🧬 biology

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

JEDEL è un nuovo framework zero-shot che traduce direttamente le rappresentazioni farmacoforiche 3D di ligandi attivi in librerie codificate dal DNA sperimentalmente realizzabili e pronte per la sintesi, mappando i pattern di interazione su rotte combinatorie scalabili utilizzando blocchi di costruzione acquistabili, superando così i baseline esistenti su molteplici target proteici senza richiedere un riaddestramento specifico per il target.

Autori originali: Zygimantas Jocys, Zhanxing Zhu, Henriette M. G. Willems, Katayoun Farrahi

Pubblicato 2026-06-24

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Zygimantas Jocys, Zhanxing Zhu, Henriette M. G. Willems, Katayoun Farrahi

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo

Immagina di essere uno chef magistrale che cerca di creare un nuovo piatto che si adatti perfettamente al gusto di un cliente specifico. Nel mondo della scoperta di nuovi farmaci, il "cliente" è una proteina che causa una malattia, e il "gusto" è una specifica forma 3D di caratteristiche chimiche (come una serratura e una chiave) in cui il farmaco deve incastrarsi.

Per molto tempo, gli scienziati hanno usato i computer per immaginare milioni di nuove "ricette" (molecole di farmaci) che potrebbero adattarsi a questa serratura. Ma c'è un enorme problema: la maggior parte delle ricette generate dal computer è impossibile da cucinare. Potrebbero richiedere ingredienti che non puoi comprare o passaggi di cottura che non esistono nella realtà. Gli scienziati passano mesi cercando di capire come realizzare effettivamente quelle idee virtuali, solo per rendersi conto che non possono essere costruite.

JEDEL è un nuovo strumento che risolve questo problema ribaltando la prospettiva. Invece di immaginare un piatto e poi cercare gli ingredienti per esso, JEDEL parte dagli ingredienti che hai già in dispensa e progetta un piatto che sia garantito come cucinabile.

Ecco come funziona JEDEL, usando semplici analogie:

1. La "Dispensa" vs. Il "Menu dei Sogni"

Il Vecchio Modo (Menu dei Sogni): Il computer sogna una molecola perfetta. Poi, gli chimici devono correre in tutto il mondo cercando di trovare gli ingredienti. Spesso non ci riescono, e il sogno viene scartato.
Il Modo JEDEL (Prima la Dispensa): JEDEL guarda una massiccia "dispensa" del mondo reale composta da oltre 200.000 blocchi costruttivi chimici che gli scienziati possono effettivamente comprare oggi. Progetta molecole utilizzando solo questi specifici blocchi disponibili. Se JEDEL suggerisce una molecola, è garantito che sia qualcosa che un laboratorio può costruire immediatamente.

2. Il "Progetto" (Farmacoforo)

L'articolo spiega che molti farmaci funzionano corrispondendo a un particolare schema 3D di caratteristiche (come un legame a idrogeno qui, un punto idrofobico lì). Questo schema è chiamato farmacoforo.

Pensa al farmacoforo come a un progetto o a uno stampo.
JEDEL prende questo progetto (derivato da farmaci noti conosciuti) e si chiede: "Quale combinazione di ingredienti reali e acquistabili posso mescolare per riempire perfettamente questo stampo?"

3. Il "Traduttore Intelligente" (Il Motore IA)

Il cuore di JEDEL è un'architettura IA speciale (chiamata Architettura Predittiva di Embedding Congiunto).

Immagina un traduttore che parla due lingue: la Geometria (la forma 3D del progetto) e la Chimica (l'elenco dei blocchi costruttivi).
Di solito, una forma può essere costruita in molti modi diversi (uno-a-molti). JEDEL impara a prevedere la migliore "ricetta" chimica che si adatta alla forma 3D senza confondersi. Non si limita a indovinare; impara la profonda connessione tra la forma necessaria e gli ingredienti disponibili.

4. Il "Libro di Ricette" (Librerie codificate tramite DNA)

JEDEL non progetta solo una molecola; progetta un'intera libreria di esse.

Pensa a questo come a una libreria codificata tramite DNA. È come un enorme catalogo dove ogni singolo articolo è contrassegnato da un codice a barre del DNA unico.
JEDEL progetta un catalogo mirato di milioni di potenziali farmaci. Poiché utilizza solo ingredienti reali e passaggi di cottura reali (reazioni), ogni singolo articolo in questo catalogo è pronto per essere "cucinato" (sintetizzato) e testato immediatamente.

