Multi-target geneesmiddelontdekking mogelijk maken via latente evolutionaire optimalisatie en synthese-bewuste prioritering (EVOSYNTH)

Waarom het ontwerpen van slimmere medicijnen ertoe doet

Veel ernstige aandoeningen, van de ziekte van Alzheimer tot eierstokkanker, ontstaan niet door één defect eiwit maar door hele netwerken van verstoorde routes. Het behandelen van zulke aandoeningen met één medicijn gericht op één doelwit schiet vaak tekort, terwijl patiënten meerdere medicijnen geven toxische bijwerkingen en complexe doseringsschema’s kan veroorzaken. Deze studie introduceert EVOSYNTH, een computationeel raamwerk dat tot doel heeft één enkele verbinding te ontwerpen die veilig en effectief meerdere ziektegerelateerde doelwitten tegelijk kan beïnvloeden — en, cruciaal, die chemici daadwerkelijk in het laboratorium kunnen maken.

Van enkelvoudige doelwitten naar meerdere schakelaars

Traditionele geneesmiddelenontwikkeling heeft grotendeels gejaagd op ‘magische kogels’: stoffen die sterk binden aan één eiwit en de rest met rust laten. Naarmate de tijd vorderde werd duidelijk dat deze aanpak moeite heeft bij complexe ziekten met meerdere feedbacklussen en noodroutes. Het toevoegen van meer geneesmiddelen — de polyfarmacie-strategie — kan de dekking verbeteren maar vergroot het risico op gevaarlijke medicijninteracties, onvoorspelbaar gedrag in het lichaam en belastende behandelingsschema’s. Multi-target geneesmiddelen bieden een middenweg: één zorgvuldig ontworpen molecuul dat meerdere belangrijke eiwitten tegelijk moduleren kan, bij voorkeur het hele netwerk voorzichtig terug richting gezondheid duwend. De uitdaging is dat het vinden van zulke moleculen, en ervoor zorgen dat ze praktisch syntheseerbaar blijven, met de hand extreem moeilijk is.

Een digitale evolutie-engine voor moleculen

EVOSYNTH pakt deze uitdaging aan door potentiële geneesmiddelen te behandelen als een populatie die binnen een computer kan ‘evolueren’. In plaats van echte moleculen in een reageerbuis te veranderen werkt het systeem in een abstracte, gecomprimeerde ruimte die zowel de structuur van elk molecuul als het voorspelde gedrag tegen verschillende eiwitdoelwitten encodeert. Een gespecialiseerd neuraal netwerk leert deze ruimte zodat nabijgelegen punten doorgaans overeenkomen met moleculen met vergelijkbare multi-target activiteit. Een diffusieproces speelt vervolgens de rol van mutatie en verstoort deze punten zachtjes om nieuwe virtuele moleculen te genereren. Na elke ronde worden kandidaten beoordeeld op hoe sterk ze naar verwachting aan meerdere gekozen eiwitten tegelijk binden, terwijl harde filters alle kandidaten afwijzen die niet voldoen aan basisvereisten voor drug‑likeness, toxiciteit of, bij hersenziekten, het vermogen om de bloed‑hersenbarrière te passeren.

Geneesmiddelen ontwerpen die daadwerkelijk gemaakt kunnen worden

Een belangrijke innovatie van EVOSYNTH is dat het niet stopt bij virtuele activiteit. Veel voorgestelde moleculen van AI‑modellen zien er op papier veelbelovend uit maar zijn onpraktisch moeilijk of duur om te synthetiseren. Om deze valkuil te vermijden integreren de auteurs een syntheseplanningssysteem genaamd SPARROW in hun workflow. Deze tool bouwt reactienetwerken die elk kandidaat‑molecuul terugverbinden met gemakkelijk verkrijgbare bouwstenen, en schat het aantal stappen, de kosten van beginmaterialen en de betrouwbaarheid van elke reactie. In plaats van onmogelijk geachte moleculen achteraf simpelweg af te wijzen, gebruikt EVOSYNTH deze berekeningen over het hele netwerk om kandidaten te prioriteren die de beste afweging bieden tussen therapeutische belofte en praktische maakbaarheid, inclusief mogelijkheden om intermediairen te hergebruiken en stappen te delen over meerdere topverbindingen.

