Molecular LEGION: onberekenbaar grote dekking van de chemische ruimte rond het NLRP3-doel

Waarom dit belangrijk is voor toekomstige medicijnen

Het ontwerpen van nieuwe geneesmiddelen is als het zoeken naar een paar bijzondere zandkorrels op een eindeloos strand. Dit artikel beschrijft een manier om de zoekruimte rondom een veelbelovende schakelaar van het immuunsysteem, NLRP3, sterk te vergroten; die schakelaar wordt in verband gebracht met veel chronische ontstekingsziekten. Door verschillende vormen van kunstmatige intelligentie te combineren met slimme chemische trucs, genereren en delen de auteurs een gigantische verzameling computers-ontworpen moleculen die mogelijk ooit uitgangspunten voor nieuwe medicijnen kunnen worden.

De uitdaging van een eindeloos molecuuluniversum

Chemici spreken van “chemische ruimte” om alle kleine moleculen te beschrijven die in principe kunnen bestaan. Die ruimte is verbijsterend groot — ver buiten wat we in een database kunnen opslaan of in een laboratorium kunnen testen. Bestaande catalogi van echte of makkelijk synthesizeerbare moleculen bestrijken slechts een kleine vlek van dit universum, en nog minder hebben bekende biologische activiteit. Het merendeel van de geneesmiddelenontdekking vist vandaag nog steeds in die kleine, intens gebruikte vijver, wat de kans beperkt om echt nieuwe en patenteerbare behandelingen te vinden. De auteurs betogen dat de meest interessante regio zich bevindt tussen wat duidelijk maakbaar is en wat duidelijk onmogelijk te synthetiseren is: moleculen die realistisch lijken maar nog nooit zijn gemaakt.

Een moeilijk maar waardevol ontstekingsschakelaartje

Het team richt zich op NLRP3, een eiwitcomplex dat helpt de ontstekingsreactie te reguleren. Wanneer het ontregeld is, is NLRP3 in verband gebracht met een breed scala aan aandoeningen, van auto-immuunziekten tot metabole en neurodegeneratieve aandoeningen. Verschillende bedrijven hebben al kleine-molecuulblokkers van NLRP3 ontworpen, maar geen daarvan is tot nu toe goedgekeurd als geneesmiddel, deels door problemen zoals selectiviteit, afleveren naar de juiste weefsels en complexe biologische effecten. Dat maakt NLRP3 zowel hoog-risico als hoog-belonend: een perfect testterrein voor methoden die veel bredere chemische gebieden kunnen verkennen dan standaardbenaderingen toestaan.

Hoe de LEGION-workflow de chemische ruimte verkent

De auteurs introduceren LEGION, een meertraps-workflow gebouwd op een industriëel AI-platform genaamd Chemistry42. Eerst vertrekken ze van bekende 3D-structuren waarin kleine moleculen in het NLRP3-eiwit zitten. Met deze als sjablonen voeren ze twee onafhankelijke zoektochten uit: de ene screent enorme verzamelingen bestaande, synthetisch haalbare moleculen, de andere gebruikt generatieve AI-modellen om nieuwe, plausibele moleculen te bedenken. Beide worden gestuurd door computersimulaties die controleren hoe goed elk molecuul in het eiwit past, inclusief vorm en belangrijke contactpunten. Uit de resulterende “virtuele hits” haalt het team automatisch kern-moleculaire ruggenwervels, of scaffolds, die cruciaal lijken voor binding.

Van sleutelruggengraat tot miljarden mogelijkheden

Vervolgens zet LEGION deze uit 3D afgeleide scaffolds om in 2D bouwstenen, gemarkeerd met posities waar chemische groepen kunnen worden vastgemaakt. De onderzoekers verfijnen en breiden deze set uit tot meer dan 34.000 unieke scaffolds, en daarna tot ongeveer 94.000 voorkeursrugsgewichten die bijzonder geschikt zijn voor verdere ontwerpen. Ze gebruiken twee complementaire strategieën om enorme virtuele bibliotheken op te bouwen: een 2D-generatiepijplijn die nieuwe moleculen rond deze scaffolds voorstelt, en een eenvoudige maar krachtige combinatorische methode die systematisch “links” en “rechts” fragmenten in centrale ruggenwervels plaatst. Zorgvuldig bemonsteren van deze combinatorische explosie levert ongeveer 110 miljoen verschillende moleculen op in de gedeelde datasets, en de bijbehorende code zou in principe ongeveer 123 miljard kunnen genereren.

Controleren of de virtuele moleculen nog steeds zinnig zijn

Het creëren van indrukwekkende aantallen structuren is alleen nuttig als ten minste enkele daarvan een redelijke kans hebben om te werken. Om dit te testen, kiezen de auteurs willekeurige subsets van hun 2D-ontworpen moleculen en voeren opnieuw volledige 3D-docking en scoring uit, alsof het nieuwe kandidaten zijn. Ze vinden dat meer dan de helft van de generatieve-AI-moleculen en een gezonde fractie van de combinatorische moleculen zich in deze tests gedragen als veelbelovende “virtuele hits”. In aanvullende casestudy’s tonen ze dat LEGION in staat is bekende families van NLRP3-blokkerende moleculen te herontdekken zonder daar rechtstreeks over te zijn geïnformeerd, en dat het zelfs voorbeelden bevatte van een nieuw chemotype dat later door een andere groep als een verse NLRP3-remmerserie werd gerapporteerd.

Wat dit betekent voor de toekomst

Voor niet-specialisten is de belangrijkste boodschap dat geneesmiddelenzoekers hun weg beginnen te vinden door een bijna onvoorstelbaar grote ruimte van mogelijke medicijnen met hulp van AI. In plaats van één nieuw geneesmiddel te bieden, levert deze studie een gigantisch, doelgericht landschap van computers-ontworpen moleculen rond NLRP3, samen met de instrumenten om het te verkennen. Dit landschap kan virtuele screening versnellen, nieuwe patentstrategieën inspireren en onderzoekers helpen van de ene chemische familie naar de andere te springen op zoek naar veiligere, effectievere ontstekingsremmende middelen. Kort gezegd maakt LEGION van een verafgelegen, abstract chemisch universum een gestructureerde speeltuin voor toekomstige NLRP3-geneesmiddelenontdekking.

Bronvermelding: 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

Trefwoorden: NLRP3-remmers, generatieve chemie, chemische ruimte, AI-gedreven geneesmiddelenontdekking, virtuele screening