Kan AI een geneesmiddelverbinding ontwerpen die bindt aan een specifiek eiwitdoel zonder voorafgaande experimentele gegevens ?

Traditioneel berust drugontdekking op uitgebreide laboratoriumexperimenten en iteratief testen om levensvatbare verbindingen te identificeren. Recente AI-modellen, zoals die welke gebruikmaken van diffusiegebaseerde generatieve benaderingen, kunnen nu nieuwe moleculaire structuren voorstellen die zijn afgestemd op specifieke biologische doelen. Deze mogelijkheid versnelt de vroege fasen van farmaceutisch onderzoek en vermindert de afhankelijkheid van brute-kracht-screening.

AI kan nieuwe geneesmiddelachtige verbindingen voorstellen die aan een gespecificeerd eiwitdoel binden, zelfs wanneer er geen eerdere experimentele gegevens bestaan, door gebruik te maken van structureel gebaseerde deep learning-methoden zoals RFdiffusion of diffusiemodellen die zijn getraind op eiwit-ligandcomplexen om chemisch plausibele moleculen en koppelingscores te genereren zonder feedback uit het lab. Deze generatieve modellen leren de regels van moleculaire binding uit grote structurele databases en stellen kandidaten voor die passen in de bindingspocket van het doelwit, hoewel hun ontwerpen nog steeds downstream biochemische validatie vereisen om affiniteit, selectiviteit en geneesmiddelachtige eigenschappen te bevestigen. De nieuwste systemen integreren evolutionaire zoekopdrachten of versterkend leren om potentie en ADMET-profielen te verfijnen, waardoor het aandeel synthetisch toegankelijke, hoogwaardige hits dat experimentele tests kan ondergaan, toeneemt. Omdat geen 3D-structuur strikt noodzakelijk is, kunnen sequentiegebaseerde modellen zoals AlphaFold-geïnformeerde pocketvoorspellingen ook de ontwerp van liganden begeleiden wanneer een experimentele structuur niet beschikbaar is.

— Verrijkt 12 mei 2026 · Bron: Nature — https://www.nature.com/articles/s41586-023-06419-4