Door machine learning aangedreven herbestemming van geneesmiddelen voor HER2-positieve borstkanker

Waarom oude medicijnen voor moeilijke vormen van borstkanker ertoe doen

Voor veel mensen met een agressieve vorm van borstkanker die HER2-positief heet, kunnen de huidige gerichte medicijnen na verloop van tijd hun effectiviteit verliezen, en het ontwikkelen van nieuwe middelen is traag en duur. Deze studie onderzoekt of sommige van de duizenden pillen die al in de apotheek liggen misschien ongemerkt in staat zijn HER2-gedreven tumoren te blokkeren, waarbij geavanceerde computerinstrumenten worden gebruikt om verborgen antikankerpotentieel te ontdekken.

Het probleem eenvoudig uitgelegd

HER2-positieve borstkanker wordt aangedreven door een eiwit op het oppervlak van kankercellen dat sterke groeivoor en deeltips blijft doorgeven. Wanneer er te veel HER2 aanwezig is, delen deze cellen zich snel en verspreiden ze zich vaak, en ze kunnen leren moderne HER2-medicijnen te omzeilen. Omdat het creëren van volledig nieuwe medicijnen tien jaar of langer kan duren, is herbestemming van bestaande geneesmiddelen aantrekkelijk: in plaats van opnieuw te beginnen testen wetenschappers of goedgekeurde medicijnen die al als veilig bekend staan voor andere aandoeningen ook HER2 in kankercellen kunnen uitschakelen.

Hoe computers helpen bij het doorzoeken van duizenden medicijnen

De onderzoekers verzamelden eerst gedetailleerde informatie over bijna 14.000 chemische verbindingen die op HER2 waren getest, inclusief hoe sterk elk van hen het eiwit blokkeerde. Ze zetten elk molecuul om in honderden numerieke kenmerken die de grootte, vorm, lading en andere eigenschappen beschrijven. Met deze gegevens trainden ze verschillende typen machine learning-modellen om het verband te leren tussen de structuur van een molecuul en zijn vermogen HER2 te remmen. Na zorgvuldige schoonmaak van de data en het wegwerken van zwakke of redundante kenmerken, gaf een modeltype genaamd Random Forest de meest betrouwbare voorspellingen en verklaarde het ongeveer vier vijfde van de variatie in activiteit voor nieuwe moleculen correct.

Van voorspelling naar docken binnen het kankerdoel

Gewapend met dit model wendde het team zich tot een echte bibliotheek van 4.099 goedgekeurde geneesmiddelen en beperkte die tot meer dan 1.600 schone, goed gedefinieerde kleine moleculen. Het computermodel schatte hoe sterk elk geneesmiddel HER2 zou kunnen blokkeren en markeerde een subset die naar verwachting bijzonder krachtig zou zijn. Deze topkandidaten werden vervolgens "gedocked" in driedimensionale structuren van het normale HER2-eiwit en een problematische mutante vorm die in sommige resistente tumoren voorkomt. Dockingsimulaties werken als een virtuele sleutel-op-slottest, waarbij wordt gecontroleerd hoe nauw een geneesmiddel in de actieve pocket van HER2 past en welke soorten atomaire contacten het kan vormen.

Het volgen van de meest veelbelovende kandidaat in de tijd

Één hart- en oogmedicijn, timololmaleaat (aangeduid als FDA0870 in de studie), stak herhaaldelijk bovenuit. Het behoorde tot de hoogste scores in zowel het machine learning-scherm als de dockingtaken voor normale en gemuteerde HER2, en vormde sterke waterstofbruggen en hydrofobe contacten met sleutelregio’s die de activiteit van het eiwit regelen. Om te zien of deze binding onder realistischere omstandigheden stand zou houden, voerden de onderzoekers lange moleculaire dynamica-simulaties uit die nabootsen hoe moleculen wiebelen en bewegen in een waterige, lichaamsachtige omgeving. Over nanoseconden tot microseconden van gesimuleerde tijd bleef timolol stabiel in de HER2-pocket voor beide vormen van het eiwit. Aanvullende computertests van absorptie, distributie, metabolisme, excretie en toxiciteit suggereerden dat het bestaande geneesmiddellike profiel, de matige permeabiliteit en de veiligheid over het algemeen geschikt waren voor verdere verkenning.

Wat dit voor patiënten kan betekenen

In gewone taal laat dit werk zien dat slimme computerpijplijnen enorme aantallen bekende medicijnen kunnen doorzoeken om die te vinden die het meest waarschijnlijk werken tegen moeilijke kankers, lang voordat enig laboratorium- of dieronderzoek begint. Onder de vele onderzochte goedgekeurde geneesmiddelen kwam timolol naar voren als een sterke kandidaat om te worden herbestemd als een dubbele remmer van zowel de standaard- als de gemuteerde HER2 bij borstkanker. Hoewel de resultaten puur computationeel zijn en nog bevestigd moeten worden door experimenten in cellen en dieren, wijzen ze op een snellere en mogelijk goedkopere route om nieuwe middelen tegen HER2-positieve ziekte toe te voegen door vertrouwde medicijnen een nieuwe rol te geven.

Bronvermelding: Dinesh, B.G.H., Ganjipete, S., Kumar, B.S. et al. Machine learning-driven drug repurposing for HER2-positive breast cancer. Sci Rep 16, 15868 (2026). https://doi.org/10.1038/s41598-026-45361-z

Trefwoorden: HER2-positieve borstkanker, herbestemming van geneesmiddelen, machine learning, moleculair docken, timolol