Cosa hanno scoperto?

I ricercatori hanno testato JEDEL su 18 diversi target proteici (come diversi tipi di serrature). Hanno confrontato JEDEL con:

Selezione Casuale: Scegliere gli ingredienti alla cieca.
Librerie di Diversità Standard: Scegliere una grande varietà di ingredienti senza un obiettivo specifico.

I Risultati:

Miglior Adattamento: Le molecole di JEDEL si adattano alle "serrature" (proteine) molto meglio delle opzioni casuali o standard.
Tasso di Successo Più Elevato: Quando cercavano molecole che funzionassero davvero (hit), JEDEL le ha trovate 2,6 volte più spesso rispetto alla libreria di diversità standard.
Potere Zero-Shot: La parte più incredibile? JEDEL non ha avuto bisogno di essere riaddestrato per ogni nuova proteina. Ha imparato le regole generali di "adattare una forma con ingredienti reali" e le ha applicate immediatamente a nuovi target, come uno chef che può cucinare un pasto perfetto per un nuovo cliente senza aver bisogno di un nuovo libro di cucina.

Il Punto Fondamentale

JEDEL colma il divario tra l'immaginazione del computer e la chimica del mondo reale. Impedisce agli scienziati di sognare molecole impossibili da costruire e permette loro di partire da una lista di candidati "pronti per la sintesi" che sono garantiti come costruibili, focalizzati sulla forma specifica di cui hanno bisogno e pronti per il banco di laboratorio. Trasforma il processo di scoperta dei farmaci da un gioco di "indovina e controlla" in una strategia di progettazione precisa e mirata.

Sintesi Tecnica: JEDEL – Progettazione di Librerie Codificate tramite DNA Zero-Shot

Problematica
Esiste un divario persistente tra la progettazione molecolare generativa computazionale e la validazione sperimentale. La maggior parte dei modelli generativi esistenti produce composti virtuali che mancano di garanzie di accessibilità sintetica, richiedendo un'estesa pianificazione retrosintetica a valle e fallendo spesso nel raggiungere il banco di laboratorio. Al contrario, le piattaforme sperimentali come le librerie codificate tramite DNA (DEL) si affidano a librerie fisiche fisse che non possono essere dinamicamente perfezionate sulla base di ipotesi computazionali. Sebbene le DEL offrano un formato di screening scalabile su perline, in cui ogni membro è teoricamente sintetizzabile, gli attuali approcci di machine learning per le DEL sono limitati all'analisi post-screening (ad esempio, il denoising dei dati di sequenziamento) piuttosto che alla progettazione della libreria pre-screening. Inoltre, molti target terapeuticamente rilevanti mancano di strutture proteiche accurate, rendendo inaffidabile la progettazione basata sulla struttura. Le rappresentazioni farmacoforiche 3D basate sui ligandi offrono un'alternativa robusta, tuttavia nessun metodo esistente riesce a tradurre direttamente i vincoli farmacoforici in sequenze di building block per DEL pronte alla sintesi.

Metodologia
Gli autori introducono JEDEL (Joint Embedding for DNA-Encoded Libraries), un framework che mappa direttamente le geometrie farmacoforiche 3D in sequenze di building block per DEL pronte alla sintesi. L'architettura è progettata per operare rigorosamente nello spazio dei building block acquistabili e delle reazioni validate, garantendo che ogni output sia sperimentalmente realizzabile per costruzione.

Architettura: JEDEL impiega una Joint Embedding Predictive Architecture (JEPA).
- Context Encoder: Utilizza una rete neurale a grafi E(n)-equivariante (P4-EGNN) per codificare le nuvole di punti del farmacoforo 3D (caratteristiche idrofobiche, aromatiche, donatori/accettori di legame idrogeno, caratteristiche ionizzabili), rispettando le simmetrie rotazionali e traslazionali.
- Target Encoder: Utilizza una GNN a passaggio di messaggi per codificare la topologia molecolare.
- Obiettivo Predittivo: Inveverso all'apprendimento contrastivo (che fatica con la mappatura uno-a-molti tra farmacofori e scaffold molecolari diversificati), JEDEL utilizza un obiettivo predittivo. Un MLP predittore apprende a mappare l'embedding del contesto farmacoforico sull'embedding topologico del target. Un encoder del target con Exponential Moving Average (EMA) previene il collasso della rappresentazione.
- Decoder Gerarchico: Per gestire un vocabolario di oltre 200.000 reagenti acquistabili, il decoder utilizza una softmax bayesiana gerarchica. Esso seleziona prima un cluster grossolano (basato sul ruolo della reazione e sul profilo farmacoforico) e poi un building block specifico all'interno di quel cluster. Ciò riduce la dimensionalità dell'output da $O(|V|)$ a $O(C + K)$ , consentendo una generazione scalabile su una singola GPU.
Dati di Addestramento: Il modello è addestrato su 8 milioni di percorsi sintetici enumerati da 217.067 building block commerciali compatibili con sette tipi di reazioni DEL (ad esempio, accoppiamento ammidico, condensazione di Ugi, Suzuki-Miyaura). L'addestramento è eseguito senza informazioni specifiche sul target proteico, basandosi esclusivamente su coppie farmacoforo-molecola.

