🧬 biology

JEDEL: Zero-Shot DNA-Encoded Library Design for Early-Stage Drug Discovery

JEDEL es un novedoso marco de trabajo zero-shot que traduce directamente las representaciones de farmacóforos 3D de ligandos activos en bibliotecas codificadas por ADN experimentalmente realizables y listas para su síntesis, mediante el mapeo de patrones de interacción a rutas combinatorias escalables utilizando bloques de construcción adquiribles, superando así a los modelos de referencia existentes en múltiples dianas proteicas sin requerir el reentrenamiento específico para cada diana.

Autores originales: Zygimantas Jocys, Zhanxing Zhu, Henriette M. G. Willems, Katayoun Farrahi

Publicado 2026-06-24

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Zygimantas Jocys, Zhanxing Zhu, Henriette M. G. Willems, Katayoun Farrahi

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Imagina que eres un maestro chef intentando crear un nuevo plato que coincida perfectamente con el gusto de un cliente específico. En el mundo del descubrimiento de fármacos, el "cliente" es una proteína causante de enfermedades, y el "gusto" es una forma 3D específica de características químicas (como una cerradura y una llave) en la que el fármaco debe encajar.

Durante mucho tiempo, los científicos han utilizado computadoras para imaginar millones de nuevas "recetas" (moléculas de fármacos) que podrían encajar en esta cerradura. Pero hay un gran problema: la mayoría de las recetas generadas por computadora son imposibles de cocinar. Podrían requerir ingredientes que no puedes comprar o pasos de cocina que no existen en la vida real. Los científicos pasan meses tratando de descifrar cómo fabricar estas ideas virtuales, solo para darse cuenta de que no se pueden construir.

JEDEL es una nueva herramienta que resuelve esto cambiando la perspectiva. En lugar de imaginar un plato y luego intentar encontrar los ingredientes, JEDEL comienza con los ingredientes que ya tienes en la despensa y diseña un plato que tiene garantizado ser cocinable.

Aquí te explicamos cómo funciona JEDEL, utilizando analogías sencillas:

1. La "Despensa" frente al "Menú de Ensueño"

La forma antigua (Menú de Ensueño): La computadora sueña con una molécula perfecta. Luego, los químicos tienen que correr por todo el mundo tratando de encontrar los ingredientes. A menudo, no los encuentran, y el sueño se descarta.
La forma de JEDEL (Primero la Despensa): JEDEL observa una "despensa" masiva y real de más de 200,000 bloques de construcción químicos que los científicos pueden comprar hoy mismo. Solo diseña moléculas utilizando estos bloques específicos y disponibles. Si JEDEL sugiere una molécula, se garantiza que es algo que un laboratorio puede construir de inmediato.

2. El "Plano" (Farmacóforo)

El artículo explica que muchos fármacos funcionan al coincidir con un patrón 3D específico de características (como un enlace de hidrógeno aquí, un punto hidrofóbico allá). Este patrón se llama farmacóforo.

Piensa en el farmacóforo como un plano o un molde.
JEDEL toma este plano (derivado de fármacos conocidos activos) y se pregunta: "¿Qué combinación de ingredientes reales y comprables puedo mezclar para llenar este molde perfectamente?"

3. El "Traductor Inteligente" (El motor de IA)

El núcleo de JEDLE es una arquitectura de IA especial (llamada Arquitectura Predictiva de Incrustación Conjunta).

Imagina un traductor que habla dos idiomas: Geometría (la forma 3D del plano) y Química (la lista de bloques de construcción).
Normalmente, una forma puede construirse de muchas maneras diferentes (una de muchas). JEDEL aprende a predecir la mejor "receta" química que encaje en la forma 3D sin confundirse. No solo adivina; aprende la conexión profunda entre la forma necesaria y los ingredientes disponibles.

4. El "Libro de Recetas" (Bibliotecas codificadas por ADN)

JEDEL no solo crea una molécula; diseña toda una biblioteca de ellas.

Esto es como una biblioteca codificada por ADN. Es como un catálogo gigante donde cada artículo tiene una etiqueta con un código de barras de ADN único.
JEDEL diseña un catálogo enfocado de millones de fármacos potenciales. Debido a que solo utiliza ingredientes reales y pasos de cocina reales (reacciones), cada uno de los artículos en este catálogo está listo para ser "cocinado" (sintetizado) y probado inmediatamente.

¿Qué descubrieron?

