Molecular LEGION: nieobliczalnie szerokie pokrycie przestrzeni chemicznej wokół celu NLRP3

Dlaczego to ma znaczenie dla przyszłych leków

Projektowanie nowych leków przypomina poszukiwanie kilku wyjątkowych ziarenek piasku na niekończącej się plaży. Artykuł opisuje sposób na radykalne poszerzenie poszukiwań wokół obiecującego przełącznika układu odpornościowego o nazwie NLRP3, który jest powiązany z wieloma przewlekłymi chorobami zapalnymi. Łącząc kilka rodzajów sztucznej inteligencji z pomysłowymi zabiegami chemicznymi, autorzy generują i udostępniają gigantyczną kolekcję komputerowo zaprojektowanych cząsteczek, które mogą w przyszłości stać się punktami wyjścia dla nowych leków.

Wyzwanie nieskończonego wszechświata molekuł

Chemicy używają terminu „przestrzeń chemiczna”, by opisać wszystkie małe cząsteczki, które w zasadzie mogłyby istnieć. Ta przestrzeń jest niewyobrażalnie rozległa — znacznie poza tym, co możemy przechować w bazie danych lub przetestować w laboratorium. Istniejące katalogi realnych lub łatwo syntetyzowalnych związków obejmują tylko maleńki ułamek tego wszechświata, a jeszcze mniej ma znaną aktywność biologiczną. Większość dzisiejszego odkrywania leków wciąż łowi w tym małym, dobrze znanym stawie, co ogranicza szanse znalezienia naprawdę nowych i opatentowalnych terapii. Autorzy argumentują, że najciekawszy obszar leży między tym, co wyraźnie da się wytworzyć, a tym, co wyraźnie jest niemożliwe do zsyntezowania: cząsteczki wyglądające realistycznie, ale nigdy wcześniej niewytworzone.

Trudny, ale wartościowy przełącznik zapalny

Zespół koncentruje się na NLRP3, kompleksie białkowym, który pomaga kontrolować zapalenie. Gdy jest źle regulowany, NLRP3 wiąże się z szerokim spektrum zaburzeń — od chorób autoimmunologicznych po schorzenia metaboliczne i neurodegeneracyjne. Kilka firm zaprojektowało już małe inhibitory NLRP3, ale żaden z nich jeszcze nie stał się zatwierdzonym lekiem, częściowo z powodu problemów takich jak selektywność, dostarczanie do odpowiednich tkanek i złożona biologia. To czyni NLRP3 zarówno wysokim ryzykiem, jak i wysoką nagrodą: doskonałym polem doświadczalnym dla metod, które mogą eksplorować znacznie szersze terytorium chemiczne niż standardowe podejścia.

Jak workflow LEGION eksploruje przestrzeń chemiczną

Autorzy przedstawiają LEGION, wieloetapowy workflow oparty na przemysłowej platformie AI o nazwie Chemistry42. Najpierw zaczynają od znanych struktur 3D, w których małe cząsteczki osiadają wewnątrz białka NLRP3. Używając ich jako szablonów, uruchamiają dwa niezależne przeszukania: jedno przesiewa ogromne zbiory istniejących, syntetycznie wykonalnych cząsteczek, a drugie używa modeli generatywnej AI do wynajdowania nowych, prawdopodobnych związków. Oba etapy są prowadzane przez symulacje komputerowe, które sprawdzają, jak dobrze każda cząsteczka pasuje do białka, biorąc pod uwagę jej kształt i kluczowe punkty kontaktu. Z wynikowych „wirtualnych trafień” zespół automatycznie wyodrębnia podstawowe szkielety molekularne, czyli rusztowania, które wydają się kluczowe dla wiązania.

Od kluczowych rusztowań do miliardów możliwości

Następnie LEGION zamienia te rusztowania pochodzące z 3D w 2D bloki budulcowe oznaczone pozycjami, gdzie można dołączyć grupy chemiczne. Badacze dopracowują i rozszerzają ten zestaw do ponad 34 000 unikalnych rusztowań, a następnie do około 94 000 faworyzowanych, które są szczególnie odpowiednie do dalszego projektowania. Stosują dwie komplementarne strategie budowy ogromnych bibliotek wirtualnych: 2D generatywną ścieżkę, która proponuje nowe cząsteczki wokół tych rusztowań, oraz prosty, lecz potężny schemat kombinatoryczny, który systematycznie wstawia „lewe” i „prawe” fragmenty w centralne rusztowania. Ostrożne próbki tej kombinatorycznej eksplozji dają około 110 milionów różnych cząsteczek w udostępnionych zestawach danych, a towarzyszący kod mógłby w zasadzie wygenerować około 123 miliardów.

Sprawdzanie, czy wirtualne cząsteczki nadal mają sens

Tworzenie oszałamiającej liczby struktur ma sens tylko wtedy, gdy przynajmniej część z nich ma realną szansę zadziałać. Aby to przetestować, autorzy losowo wybierają podzbiory swoich 2D-projektowanych cząsteczek i ponownie uruchamiają pełne dokowanie 3D oraz ocenianie, jak gdyby były to nowe kandydaty. Stwierdzają, że ponad połowa cząsteczek wygenerowanych przez AI oraz znaczna część tych z podejścia kombinatorycznego zachowuje się jak obiecujące „wirtualne trafienia” w tych testach. W dodatkowych studiach przypadków pokazują, że LEGION potrafi odtworzyć znane rodziny molekuł blokujących NLRP3 bez uprzedniej informacji o nich, a nawet zawierał przykłady nowego chemotypu później opisanego przez inną grupę jako świeża seria inhibitorów NLRP3.

Co to oznacza na przyszłość

Dla osób niebędących specjalistami główne przesłanie jest takie, że odkrywcy leków zaczynają mapować drogę przez niemal niewyobrażalnie rozległą przestrzeń możliwych leków przy pomocy AI. Zamiast oferować pojedynczy nowy lek, to badanie dostarcza rozległy, ukierunkowany na cel krajobraz komputerowo zaprojektowanych cząsteczek wokół NLRP3 oraz narzędzia do jego eksploracji. Ten krajobraz może przyspieszyć screening wirtualny, zainspirować nowe strategie patentowe i pomóc badaczom przeskakiwać z jednej rodziny chemicznej do innej w poszukiwaniu bezpieczniejszych, skuteczniejszych leków przeciwzapalnych. Krótko mówiąc, LEGION przekształca odległy, abstrakcyjny wszechświat chemiczny w uporządkowane pole zabaw dla przyszłych badań nad lekami skierowanymi na NLRP3.

Cytowanie: 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

Słowa kluczowe: inhibitory NLRP3, chemia generatywna, przestrzeń chemiczna, odkrywanie leków napędzane AI, screening wirtualny