Contributi Chiave

Garanzia di Sintesi per Costruzione: A differenza dei metodi che generano molecole virtuali che richiedono un filtraggio post-hoc, JEDLE genera molecole direttamente come sequenze di building block acquistabili e passaggi di reazione. Ogni output corrisponde a un protocollo di sintesi DEL eseguibile.
Generalizzazione Zero-Shot: Il modello non richiede riaddestramento per specifici target proteici. Si generalizza attraverso diverse famiglie proteiche (proteasi, chinasi, GPCR, ecc.) condizionandosi su farmacofori derivati dai ligandi piuttosto che su strutture proteiche.
Colmare il Divario: JEDEL è il primo framework che connette la progettazione molecolare guidata dai farmacofori direttamente alla costruzione di librerie combinatorie, chiudendo il cerchio dalla ipotesi computazionale al deployment sperimentale.

Risultati
JEDEL è stato valutato su 18 diversi target proteici contro due baseline: l'enumerazione casuale delle DEL e una libreria di diversità curata di Enamine (100k composti).

Affinità di Legame: JEDEL ha ottenuto l'energia di docking media più bassa (−7,49 kcal mol⁻¹) su tutti i target, superando Enamine (−7,39) e il campionamento casuale (−6,28). Ha identificato la singola molecola con il punteggio migliore su 8 dei 18 target (44%).
Recupero del Farmacoforo: JEDEL ha dimostrato una fedeltà superiore nel recupero delle caratteristiche farmacoforiche di riferimento, raggiungendo un recupero P4 medio dell'89,3% e una similarità di Jaccard di 0,761, rispetto all'88,1%/0,751 di Enamine e 78,1%/0,694 del campionamento casuale.
Efficienza di Campionamento: JEDEL ha mostrato un vantaggio di 2,6 volte nell'efficienza di campionamento (hit rate mediano del 14,0%) rispetto alla baseline di diversità di Enamine (5,4%). Il miglioramento è stato più pronunciato sui target "difficili" dove lo screening convenzionale fallisce; per i target con bassi hit rate di Enamine (≤6,3%), JEDEL ha ottenuto un hit rate medio del 2,9% rispetto allo 0,3% di Enamine.
Qualità Chimica: Le molecole generate hanno esibito un'alta validità chimica (100%), unicità (99,3%) e novità (99,9%), con proprietà drug-like (QED medio 0,64) e profili fisico-chimici coerenti con la distribuzione di addestramento.

Significatività e Rivendicazioni
L'articolo sostiene che JEDEL rappresenti un cambiamento qualitativo nella pipeline di drug discovery. Incorporando i vincoli sintetici direttamente nel modello generativo, elimina il disconnessione tra proposte computazionali e fattibilità sperimentale. Gli autori sottolineano che JEDEL consente la progettazione di librerie focalizzate e guidate da ipotesi alla scala di $10^3$ – $10^4$ tipica delle piattaforme basate su perline, dove ogni composto è selezionato per soddisfare specifici requisiti farmacoforici.

Gli autori notano i limiti, tra cui la dipendenza dai punteggi di docking come proxy per l'affinità di legame (che può trascurare effetti entropici o mediati dall'acqua) e l'attuale restrizione a sette tipi di reazione. Affermano che la validazione sperimentale tramite sintesi DEL su perline e screening di affinità è necessaria per confermare che le predizioni computazionali si traducano in attività di legame misurata. Tuttavia, il framework stabilisce una connessione pratica, zero-shot, tra la progettazione guidata dal farmacoforo e la costruzione di librerie combinatorie, offrendo una via diretta dall'ipotesi computazionale al deployment sperimentale.