Платформа виртуального скрининга на базе ИИ выявляет новые кандидаты‑ингибиторы NSUN2 для таргетной терапии рака: подход компьютерного открытия лекарств

Новые способы перехитрить упорные формы рака

Многие раки становятся смертельными не только потому, что возникают, но и потому, что учатся уклоняться от наших лучших лекарств. В этом исследовании изучается многообещающий новый способ подавить ключевого «помощника» роста опухолей — с помощью искусственного интеллекта, который просеивает более сотни миллионов потенциальных препаратов в компьютере прежде, чем какой‑либо из них попадёт в пробирку.

Скрытый переключатель внутри раковых клеток

Глубоко внутри клеток фермент NSUN2 действует как химический маркер для РНК — молекулы, помогающей превращать гены в белки. Нанося крошечные химические метки на РНК, NSUN2 может делать сообщения, связанные с ростом, более стабильными и легче читаемыми. Во многих опухолях, включая рак лёгкого, желудка, поджелудочной железы и молочной железы, уровень NSUN2 повышен, что усиливает их способность делиться, распространяться и противостоять таргетным препаратам. Тем не менее, несмотря на важность этого фермента, существует очень мало кандидатов в лекарства, способных безопасно снизить активность NSUN2, особенно обратимых ингибиторов, не наносящих ему постоянного повреждения.

Доверить ИИ поиск в море молекул

Традиционному поиску препаратов было бы трудно испытать миллионы молекул против NSUN2 в лаборатории, потому что каждый эксперимент требует сложных смесей РНК и вспомогательных химикатов. Вместо этого исследователи построили полностью цифровой конвейер. Они взяли предсказанную трёхмерную структуру человеческого NSUN2, сгенерированную AlphaFold — системой ИИ, совершившей революцию в предсказании структур. Чтобы убедиться в надёжности модели, её сопоставили со структурой близкого по функции фермента, определённой методом рентгеноструктурного анализа. Критический карман, где NSUN2 связывает свою натуральную коферментную молекулу, оказался хорошо консервативным, что дало команде уверенность в смысле виртуального докинга потенциальных препаратов в эту область.

От сотен миллионов до нескольких десятков

Имея цель в виде кармана связывания, команда обратилась к обширной публичной базе доступных для покупки молекул. Сначала они продокировали тренировочный набор соединений в карман NSUN2 и использовали полученные оценки, чтобы обучить модель машинного обучения определять наиболее перспективные формы. Эта модель затем быстро просканировала около 350 миллионов молекул и отметила примерно 101 миллион как вероятные «победители». Чтобы ещё сильнее сузить круг, верхняя часть списка была перепроверена более тщательными расчётами докинга, и лишь лучшие 12 000 с сильным предсказанным связыванием были отобраны. Затем они прошли через набор компьютерных проверок безопасности, оценивающих, как организм может поглощать, распределять, метаболизировать и переносить каждую кандидат‑молекулу. После этих фильтров осталось всего 34 молекулы, которые выглядели одновременно мощными и подходящими под критерии «лекарственности».

Наблюдение за движением кандидат‑препаратов

Статических снимков недостаточно, чтобы понять, будет ли препарат действительно удерживаться на своей мишени. Поэтому исследователи использовали молекулярно‑динамические симуляции, моделирующие, как атомы движутся во времени, чтобы проследить взаимодействие трёх самых перспективных кандидатов с NSUN2 в течение 50 миллиардных долей секунды. Два соединения, идентифицированные только по кодам базы данных, образовали особенно стабильные комплексы: структура фермента оставалась компактной, его ключевые участки оставались устойчивыми, а маленькие молекулы сохраняли плотную посадку в кармане и формировали постоянные контакты. Эти симуляции указывают на то, что два соединения могли бы надёжно блокировать активность NSUN2 в живых клетках.

Что это может значить для будущих лечений

Хотя все результаты в этой работе получены вычислительными методами и ещё требуют подтверждения в лаборатории, исследование предлагает краткий список реалистичных отправных точек для разработки новых ингибиторов NSUN2. Поскольку NSUN2 помогает раковым клеткам стабилизировать сигналы роста и выживания, такие препараты могли бы ослабить опухоли и потенциально восстановить их чувствительность к существующим таргетным терапиям, особенно в случаях рака лёгкого, приобретшего резистентность. Не менее важно, что исследование демонстрирует общий рецепт использования ИИ и физически обоснованных моделей для быстрого и дешёвого исследования огромных химических пространств, предлагая мощную короткую дорогу к следующему поколению прецизионных противораковых средств.

Цитирование: Yu, S., Peng, Q., Wei, W. et al. AI-driven virtual screening platform identifies novel NSUN2 inhibitor candidates for targeted cancer therapy: a computational drug discovery approach. npj Precis. Onc. 10, 98 (2026). https://doi.org/10.1038/s41698-026-01296-2

Ключевые слова: NSUN2, эпитранскриптомика, виртуальный скрининг ИИ, поиск противораковых препаратов, метилирование РНК