AI och experimentell konvergens: en synergistisk väg till upptäckt av JAK2-hämmare

Varför detta spelar roll för framtida läkemedel

Många cancerformer och autoimmuna sjukdomar drivs av ett överaktivt signalprotein kallat JAK2, som fungerar som en konstant påslagen strömbrytare inne i cellerna. Att hitta säkra, precisa läkemedel som dämpar denna brytare är svårt och kostsamt med traditionell trial-and-error-kemi. Denna studie visar hur en kombination av artificiell intelligens och laboratorieexperiment dramatiskt kan snabba upp jakten på nya JAK2-blockerande substanser, vilket potentiellt leder till bättre behandlingar som når patienter snabbare och till lägre kostnad.

Den cellulära brytaren bakom inflammation

JAK2 tillhör en liten familj av enzymer som hjälper celler att svara på kemiska budskap från immunsystemet och blodbildande vävnader. När dessa enzymer felaktigt aktiveras—ofta på grund av specifika DNA-mutationer—får cellerna ständiga signaler för tillväxt och överlevnad. Hos människor kan detta leda till blodcancer, kronisk inflammation och ledbesvär. Läkare har redan några läkemedel som riktar sig mot JAK2, men vissa ger biverkningar eller fungerar inte tillräckligt väl. En stor utmaning är att den centrala fickan där läkemedel binder ser mycket liknande ut över hela JAK-familjen, vilket gör det svårt att designa mediciner som stänger ner JAK2 utan att påverka dess nära släktingar.

Att lära datorer känna igen bra läkemedelskandidater

Forskarna började med flera tusen kända kemikalier som redan testats för sin förmåga att blockera JAK2. Varje molekyl omvandlades till en slags digital streckkod, kallad ett molekylärt fingeravtryck, som kodar dess byggstenar och former. Flera moderna maskininlärningsmetoder tränades på dessa fingeravtryck för att lära sig vilka mönster som tenderar att känneteckna starka JAK2-hämmare och vilka som inte gör det. Bland dem visade sig en metod kallad CatBoost vara bäst, och sorterade korrekt aktiva från inaktiva molekyler ungefär 94 procent av gångerna och visade utmärkt prestanda i flera kvalitetskontroller.

Från digitala träffar till bindning på atomnivå

Med den tränade modellen gick teamet vidare till en stor nationell samling på ungefär trekvarts miljon kemikalier från Korean Chemical Databank. AI:n begränsade först denna samling till bara några tusen sannolika JAK2-hämmare. Dessa granskades sedan med mer detaljerade datorverktyg som simulerar hur molekyler sitter inne i den tredimensionella fickan på JAK2-proteinet. Dockningsberäkningar poängsatte hur tätt varje kandidat passade, medan klustringsmetoder säkerställde att de slutliga valen var strukturellt olika snarare än många nära kopior av samma idé.

Häftestestning av de bästa molekylerna

De högst rankade föreningarna undersöktes vidare med fysikbaserade simuleringar som tillät proteinet och läkemedlet att gunga och flexa i virtuellt vatten över tid, vilket avslöjade vilka som stannade stadigt på plats. Ytterligare kvantnivåberäkningar granskade hur elektronerna är fördelade inom molekylerna, vilket påverkar hur reaktiva och stabila de är vid bindning till JAK2. Teamet förutspådde också hur varje kandidat skulle bete sig som läkemedel: hur lätt den löser sig, hur väl den kan tas upp i tarmen och om den sannolikt tar sig in i hjärnan. Denna gallringsprocess lyfte fram en liten uppsättning föreningar som kombinerade stark, stabil bindning med läkemedelslika egenskaper.

Att sätta AI-prediktionerna på prov

Slutligen syntetiserades fyra utmärkta molekyler och testades direkt i ett biokemiskt assay som mäter hur starkt de blockerar JAK2:s aktivitet. Alla fyra visade imponerande potens, med koncentrationer som behövdes för att halvera aktiviteten under 10 mikromolar, och en förening överträffade ett godkänt referensläkemedel i detta test. Dessa resultat bekräftade att den AI-styrda pipelinen inte bara var bra på prediktion på papper, utan faktiskt kunde leverera verkliga läkemedelsleads.

En snabbare väg till skräddarsydda behandlingar

För icke-specialister är huvudbudskapet att noggrant utformade AI-system nu kan sålla igenom enorma kemiska rum och flagga ett fåtal lovande kandidater som laboratorieforskare sedan kan testa och förfina. I denna studie producerade det tillvägagångssättet nya, potenta hämmare av ett medicinskt viktigt protein samtidigt som tid, arbete och resurser sparades. När sådana AI-och-experiment-partnerskap mognar kommer de sannolikt att accelerera skapandet av mer precisa terapier för JAK2-drivna sjukdomar och, i ett vidare perspektiv, öppna dörren för läkemedel som är bättre anpassade till patienters behov.

Citering: 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

Nyckelord: JAK2-hämmare, maskininlärning för läkemedelsupptäckt, kinasriktad terapi, virtuell screening, personlig medicin