LEGION Molecular: cobertura incrivelmente extensa do espaço químico ao redor do alvo NLRP3

Por que isso importa para medicamentos do futuro

Projetar novos medicamentos é como procurar alguns grãos de areia especiais em uma praia infinita. Este artigo descreve uma forma de ampliar massivamente a busca em torno de um interruptor promissor do sistema imunológico chamado NLRP3, associado a muitas doenças inflamatórias crônicas. Combinando vários tipos de inteligência artificial com truques químicos engenhosos, os autores geram e compartilham uma coleção gigantesca de moléculas projetadas por computador que, um dia, podem servir como pontos de partida para novos fármacos.

O desafio de um universo molecular sem fim

Químicos falam em “espaço químico” para descrever todas as pequenas moléculas que, em princípio, poderiam existir. Esse espaço é impressionantemente vasto — muito além do que podemos armazenar em um banco de dados ou testar em um laboratório. Catálogos existentes de moléculas reais ou facilmente sintetizáveis cobrem apenas um minúsculo ponto desse universo, e ainda menos têm qualquer atividade biológica conhecida. A maior parte da descoberta de fármacos hoje ainda pesca nesse pequeno e já explorado lago, o que limita a chance de encontrar tratamentos verdadeiramente novos e patenteáveis. Os autores argumentam que a região mais empolgante fica entre o que é claramente fabricável e o que é claramente impossível de sintetizar: moléculas que parecem realistas, mas que nunca foram feitas antes.

Um interruptor inflamatório difícil mas valioso

A equipe foca no NLRP3, um complexo proteico que ajuda a controlar a inflamação. Quando mal regulado, o NLRP3 tem sido associado a uma ampla gama de transtornos, desde doenças autoimunes até condições metabólicas e neurodegenerativas. Várias empresas já projetaram bloqueadores de pequenas moléculas para NLRP3, mas nenhum ainda se tornou um medicamento aprovado, em parte por problemas como seletividade, entrega aos tecidos corretos e biologia complexa. Isso torna o NLRP3 simultaneamente de alto risco e alta recompensa: um terreno de teste perfeito para métodos que podem explorar um território químico muito mais amplo do que as abordagens padrão permitem.

Como o fluxo de trabalho LEGION explora o espaço químico

Os autores apresentam o LEGION, um fluxo de trabalho em múltiplas etapas construído sobre uma plataforma industrial de IA chamada Chemistry42. Primeiro, partem de estruturas 3D conhecidas onde pequenas moléculas se alojam dentro da proteína NLRP3. Usando essas estruturas como modelos, executam duas buscas independentes: uma varre grandes coleções de moléculas existentes e sinteticamente viáveis, e a outra usa modelos de IA generativa para inventar novas e plausíveis. Ambas são guiadas por simulações computacionais que verificam o quão bem cada molécula se encaixa na proteína, incluindo sua forma e pontos de contato-chave. A partir dos “hits virtuais” resultantes, a equipe extrai automaticamente esqueletos moleculares centrais, ou scaffolds, que parecem cruciais para a ligação.

Dos esqueletos-chave a bilhões de possibilidades

Em seguida, o LEGION transforma esses scaffolds derivados do 3D em blocos de construção 2D marcados com posições onde grupos químicos podem ser anexados. Os pesquisadores refinam e expandem esse conjunto para mais de 34.000 scaffolds únicos, depois para cerca de 94.000 preferidos, especialmente adequados para projeto adicional. Eles usam duas estratégias complementares para construir enormes bibliotecas virtuais: um pipeline generativo 2D que propõe novas moléculas em torno desses scaffolds, e um esquema combinatorial simples mas poderoso que encaixa sistematicamente fragmentos “esquerdo” e “direito” em esqueletos centrais. Amostragens cuidadosas dessa explosão combinatorial geram cerca de 110 milhões de moléculas distintas nos conjuntos de dados compartilhados, e o código acompanhante poderia, em princípio, gerar cerca de 123 bilhões.

Verificando se as moléculas virtuais ainda fazem sentido

Criar números impressionantes de estruturas só é útil se pelo menos algumas delas tiverem uma boa chance de funcionar. Para testar isso, os autores selecionam aleatoriamente subconjuntos de suas moléculas projetadas em 2D e executam novamente o docking 3D completo e a pontuação, como se fossem novos candidatos. Eles constataram que mais da metade das moléculas geradas por IA e uma fração considerável das combinatoriais se comportam como “hits virtuais” promissores nesses testes. Em estudos de caso adicionais, mostram que o LEGION é capaz de redescobrir famílias conhecidas de moléculas bloqueadoras de NLRP3 sem ser informado sobre elas diretamente, e que ele até continha exemplos de um novo quimotipo posteriormente reportado por outro grupo como uma série inédita de inibidores de NLRP3.

O que isso significa daqui para frente

Para não especialistas, a principal mensagem é que caçadores de fármacos estão começando a mapear seu caminho por um espaço quase inimaginavelmente grande de possíveis medicamentos com a ajuda da IA. Em vez de oferecer um único novo remédio, este estudo fornece uma vasta paisagem focada no alvo de moléculas projetadas por computador ao redor do NLRP3, junto com as ferramentas para explorá-la. Essa paisagem pode acelerar a triagem virtual, inspirar novas estratégias de patentes e ajudar pesquisadores a saltar de uma família química para outra em busca de fármacos anti-inflamatórios mais seguros e eficazes. Em suma, o LEGION transforma um universo químico distante e abstrato em um playground estruturado para a descoberta futura de fármacos direcionados ao NLRP3.

Citação: 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

Palavras-chave: inibidores de NLRP3, química generativa, espaço químico, descoberta de fármacos orientada por IA, triagem virtual