Los investigadores probaron JEDEL en 18 objetivos proteicos diferentes (como diferentes tipos de cerraduras). Compararon JEDEL contra:

Selección Aleatoria: Elegir ingredientes al azar.
Bibliotecas de Diversidad Estándar: Elegir una amplia variedad de ingredientes sin un objetivo específico.

Los Resultados:

Mejor Ajuste: Las moléculas de JEDEL encajan mucho mejor en las "cerraduras" (proteínas) que las opciones aleatorias o estándar.
Mayor Tasa de Éxito: Cuando buscaron moléculas que realmente funcionaran (hits), JEDEL las encontró 2.6 veces más a menudo que la biblioteca de diversidad estándar.
Poder de "Zero-Shot": ¿La parte más genial? JEDEL no necesitó ser reentrenado para cada nueva proteína. Aprendió las reglas generales de "encajar una forma con ingredientes reales" y las aplicó a nuevos objetivos de inmediato, como un chef que puede cocinar una comida perfecta para un nuevo cliente sin necesidad de un nuevo libro de cocina.

La Conclusión

JEDEL cierra la brecha entre la imaginación de la computadora y la química del mundo real. Deja de hacer que los científicos sueñen con moléculas inconstruibles y comienza con candidatos "listos para la síntesis" que están garantizados para ser construibles, enfocados en la forma específica que necesitan y listos para el banco de laboratorio. Convierte el proceso de descubrimiento de fármacos de un juego de "adivinar y comprobar" en una estrategia de diseño precisa y dirigida.

Resumen Técnico: JEDEL – Diseño de Librerías de ADN con Capacidad Zero-Shot

Planteamiento del Problema
Existe una brecha persistente entre el diseño molecular generativo computacional y la validación experimental. La mayoría de los modelos generativos existentes producen compuestos virtuales que carecen de garantías de accesibilidad sintética, lo que requiere una extensa planificación retrosintética posterior y, a menudo, no logra llegar al laboratorio. Por el contrario, las plataformas experimentales como las librerías codificadas por ADN (DEL, por sus siglas en inglés) dependen de librerías físicas fijas que no pueden refinarse dinámicamente basándose en hipótesis computacionales. Si bien las DEL ofrecen un formato de cribado escalable basado en perlas donde cada miembro es teóricamente sintetizable, los enfoques actuales de aprendizaje automático para las DEL se limitan al análisis post-cribado (por ejemplo, la eliminación de ruido en los datos de secuenciación) en lugar del diseño de la librería pre-cribado. Además, muchos objetivos terapéuticamente relevantes carecen de estructuras proteicas precisas, lo que hace que el diseño basado en la estructura sea poco fiable. Las representaciones de farmacóforos 3D basados en ligandos ofrecen una alternativa robusta, pero ningún método existente traduce con éxito estas restricciones farmacofóricas directamente en secuencias de bloques de construcción de DEL listas para la síntesis.

Metodología
Los autores presentan JEDEL (Joint Embedding for DNA-Encoded Libraries), un marco de trabajo que mapea geometrías de farmacóforos 3D directamente a secuencias de bloques de construcción de DEL listas para la síntesis. La arquitectura está diseñada para operar estrictamente dentro del espacio de bloques de construcción comprables y reacciones validadas, asegurando que cada salida sea experimentalmente realizable por construcción.

Arquitectura: JEDEL emplea una Arquitectura Predictiva de Incrustación Conjunta (JEPA, por sus siglas en inglés).
- Codificador de Contexto: Utiliza una Red Neuronal de Grafos E(n)-equivariante (P4-EGNN) para codificar nubes de puntos de farmacóforos 3D (características hidrofóbicas, aromáticas, donantes/aceptores de enlaces de hidrógeno, ionizables), respetando las simetrías de rotación y traslación.
- Codificador de Objetivo: Utiliza una GNN de paso de mensajes para codificar la topología molecular.
- Objetivo Predictivo: En lugar del aprendizaje contrastivo (que tiene dificultades con el mapeo de uno-a-muchos entre farmacóforos y diversos andamiajes moleculares), JEDEL utiliza un objetivo predictivo. Un MLP predictor aprende a mapear la incrustación de contexto del farmacóforo hacia la incrustación topológica del objetivo. Un codificador de objetivo con Media Móvil Exponencial (EMA) evita el colapso de la representación.
- Decodificador Jerárquico: Para gestionar un vocabulario de más de 200,000 reactivos comprables, el decodificador utiliza un softmax bayesiano jerárquico. Primero selecciona un grupo grueso (basado en el rol de la reacción y el perfil farmacofórico) y luego un bloque de construcción específico dentro de ese grupo. Esto reduce la dimensionalidad de la salida de $O(|V|)$ a $O(C + K)$ , permitiendo una generación escalable en una sola GPU.
Datos de Entrenamiento: El modelo se entrena con 8 millones de rutas de síntesis enumeradas a partir de 217,067 bloques de construcción de Enamine comercialmente disponibles y compatibles con siete tipos de reacciones DEL (por ejemplo, acoplamiento de amida, condensación de Ugi, Suzuki-Miyaura). El entrenamiento se realiza sin información específica del objetivo proteico, basándose únicamente en pares farmacóforo-molécula.

