AI i eksperymentalna konwergencja: synergiczna ścieżka do odkrywania inhibitorów JAK2

Dlaczego to ma znaczenie dla przyszłych leków

Wiele nowotworów i chorób autoimmunologicznych jest napędzanych przez nadaktywne białko sygnałowe zwane JAK2, które działa jak włączony na stałe przełącznik w komórkach. Odkrycie bezpiecznych i precyzyjnych leków, które wyciszają ten przełącznik, jest trudne i kosztowne przy użyciu tradycyjnej metody prób i błędów w chemii. To badanie pokazuje, jak połączenie sztucznej inteligencji z eksperymentami laboratoryjnymi może znacznie przyspieszyć poszukiwania nowych tabletek blokujących JAK2, potencjalnie prowadząc do lepszych terapii, które trafiają do pacjentów szybciej i przy niższych kosztach.

Komórkowy przełącznik stojący za stanami zapalnymi

JAK2 należy do niewielkiej rodziny enzymów, które pomagają komórkom odpowiadać na chemiczne sygnały z układu odpornościowego i tkanek tworzących krew. Gdy te enzymy zawodzą — często z powodu konkretnych mutacji DNA — komórki otrzymują stałe sygnały wzrostu i przeżycia. U ludzi może to prowadzić do nowotworów krwi, przewlekłych stanów zapalnych i uszkodzeń stawów. Lekarze mają już kilka leków celujących w JAK2, ale niektóre powodują skutki uboczne lub nie działają wystarczająco dobrze. Jednym z dużych wyzwań jest to, że kluczowa kieszeń, w której leki wiążą się z białkiem, wygląda bardzo podobnie w całej rodzinie JAK, co utrudnia zaprojektowanie leków wyłączających JAK2 bez wpływu na jego bliskich krewnych.

Nauczanie komputerów rozpoznawania dobrych kandydatów na leki

Naukowcy zaczęli od tysięcy znanych związków, które już zostały przetestowane pod kątem zdolności do blokowania JAK2. Każda cząsteczka została przekształcona w rodzaj cyfrowego kodu kreskowego, zwanego odciskiem molekularnym, który koduje jej składniki i kształty. Kilka nowoczesnych metod uczenia maszynowego zostało wytrenowanych na tych odciskach, aby nauczyć się, które wzorce mają tendencję do oznaczania silnych inhibitorów JAK2, a które nie. Wśród nich metoda nazwana CatBoost okazała się najlepsza, poprawnie rozróżniając cząsteczki aktywne od nieaktywnych w około 94 procentach przypadków i wykazując doskonałe wyniki w szeregu testów jakości.

Od cyfrowych hitów do wiązania na poziomie atomowym

Wyposażeni w ten wytrenowany model, zespół zastosował go do obszernej krajowej kolekcji obejmującej około trzech czwartych miliona związków z Koreańskiej Bazy Danych Chemikaliów. AI najpierw zawęziła to zasoby do zaledwie kilku tysięcy prawdopodobnych inhibitorów JAK2. Następnie zbadano je bardziej szczegółowymi narzędziami komputerowymi, które symulują, jak cząsteczki osadzają się w trójwymiarowej kieszeni białka JAK2. Obliczenia dokowania oceniały, jak ciasno każdy kandydat pasuje, podczas gdy metody grupowania zapewniały, że ostateczne wybory były strukturalnie zróżnicowane, a nie wieloma bliskimi kopiami tej samej koncepcji.

Testy wytrzymałości najlepszych cząsteczek

Najlepiej ocenione związki poddano dalszym badaniom za pomocą symulacji opartych na fizyce, które pozwoliły białku i lekowi poruszać się i elastycznie dostosowywać w wirtualnej wodzie w czasie, ujawniając, które utrzymują się mocno w swoim miejscu. Dodatkowe obliczenia na poziomie kwantowym badały rozkład elektronów w cząsteczkach, co wpływa na ich reaktywność i stabilność przy wiązaniu z JAK2. Zespół przewidział również, jak każdy kandydat zachowa się jako lek: jak łatwo się rozpuszcza, jak dobrze może być wchłaniany w jelitach oraz czy prawdopodobnie przejdzie do mózgu. Ten proces eliminacji uwydatnił niewielki zestaw związków, które łączyły silne, stabilne wiązanie z cechami przypominającymi leki.

Sprawdzanie przewidywań AI w praktyce

Wreszcie cztery wyróżniające się cząsteczki zostały zsyntezowane i przetestowane bezpośrednio w biochemicznym teście mierzącym, jak silnie blokują aktywność JAK2. Wszystkie cztery wykazały imponującą moc działania, z koncentracją potrzebną do zmniejszenia aktywności o połowę poniżej 10 mikromolarnych, a jeden związek przewyższył zatwierdzony lek referencyjny w tym teście. Wyniki te potwierdziły, że pipeline kierowany przez AI był nie tylko skuteczny w przewidywaniach na papierze, ale rzeczywiście dostarczył realnych kandydatów do leków.

Szybsza droga do dopasowanych terapii

Dla osób niebędących specjalistami kluczowy przekaz jest taki, że starannie zaprojektowane systemy AI potrafią teraz przesiewać ogromne przestrzenie chemiczne, wyłaniając garstkę obiecujących kandydatów, które naukowcy laboratoryjni mogą następnie testować i udoskonalać. W tym badaniu takie podejście wygenerowało nowe, silne inhibitory medycznie istotnego białka, oszczędzając czas, wysiłek i zasoby. W miarę dojrzewania tych partnerstw AI i eksperymentów prawdopodobnie przyspieszą tworzenie bardziej precyzyjnych terapii dla chorób napędzanych przez JAK2 i — szerzej — otworzą drogę do leków lepiej dopasowanych do potrzeb pacjentów.

Cytowanie: 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

Słowa kluczowe: inhibitory JAK2, odkrywanie leków z wykorzystaniem uczenia maszynowego, terapia ukierunkowana na kinazy, screening wirtualny, medycyna spersonalizowana