De novo bildning av kovalenta läkemedel med förbättrad läkemedelslikhet och säkerhet

Varför smartare kovalenta läkemedel är viktiga

Cancerbehandlingar och antivirala läkemedel fungerar ofta genom att fästa vid proteiner inuti våra celler. En kraftfull läkemedelsklass, känd som kovalenta läkemedel, går ett steg längre: de bildar täta, långvariga bindningar med sina mål, vilket kan göra dem mycket effektiva. Men samma “klibbighet” kan också orsaka allvarliga biverkningar om läkemedlen binder till fel proteiner. Denna studie presenterar CovaGEN, ett nytt artificiellt intelligenssystem utformat för att skapa kovalenta läkemedelskandidater från grunden samtidigt som både effektivitet och säkerhet beaktas.

Från trial‑and‑error till smart design

Traditionell upptäckt av kovalenta läkemedel är långsam och kostsam. Kemister börjar antingen med ett befintligt läkemedel och fäster en reaktiv ”handtag”, eller så utgår de från en reaktiv fragmentbit och finjusterar resten av molekylen mödosamt. Datorstödda metoder hjälper genom att screena stora bibliotek av kända föreningar, men de begränsas av vad som redan finns. Nyliga framsteg inom djupinlärning kan generera helt nya molekyler, men dessa verktyg fokuserar ofta på konventionella, icke‑kovalenta läkemedel och bortser ofta från viktiga egenskaper som hur lätt en förening är att syntetisera, om den beter sig som ett verkligt läkemedel eller hur toxisk den kan vara. CovaGEN syftar till att ta itu med alla dessa frågor samtidigt.

En dold karta över läkemedelslik kemi

Författarna byggde först en ”karta” över kemiskt rum med hjälp av mer än en miljon läkemedelsliknande molekyler från det publika ZINC‑databasen. De tränade en typ av neuralt nätverk som kallas variational autoencoder för att komprimera varje molekyl till en kompakt numerisk kod, eller latent vektor, och sedan rekonstruera den. Detta steg lär modellen den grundläggande grammatiken i medicinsk kemi: vad som ser realistiskt ut, vad som följer vanliga regler för perorala läkemedel och vad som tenderar att vara syntetiskt genomförbart. På denna inlärda karta tränades en andra modell baserad på diffusion — en process som gradvis förvandlar struktur till brus och sedan lär sig att reversera den processen — för att vandra och generera nya latenta vektorer som avkodar till giltiga, mångsidiga och realistiska molekyler.

Justera molekyler till proteiner och klibbiga krokar

Nästa steg lär CovaGEN att designa molekyler för specifika proteinmål. Systemet tar en proteins aminosyrasekvens och kodar den med en kraftfull språkmodell för proteiner, som fångar mönster relaterade till struktur och funktion. Under diffusionen uppmärksammar modellen denna proteinrepresentation via tvär‑attention så att de molekyler den genererar är predisponerade att passa målbindningsfickan. I tester på en stor benchmark‑uppsättning uppnådde dessa skräddarsydda molekyler inte bara höga poäng för förutspådd bindningsstyrka utan visade också bättre läkemedelslikhet och syntetisk åtkomlighet än de från flera toppmoderna 3D‑designverktyg. För att omvandla dessa icke‑kovalenta bindare till kovalenta kandidater lade teamet till en klassificerare som styr diffusionen mot molekyler med vissa reaktiva grupper, kända som kovalenta warheads, utan att offra den övergripande kvaliteten.

Bygga in säkerhet från början

Eftersom kovalenta läkemedel kan orsaka bestående skador om de träffar fel mål är säkerhet en central fråga. Forskarna behandlade därför toxicitet som en kvantitet att optimera, inte en eftertanke. De tränade prediktiva modeller för akut toxicitet och organspecifika risker och tillämpade sedan förstärkningsinlärning för att finjustera diffusionsmodellen så att den föredrar molekyler med lägre förutspådd toxicitet. Efter denna träning genererade CovaGEN föreningar som behöll god bindning och läkemedelslika egenskaper men som var mindre benägna att innehålla strukturella ”röda flaggor” förknippade med skadliga effekter. Viktigt är att metoden uppnådde detta utan att kollapsa till en snäv uppsättning likartade molekyler, och därigenom bevarades kemisk mångfald.

Sätta metoden på prov

För att demonstrera verklig potential bad teamet CovaGEN att designa kovalenta hämmare för två högprioriterade mål: en muterad form av EGFR‑proteinet som är involverad i läkemedelsresistent lungcancer, och huvudproteaset hos SARS‑CoV‑2, viruset bakom COVID‑19. För varje protein genererade systemet många kandidatmolekyler utrustade med lämpliga warheads. Datorbaserade dockningsstudier föreslog att CovaGENs design var mer benägna att anta konformationer som möjliggör bildning av kovalenta bindningar än föreningar där warheads bara fästs på icke‑kovalenta designer. Flera topkandidater matchade eller överträffade referensläkemedel på kombinerade mått av förutspådd bindning, läkemedelslikhet och syntetisk enkelhet.

Vad detta betyder för framtida läkemedel

CovaGEN visar att modern generativ AI kan göra mer än att bara föreställa sig molekyler som binder tätt till proteiner. Genom att arbeta i ett utrymme av i grunden läkemedelsliknande strukturer, vägleda tillsättningen av reaktiva grupper och uttryckligen styra bort från toxicitet, förflyttar systemet upptäckten av kovalenta läkemedel mot en mer holistisk och automatiserad process. Medan ytterligare laboratorietester behövs för att bekräfta hur dessa virtuella molekyler beter sig i levande system, öppnar tillvägagångssättet en väg till snabbare, bredare utforskning av kovalenta läkemedel som inte bara är potenta utan också säkrare för patienter.

Citering: Zhang, W., Liu, T., Dong, X. et al. De novo covalent drug generation with enhanced drug-likeness and safety. Commun Biol 9, 446 (2026). https://doi.org/10.1038/s42003-026-09725-5

Nyckelord: kovalenta läkemedel, generativ AI, läkemedelsupptäckt, diffusionsmodeller, toxicitetsprognoser