ИИ и экспериментальная сходимость: синергетический путь к открытию ингибиторов JAK2

Почему это важно для будущих лекарств

Во многих видах рака и при аутоиммунных заболеваниях ключевую роль играет чрезмерно активный сигнальный белок JAK2, который действует как заедавший переключатель внутри клетки. Найти безопасные и точные препараты, которые могут ослабить этот переключатель, сложно и дорого при традиционном методе проб и ошибок в химии. В этом исследовании показано, как сочетание искусственного интеллекта и лабораторных экспериментов может кардинально ускорить поиск новых таблеток, блокирующих JAK2, что потенциально приведёт к более эффективным лечениям, доступным пациентам быстрее и с меньшими затратами.

Клеточный переключатель, стоящий за воспалением

JAK2 относится к небольшой семье ферментов, которые помогают клеткам реагировать на химические сигналы иммунной системы и кроветворных тканей. Когда эти ферменты дают сбой — часто из‑за определённых изменений в ДНК — клетки получают постоянные сигналы на рост и выживание. У людей это может приводить к заболеваниям крови, хроническому воспалению и повреждению суставов. У врачей уже есть несколько препаратов, нацеленных на JAK2, но некоторые из них вызывают побочные эффекты или недостаточно эффективны. Одна из главных проблем в том, что ключевой карман, где связываются лекарства, выглядит очень похоже у всех членов семейства JAK, что затрудняет разработку препаратов, которые выключали бы именно JAK2, не затрагивая близких родственников.

Обучение компьютеров распознавать хорошие кандидаты в лекарства

Исследователи начали с тысяч известных соединений, которые уже тестировались на способность блокировать JAK2. Каждая молекула была преобразована в своего рода цифровой штрихкод, называемый молекулярным отпечатком, который кодирует её состав и форму. Несколько современных методов машинного обучения были обучены на этих отпечатках, чтобы выявить, какие шаблоны обычно характеризуют сильных блокаторов JAK2, а какие — нет. Среди них лучшей оказалась модель под названием CatBoost, правильно отделявшая активные молекулы от неактивных примерно в 94 процентах случаев и показывавшая отличные результаты по ряду контрольных проверок.

От цифровых «хитов» к атомному уровню связывания

Вооружившись этой обученной моделью, команда применила её к большой национальной коллекции примерно трёх четвертей миллиона соединений из Корейской химической базы данных. ИИ сначала сузил пул до нескольких тысяч вероятных блокаторов JAK2. Эти кандидаты затем изучались с помощью более детальных компьютерных инструментов, имитирующих, как молекулы располагаются внутри трёхмерного кармана белка JAK2. Расчёты докинга оценивали, как плотно каждый кандидат помещается в карман, а методы кластеризации гарантировали, что окончательный отбор будет структурно разнообразным, а не состоять из множества почти одинаковых вариантов.

Надёжность лучших молекул под нагрузкой

Лучшие по баллам соединения дополнительно проверяли с помощью физических симуляций, которые позволяли белку и препарату двигаться и гибко взаимодействовать в виртуальной воде с течением времени, показывая, какие из них удерживаются прочно. Дополнительные квантово‑механические расчёты исследовали распределение электронов в молекулах, что влияет на их реактивность и стабильность при связывании с JAK2. Команда также предсказывала фармакологические свойства кандидатов: насколько хорошо они растворяются, как могут всасываться в кишечнике и способны ли проникать в мозг. Этот процесс отсевания выделил небольшое множество соединений, которые сочетали сильное и стабильное связывание с свойствами, пригодными для лекарств.

Проверка предсказаний ИИ

В конце концов четыре выдающиеся молекулы были синтезированы и протестированы в биохимическом анализе, измеряющем, насколько сильно они блокируют активность JAK2. Все четыре показали впечатляющую активность: концентрация, необходимая для снижения активности вдвое, оказалась ниже 10 микромоляр, а одно соединение превзошло одобренный референтный препарат в этом тесте. Эти результаты подтвердили, что конвейер, управляемый ИИ, был полезен не только для бумажных предсказаний, но и способен доставлять реальные перспективные кандидаты на лекарства.

Более быстрый путь к персонализированным лечениям

Для неспециалистов ключевая идея проста: хорошо продуманные системы ИИ теперь могут просеивать огромные химические пространства, выделяя несколько многообещающих кандидатов, которые затем учёные в лаборатории могут испытать и оптимизировать. В этом исследовании такой подход привёл к новым, мощным блокаторам важного в медицинском отношении белка, одновременно экономя время, усилия и ресурсы. По мере того как партнёрства ИИ и эксперимента будут развиваться, они, вероятно, ускорят создание более точных терапий для заболеваний, обусловленных JAK2, и, в более широком смысле, откроют дорогу лекарствам, лучше соответствующим нуждам пациентов.

Цитирование: 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

Ключевые слова: ингибиторы JAK2, машинное обучение в поиске лекарств, терапия, нацеленная на киназы, виртуальный скрининг, персонализированная медицина