Contribuciones Clave

Garantía de Síntesis por Construcción: A diferencia de los métodos que generan moléculas virtuales que requieren filtrado post-hoc, JEDEL genera moléculas directamente como secuencias de bloques de construcción comprables y pasos de reacción. Cada salida corresponde a un protocolo de síntesis de DEL ejecutable.
Generalización Zero-Shot: El modelo no requiere reentrenamiento para objetivos proteicos específicos. Se generaliza a través de diversas familias de proteínas (proteasas, quinasas, GPCRs, etc.) condicionándose en farmacóforos derivados de ligandos en lugar de estructuras proteicas.
Cerrar la Brecha: JEDEL es el primer marco que conecta el diseño de moléculas impulsado por farmacóforos directamente con la construcción de librerías combinatorias, cerrando el ciclo desde la hipótesis computacional hasta el despliegue experimental.

Resultados
JEDEL fue evaluado en 18 objetivos proteicos diversos frente a dos líneas de base: enumeración aleatoria de DEL y una librería de diversidad curada de Enamine (100k compuestos).

Afinidad de Unión: JEDEL logró la menor energía media de docking (−7.49 kcal mol⁻¹) en todos los objetivos, superando a Enamine (−7.39) y al muestreo aleatorio (−6.28). Identificó la molécula con mejor puntuación única en 8 de 18 objetivos (44%).
Recuperación de Farmacóforos: JEDEL demostró una fidelidad superior en la recuperación de características farmacofóricas de referencia, logrando una recuperación media de P4 del 89.3% y una similitud de Jaccard de 0.761, comparado con 88.1%/0.751 para Enamine y 78.1%/0.694 para el muestreo aleatorio.
Eficiencia de Muestreo: JEDEL mostró una ventaja de 2.6 veces en la eficiencia de muestreo (tasa de éxito mediana del 14.0%) sobre la línea de base de diversidad de Enamine (5.4%). La mejora fue más pronunciada en objetivos "difíciles" donde el cribado convencional falla; para objetivos con bajas tasas de éxito de Enamine (≤6.3%), JEDEL logró una tasa de éxito media de 2.9% frente al 0.3% de Enamine.
Calidad Química: Las moléculas generadas exhibieron alta validez química (100%), unicidad (99.3%) y novedad (99.9%), con propiedades similares a fármacos (QED medio 0.64) y perfiles fisicoquímicos consistentes con la distribución de entrenamiento.

Significancia y Reivindicaciones
El artículo afirma que JEDEL representa un cambio cualitativo en el flujo de trabajo del descubrimiento de fármacos. Al integrar las restricciones sintéticas directamente en el modelo generativo, elimina la desconexión entre las propuestas computacionales y la viabilidad experimental. Los autores enfatizan que JEDEL permite el diseño de librerías enfocadas e impulsadas por hipótesis a la escala de $10^3$ – $10^4$ típica de las plataformas basadas en perlas, donde cada compuesto es seleccionado para satisfacer requisitos farmacofóricos específicos.

Los autores señalan limitaciones, incluyendo la dependencia de las puntuaciones de docking como un proxy de la afinidad de unión (que puede omitir efectos entrópicos o mediados por agua) y la restricción actual a siete tipos de reacciones. Afirman que se requiere la validación experimental mediante la síntesis de DEL basada en perlas y el cribado de afinidad para confirmar que las predicciones computacionales se traducen en actividad de unión medida. Sin embargo, el marco establece una conexión práctica y zero-shot entre el diseño impulsado por farmacóforos y la construcción de librerías combinatorias, ofreciendo una vía directa desde la hipótesis computacional hacia el despliegue experimental.