Realistische tests bij hersenziekten en kanker

Om te demonstreren wat EVOSYNTH kan, pasten de onderzoekers het toe op twee veeleisende casussen. Voor de ziekte van Alzheimer zochten ze moleculen die zowel JNK3 als GSK3β konden blokkeren, twee enzymen die betrokken zijn bij neuronale celdood en abnormale eiwitophoping in de hersenen. Voor eierstokkanker richtten ze zich op een paar eiwitten die betrokken zijn bij groeisignalisatie en DNA‑herstel, PI3K en PARP1, waarvan is aangetoond dat gelijktijdige remming bijzonder effectief kan zijn. Beginnend vanaf bekende enkelvoudige doelwitgeneesmiddelen als ‘zaad’‑scaffolds genereerde en verfijnde EVOSYNTH nieuwe structuren over vele generaties. Vergeleken met een nauw verwante methode en een ander geavanceerd generatief model produceerde EVOSYNTH consequent kandidaat‑moleculen met sterker voorspelde activiteit tegen beide doelwitten, grotere structurele variëteit en lagere gelijkenis met het oorspronkelijke scaffold — aanwijzingen dat het werkelijk nieuw chemisch terrein verkent in plaats van eindeloos hetzelfde motief te verfijnen.

Balanceren van kracht, diversiteit en kosten

Toen het team de beste moleculen door de synthese‑lens bekeek, werden de voordelen van hun aanpak nog duidelijker. Binnen realistische beperkingen — slechts ongeveer tien verbindingen kunnen doorgaan naar experimentele tests — combineerden EVOSYNTH’s topselecties een hogere verwachte therapeutische opbrengst met minder reactiestappen, minder verschillende beginmaterialen en aanzienlijk lagere geschatte materiaalkosten dan de door concurrerende methoden voorgestelde opties. Interessant genoeg kwam deze kosteneffectiviteit naar voren ondanks dat het systeem niet expliciet getraind was om synthetische moeilijkheid te minimaliseren. In plaats daarvan stelde de neiging om families van verwante maar diverse moleculen te genereren de syntheseplanner in staat bouwstenen en reactievolgordes te hergebruiken, waardoor ontwerpen die beter schaalbaar zijn in het laboratorium natuurlijk werden bevoordeeld.

Wat dit betekent voor toekomstige medicijnen

Voor niet‑specialisten is de belangrijkste conclusie dat EVOSYNTH een manier biedt om intelligent te zoeken door de immense ruimte van mogelijke moleculen, niet alleen naar diegenen die meerdere ziekte‑schakelaars tegelijk raken maar ook naar die welke chemici zonder heldhaftige inspanning kunnen maken. Door voorspellingen van multi‑target activiteit nauw te koppelen aan controles op veiligheid, hersenpenetratie en synthese‑praktijkbaarheid, brengt het raamwerk computationeel geneesmiddelenontwerp een stap dichter bij het produceren van echte, testbare verbindingen. Hoewel het huidige werk zich richt op paren van doelwitten en steunt op computer‑geschatte binding in plaats van volledige experimentele data, is de aanpak algemeen toepasbaar. Met verdere verfijning zouden soortgelijke systemen kunnen helpen bij het ontwerpen van een nieuwe generatie multifunctionele geneesmiddelen die zowel biologisch verfijnd als op schaal maakbaar zijn.

Bronvermelding: Nguyen, V.T.D., Pham, P. & Hy, TS. Enabling multi-target drug discovery through latent evolutionary optimization and synthesis-aware prioritization (EVOSYNTH). Commun Chem 9, 133 (2026). https://doi.org/10.1038/s42004-026-01945-4

Trefwoorden: multi-target geneesmiddelontwerp, AI-gedreven geneesmiddelontdekking, evolutionaire optimalisatie, synthetische toegankelijkheid, polyfarmacologie