Molecular LEGION: oerhört omfattande täckning av kemiskt utrymme kring målet NLRP3

Varför detta betyder något för framtida mediciner

Att designa nya läkemedel är som att leta efter ett par speciella sandkorn på en oändlig strand. Denna artikel beskriver ett sätt att massivt vidga sökningen runt en lovande immunreglerande brytare kallad NLRP3, som kopplats till många kroniska inflammatoriska sjukdomar. Genom att kombinera flera typer av artificiell intelligens med smarta kemitrick genererar och delar författarna en gigantisk samling datorgenererade molekyler som en dag skulle kunna bli utgångspunkter för nya läkemedel.

Utmaningen med ett ändlöst molekyluniversum

Kemister talar om ”kemiskt utrymme” för att beskriva alla små molekyler som i princip skulle kunna existera. Det utrymmet är hisnande stort – långt bortom vad vi kan lagra i en databas eller testa i ett laboratorium. Befintliga kataloger över verkliga eller lätt syntetiserbara molekyler täcker bara en liten fläck av detta universum, och ännu färre har någon känd biologisk aktivitet. Majoriteten av dagens läkemedelsupptäckt fiskar fortfarande i den lilla, väl använda dammen, vilket begränsar chansen att hitta verkligen nya och patenterbara behandlingar. Författarna hävdar att den mest spännande regionen ligger mellan vad som tydligt är tillverkningsbart och vad som tydligt är omöjligt att syntetisera: molekyler som ser realistiska ut men aldrig har tillverkats tidigare.

En svår men värdefull inflammationsbrytare

Teamet fokuserar på NLRP3, ett proteinkomplex som hjälper till att kontrollera inflammation. När det är felreglerat har NLRP3 kopplats till ett brett spektrum av sjukdomar, från autoimmuna tillstånd till metabola och neurodegenerativa sjukdomar. Flera företag har redan designat småmolekyl-blockerare av NLRP3, men ingen har än blivit ett godkänt läkemedel, delvis på grund av problem som selektivitet, leverans till rätt vävnader och komplex biologi. Det gör NLRP3 både högriskigt och högbelönande: ett perfekt testfält för metoder som kan utforska mycket bredare kemiskt territorium än standardmetoder tillåter.

Hur LEGION-arbetsflödet utforskar kemiskt utrymme

Författarna introducerar LEGION, ett flerstegsarbetsflöde byggt på en industriell AI-plattform kallad Chemistry42. Först utgår de från kända 3D-strukturer där små molekyler sitter inne i NLRP3-proteinet. Med dessa som mallar kör de två separata sökningar: den ena söker igenom enorma samlingar av befintliga, syntetiskt genomförbara molekyler, och den andra använder generativa AI-modeller för att uppfinna nya, plausibla molekyler. Båda styrs av datorbaserade simuleringar som kontrollerar hur väl varje molekyl passar proteinet, inklusive dess form och viktiga kontaktpunkter. Från de resulterande ”virtuella träffarna” extraherar teamet automatiskt kärnmolekylära ryggrader, eller scaffold, som verkar avgörande för bindning.

Från nyckelryggrader till miljarder möjligheter

Nästa steg är att LEGION omvandlar dessa 3D-beräknade scaffold till 2D-byggstenar märkta med positioner där kemiska grupper kan fästas. Forskarna förfinar och expanderar denna uppsättning till mer än 34 000 unika scaffold, och sedan till ungefär 94 000 favoriserade som är särskilt lämpade för vidare design. De använder två kompletterande strategier för att bygga enorma virtuella bibliotek: en 2D-generativ pipeline som föreslår nya molekyler runt dessa scaffold, och ett enkelt men kraftfullt kombinatoriskt schema som systematiskt sätter in ”vänster” och ”höger” fragment i centrala ryggrader. Genom noggrann provtagning av denna kombinatoriska explosion genereras cirka 110 miljoner distinkta molekyler i de delade datasetten, och medföljande kod skulle i princip kunna generera omkring 123 miljarder.

Kontrollera att de virtuella molekylerna fortfarande är rimliga

Att skapa bländande mängder strukturer är bara användbart om åtminstone några av dem har goda chanser att fungera. För att testa detta väljer författarna slumpmässiga delmängder av sina 2D-designade molekyler och kör full 3D-dockning och poängsättning igen, som om de vore nya kandidater. De finner att mer än hälften av de generativa AI-molekylerna och en betydande andel av de kombinatoriska beter sig som lovande ”virtuella träffar” i dessa tester. I ytterligare fallstudier visar de att LEGION kan återupptäcka kända familjer av NLRP3-hämmande molekyler utan att få dem angivna direkt, och att det till och med innehöll exempel på ett nytt kemotyp senare rapporterat av en annan grupp som en färsk serie NLRP3-hämmare.

Vad detta innebär framöver

För icke-specialister är huvudbudskapet att läkemedelsforskare börjar kartlägga sin väg genom ett nästan ofattbart stort utrymme av möjliga läkemedel med hjälp av AI. Istället för att erbjuda ett enda nytt läkemedel tillhandahåller denna studie ett omfattande, målinriktat landskap av datorgenererade molekyler kring NLRP3, tillsammans med verktyg för att utforska det. Detta landskap kan snabba upp virtuell screening, inspirera nya patentstrategier och hjälpa forskare att hoppa från en kemisk familj till en annan i jakten på säkrare, mer effektiva antiinflammatoriska läkemedel. Kort sagt förvandlar LEGION ett avlägset, abstrakt kemiskt universum till en strukturerad lekplats för framtida NLRP3-läkemedelsupptäckt.

Citering: 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

Nyckelord: NLRP3-hämmare, generativ kemi, kemiskt utrymme, AI-driven läkemedelsupptäckt, virtuell screening