, chronische ontsteking en gewrichtsschade. Artsen hebben al enkele middelen die JAK2 targeten, maar sommige veroorzaken bijwerkingen of werken onvoldoende. Een grote uitdaging is dat het sleutelzakje waar geneesmiddelen binden erg lijkt op dat van andere leden van de JAK-familie, waardoor het moeilijk is om medicatie te ontwerpen die JAK2 uitschakelt zonder zijn nauwe verwanten te verstoren.

Computers leren goede medicijnkandidaten te herkennen

De onderzoekers begonnen met duizenden bekende chemicaliën die al waren getest op hun vermogen JAK2 te blokkeren. Elk molecuul werd omgezet in een soort digitale streepjescode, een moleculair vingerafdruk die zijn bouwstenen en vormen encodeert. Meerdere moderne machine-learningmethoden werden getraind op deze vingerafdrukken om te leren welke patronen vaak wijzen op sterke JAK2-blokkers en welke niet. Daaronder bleek een methode genaamd CatBoost het beste, die actieve en inactieve moleculen ongeveer 94 procent van de tijd correct onderscheidde en uitstekende prestaties liet zien in diverse kwaliteitscontroles.

Van digitale hits naar binding op atoomniveau

Gewapend met dit getrainde model zette het team het los op een enorme nationale collectie van ruwweg driekwart miljoen chemicaliën uit de Korean Chemical Databank. De AI beperkte deze voorraad eerst tot slechts enkele duizenden waarschijnlijke JAK2-blokkers. Deze werden vervolgens bekeken met meer gedetailleerde computertools die simuleren hoe moleculen in het driedimensionale zakje van het JAK2-eiwit passen. Dockingberekeningen scoreden hoe nauw elk kandidaatje paste, terwijl clusteringmethoden ervoor zorgden dat de uiteindelijke keuzes structureel divers waren in plaats van veel bijna-kopieën van hetzelfde idee.

De beste moleculen onder stress testen

De hoogst scorende verbindingen werden verder onderzocht met fysica-gebaseerde simulaties die het eiwit en het middel in virtueel water lieten schommelen en vervormen in de tijd, zodat duidelijk werd welke stevig op hun plaats bleven zitten. Aanvullende kwantumniveau-berekeningen onderzochten hoe elektronen binnen de moleculen zijn gerangschikt, wat invloed heeft op hoe reactief en stabiel ze zijn bij binding aan JAK2. Het team voorspelde ook hoe elk kandidaat zich als medicijn zou gedragen: hoe goed het oplost, hoe goed het mogelijk door de darm wordt opgenomen en of het waarschijnlijk de bloed-hersenbarrière passeert. Dit proces van uitselecteren bracht een kleine set verbindingen naar voren die sterke, stabiele binding combineerden met geneesmiddelachtige eigenschappen.

AI-voorspellingen op de proef stellen

Uiteindelijk werden vier opvallende moleculen gesynthetiseerd en direct getest in een biochemische assay die meet hoe sterk ze de activiteit van JAK2 blokkeren. Alle vier lieten indrukwekkende potentie zien, met de concentratie die nodig is om de activiteit te halveren onder 10 micromolair, en één verbinding presteerde in deze test beter dan een goedgekeurd referentiemiddel. Deze resultaten bevestigden dat de door AI geleide pijplijn niet alleen op papier goed kon voorspellen, maar daadwerkelijk tot reële startpunten voor geneesmiddelen kon leiden.

Een snellere route naar op maat gemaakte behandelingen

Voor niet-specialisten is de kernboodschap dat zorgvuldig ontworpen AI-systemen nu enorme chemische ruimtes kunnen doorzoeken en een handvol veelbelovende kandidaten signaleren die laboratoriumwetenschappers vervolgens kunnen testen en verfijnen. In deze studie leverde die aanpak nieuwe, potente blokkers van een medisch belangrijk eiwit op en bespaarde tegelijkertijd tijd, moeite en middelen. Naarmate zulke AI-en-experiment partnerschappen volwassen worden, zullen ze waarschijnlijk de ontwikkeling van preciezere therapieën voor JAK2-gedreven ziekten versnellen en, breder bekeken, de deur openen naar medicijnen die beter op de behoeften van patiënten zijn afgestemd.

Bronvermelding: 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

Trefwoorden: JAK2-remmers, machine learning bij medicijnontdekking, kinase-gerichte therapie, virtueel screenen, gepersonaliseerde geneeskunde