Молекулярный LEGION: неизмеримо широкое покрытие химического пространства вокруг мишени NLRP3

Почему это важно для будущих лекарств

Создание новых лекарств похоже на поиск нескольких особых песчинок на бесконечном пляже. В этой статье описан подход, позволяющий существенно расширить область поиска вокруг перспективного переключателя иммунной системы NLRP3, связанного со множеством хронических воспалительных заболеваний. Комбинируя несколько видов искусственного интеллекта с умными химическими приёмами, авторы генерируют и распространяют гигантскую коллекцию компьютерно‑спроектированных молекул, которые однажды могут стать отправной точкой для новых препаратов.

Проблема бесконечной Вселенной молекул

Химики говорят о «химическом пространстве», имея в виду все малые молекулы, которые теоретически могли бы существовать. Это пространство потрясающе огромно — гораздо больше того, что можно хранить в базе данных или проверять в лаборатории. Существующие каталоги реальных или легко синтезируемых молекул покрывают лишь крошечную частицу этой Вселенной, и ещё меньше имеют известную биологическую активность. Большая часть современной разработки лекарств по-прежнему ведётся в этом небольшом, хорошо исследованном «пруду», что ограничивает вероятность обнаружения действительно новых и патентоспособных препаратов. Авторы утверждают, что наиболее интересная область лежит между тем, что явно можно синтезировать, и тем, что явно невозможно: молекулы, которые выглядят реалистично, но ещё не были изготовлены.

Сложный, но ценный переключатель воспаления

Команда сосредоточилась на NLRP3 — белковом комплексе, который участвует в контроле воспаления. При нарушении регуляции NLRP3 связывают с широким спектром заболеваний — от аутоиммунных до метаболических и нейродегенеративных состояний. Несколько компаний уже разработали малые молекулы‑блокаторы NLRP3, однако ни одна пока не стала одобренным лекарством, отчасти из‑за проблем селективности, доставки в нужные ткани и сложной биологии. Это делает NLRP3 одновременно высокорисковой и высокоокупаемой мишенью — идеальной площадкой для методов, которые могут исследовать гораздо более широкую химическую территорию, чем стандартные подходы.

Как рабочий процесс LEGION исследует химическое пространство

Авторы представляют LEGION — многоступенчатый рабочий процесс, построенный на промышленной платформе ИИ Chemistry42. Сначала они начинают с известных 3D‑структур, где малые молекулы расположены внутри белка NLRP3. Используя эти структуры как шаблоны, выполняют два независимых поиска: один скринирует огромные коллекции существующих, синтезируемо реальных молекул, а второй использует генеративные ИИ‑модели для изобретения новых, правдоподобных молекул. Оба подхода направляются компьютерными симуляциями, которые проверяют, насколько хорошо каждая молекула подходит белку с учётом формы и ключевых точек контакта. Из полученных «виртуальных хитов» команда автоматически извлекает основные молекулярные скелеты, или каркасы, которые кажутся критическими для связывания.

От ключевых каркасов к миллиардам возможностей

Далее LEGION превращает эти 3D‑полученные каркасы в 2D‑строительные блоки с отмеченными позициями, куда можно присоединять химические группы. Исследователи уточняют и расширяют этот набор до более чем 34 000 уникальных каркасов, а затем до примерно 94 000 предпочитаемых, особенно пригодных для дальнейшего проектирования. Они используют две взаимодополняющие стратегии для создания огромных виртуальных библиотек: 2D‑генеративный конвейер, предлагающий новые молекулы вокруг этих каркасов, и простую, но мощную комбинаторную схему, которая систематически вставляет «левые» и «правые» фрагменты в центральные скелеты. Тщательная выборка этой комбинаторной эксплозии даёт около 110 миллионов различных молекул в общих наборах данных, а сопроводительный код в принципе может сгенерировать около 123 миллиардов.

Проверка того, что виртуальные молекулы остаются осмысленными

Генерация впечатляющих количеств структур полезна только если хотя бы некоторые из них имеют реальные шансы сработать. Для проверки авторы случайно выбирают подмножества своих 2D‑проектированных молекул и снова проводят полное 3D‑докирование и оценку, как будто это новые кандидаты. Они обнаруживают, что более половины молекул, созданных генеративным ИИ, и существенная доля комбинаторных молекул ведут себя в этих тестах как перспективные «виртуальные хиты». В дополнительных примерах они показывают, что LEGION способен повторно обнаруживать известные семейства молекул‑ингибиторов NLRP3 без прямого указания на них, и что в нём даже оказались образцы нового хемотипа, позже описанного другой группой как новая серия ингибиторов NLRP3.

Что это означает в дальнейшем

Для неспециалистов главный вывод таков: охотники за лекарствами начинают прокладывать путь через почти невообразимо большое пространство возможных препаратов с помощью ИИ. Вместо одного нового лекарства это исследование предоставляет обширный, целенаправленный ландшафт компьютерно‑спроектированных молекул вокруг NLRP3 вместе с инструментами для его изучения. Этот ландшафт может ускорить виртуальный скрининг, вдохновить новые патентные стратегии и помочь исследователям перепрыгивать от одной химической семьи к другой в поисках более безопасных и эффективных противовоспалительных средств. Короче говоря, LEGION превращает далёкую, абстрактную химическую вселенную в структурированную игровую площадку для будущих исследований лекарств против NLRP3.

Цитирование: 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

Ключевые слова: ингибиторы NLRP3, генеративная химия, химическое пространство, поиск лекарств с помощью ИИ, виртуальный скрининг