IA e convergência experimental: um caminho sinérgico para a descoberta de inibidores de JAK2

Por que isso importa para os remédios do futuro

Muitos cânceres e doenças autoimunes são impulsionados por uma proteína de sinalização hiperativa chamada JAK2, que age como um interruptor preso na posição "ligado" dentro das células. Encontrar medicamentos seguros e precisos que reduzam a atividade desse interruptor é difícil e caro usando a química tradicional de tentativa e erro. Este estudo mostra como combinar inteligência artificial com experimentos de laboratório pode acelerar dramaticamente a busca por novas pílulas que bloqueiem JAK2, potencialmente levando a tratamentos melhores que cheguem aos pacientes mais rápido e a um custo menor.

O interruptor celular por trás da inflamação

JAK2 pertence a uma pequena família de enzimas que ajudam as células a responder a sinais químicos do sistema imunológico e dos tecidos formadores de sangue. Quando essas enzimas falham — frequentemente devido a mutações específicas no DNA — as células recebem sinais constantes de crescimento e sobrevivência. Em pessoas, isso pode levar a cânceres do sangue, inflamação crônica e danos nas articulações. Os médicos já dispõem de alguns fármacos que têm como alvo JAK2, mas alguns causam efeitos colaterais ou não funcionam com eficácia suficiente. Um grande desafio é que o bolsão-chave onde os fármacos se ligam é muito semelhante em toda a família JAK, o que dificulta projetar medicamentos que desativem JAK2 sem afetar seus parentes próximos.

Ensinando computadores a reconhecer bons candidatos a fármacos

Os pesquisadores começaram com milhares de compostos conhecidos que já haviam sido testados por sua capacidade de bloquear JAK2. Cada molécula foi convertida em uma espécie de código de barras digital, chamado impressão molecular, que codifica seus blocos construtores e formas. Vários métodos modernos de aprendizado de máquina foram treinados nessas impressões para aprender quais padrões tendem a indicar bloqueadores fortes de JAK2 e quais não. Entre eles, um método chamado CatBoost se destacou, separando corretamente moléculas ativas de inativas em cerca de 94% dos casos e mostrando desempenho excelente em várias verificações de qualidade.

De acertos digitais para ligação ao nível atômico

Com esse modelo treinado, a equipe o aplicou a uma enorme coleção nacional de aproximadamente três quartos de milhão de compostos do Banco de Dados Químicos Coreano. A IA primeiro reduziu esse conjunto para apenas alguns milhares de prováveis bloqueadores de JAK2. Estes foram então examinados com ferramentas computacionais mais detalhadas que simulam como as moléculas se acomodam dentro do bolso tridimensional da proteína JAK2. Cálculos de docking avaliaram quão bem cada candidato encaixava, enquanto métodos de agrupamento garantiram que as escolhas finais fossem estruturalmente diversas em vez de muitas cópias muito semelhantes da mesma ideia.

Testando o estresse das melhores moléculas

Os compostos com melhor pontuação foram investigados mais a fundo com simulações baseadas em física que permitiram que a proteína e o fármaco se agitassem e flexionassem em água virtual ao longo do tempo, revelando quais permaneciam firmemente alojados. Cálculos adicionais em nível quântico examinaram como os elétrons estão distribuídos nas moléculas, o que afeta quão reativas e estáveis elas são ao se ligarem ao JAK2. A equipe também previu como cada candidato se comportaria como medicamento: quão facilmente se dissolve, quão bem pode ser absorvido pelo intestino e se é provável atravessar o cérebro. Esse processo de seleção destacou um pequeno conjunto de compostos que combinavam ligação forte e estável com propriedades semelhantes às de fármacos.

Colocando as previsões da IA à prova

Por fim, quatro moléculas de destaque foram sintetizadas e testadas diretamente em um ensaio bioquímico que mede quão fortemente bloqueiam a atividade de JAK2. Todas as quatro mostraram potência impressionante, com a concentração necessária para reduzir a atividade pela metade abaixo de 10 micromolar, e um composto superando um medicamento de referência aprovado nesse teste. Esses resultados confirmaram que o pipeline guiado por IA não era apenas bom em prever no papel, mas podia realmente fornecer candidatos a fármacos no mundo real.

Uma rota mais rápida para tratamentos sob medida

Para não especialistas, a mensagem principal é que sistemas de IA cuidadosamente projetados agora podem peneirar enormes espaços químicos, sinalizando um punhado de candidatos promissores que cientistas de laboratório podem então testar e refinar. Neste estudo, essa abordagem produziu novos bloqueadores potentes de uma proteína de importância médica enquanto economizava tempo, esforço e recursos. À medida que essas parcerias entre IA e experimentos amadurecem, é provável que acelerem a criação de terapias mais precisas para doenças impulsionadas por JAK2 e, mais amplamente, abram a porta para medicamentos mais bem ajustados às necessidades dos pacientes.

Citação: 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

Palavras-chave: inibidores de JAK2, descoberta de fármacos com aprendizado de máquina, terapia direcionada a quinases, triagem virtual, medicina personalizada