🧬 biology

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

JEDEL is een nieuw zero-shot framework dat 3D-farmacoforen-representaties van actieve liganden direct vertaalt naar experimenteel realiseerbare, synthese-klare DNA-gecodeerde bibliotheken door interactiepatronen te mappen naar schaalbare combinatorische routes met behulp van koopbare bouwstenen, waardoor het bestaande baselines over meerdere proteïne-targets verslaat zonder dat doelwit-specifieke hertraining vereist is.

Oorspronkelijke auteurs: Zygimantas Jocys, Zhanxing Zhu, Henriette M. G. Willems, Katayoun Farrahi

Gepubliceerd 2026-06-24

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Zygimantas Jocys, Zhanxing Zhu, Henriette M. G. Willems, Katayoun Farrahi

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Stel je voor dat je een meesterkok bent die probeert een nieuw gerecht te creëren dat perfect past bij de smaak van een specifieke klant. In de wereld van medicijnontwikkeling is de "klant" een ziekteverwekkend eiwit, en de "smaak" is een specifieke 3D-vorm van chemische kenmerken (zoals een slot en een sleutel) waar een medicijn precies in moet passen.

Lange tijd hebben wetenschappers computers gebruikt om miljoenen nieuwe "recepten" (medicijnmoleculen) te bedenken die mogelijk in dit slot passen. Maar er is een groot probleem: de meeste door de computer gegenereerde recepten zijn onmogelijk te koken. Ze kunnen ingrediënten vereisen die je niet kunt kopen, of kookstappen die in het echte leven niet bestaan. Wetenschappers besteden maanden aan het proberen te begrijpen hoe ze deze virtuele ideeën daadwerkelijk kunnen maken, om er vervolgens achter te komen dat ze niet gebouwd kunnen worden.

JEDEL is een nieuwe tool die dit oplost door het scenario om te draaien. In plaats van eerst een gerecht te bedenken en dan te proberen de ingrediënten te vinden, begint JEDEL met de ingrediënten die je al in de voorraadkast hebt staan en ontwerpt het een gerecht dat gegarandeerd bereid kan worden.

Hier is hoe JEDEL werkt, met eenvoudige analogieën:

1. De "Voorraadkast" versus het "Droommenu"

De Oude Manier (Droommenu): Computers verzinnen een perfect molecuul. Vervolgens moeten chemici de hele wereld rondrennen om de ingrediënten te vinden. Vaak vinden ze ze niet, en wordt de droom weggegooid.
De JEDEL-manier (Eerst de Voorraadkast): JEDEL kijkt naar een enorme, echte "voorraadkast" van meer dan 200.000 chemische bouwstenen die wetenschappers vandaag de dag daadwerkelijk kunnen kopen. Het ontwerpt alleen moleculen met behulp van deze specifieke, beschikbare blokken. Als JEDEL een molecuul voorstelt, is het gegarandeerd iets dat een laboratorium direct kan bouwen.

2. Het "Blauwprint" (Farmacofoor)

Het artikel legt uit dat veel medicijnen werken door te passen bij een specifief 3D-patroon van kenmerken (zoals een waterstofbrug hier, een hydrofobe plek daar). Dit patroon wordt een farmacofoor genoemd.

Denk aan de farmacofoor als een blauwdruk of een mal.
JEDEL neemt deze blauwdruk (afgeleid van bekende actieve medicijnen) en vraagt: "Welke combinatie van echte, koopbare ingrediënten kan ik samenvoegen om deze mal perfect te vullen?"

3. De "Slimme Vertaler" (De AI-engine)

De kern van JEDEL is een speciale AI-architectuur (een zogenaamde Joint Embedding Predictive Architecture).

Stel je een vertaler voor die twee talen spreekt: Geometrie (de 3D-vorm van de blauwdruk) en Chemie (de lijst met bouwstenen).
Normaal gesproken kan één vorm op veel verschillende manieren worden gebouwd (één-op-veel). JEDEL leert om de beste chemische "recept" te voorspellen die bij de 3D-vorm past zonder in de war te raken. Het raadt niet alleen; het leert de diepe verbinding tussen de benodigde vorm en de beschikbare ingrediënten.

4. Het "Receptenboek" (DNA-encoded bibliotheken)

JEDEL maakt niet zomaar één molecuul; het ontwerpt een hele bibliotheek van moleculen.

Dit is als een DNA-encoded bibliotheek. Het is als een enorme catalogus waarin elk item is voorzien van een unieke DNA-barcode.
JEDEL ontwerpt een gerichte catalogus van miljoenen potentiële medicijnen. Omdat het alleen echte ingrediënten en echte kookstappen (reacties) gebruikt, is elk item in deze catalogus klaar om direct te worden "gekookt" (gesynthetiseerd) en getest.

Wat hebben ze gevonden?

De onderzoekers hebben JEDEL getest op 18 verschillende eiwitdoelwitten (zoals verschillende soorten sloten). Ze vergeleken JEDEL met:

Willekeurige Selectie: Het blindelings kiezen van ingrediënten.
Standaard Diversiteitsbibliotheken: Het kiezen van een grote variëteit aan ingrediënten zonder specifiek doel.

De Resultaten:

Betere Pasvorm: De moleculen van JEDEL passen veel beter in de "sloten" (eiwitten) dan de willekeurige of standaard opties.
Hoger Succespercentage: Wanneer ze zochten naar moleculen die daadwerkelijk werkten (hits), vond JEDEL ze 2,6 keer vaker dan de standaard diversiteitsbibliotheek.
Zero-Shot Kracht: Het coolste deel? JEDEL hoefde niet opnieuw getraind te worden voor elk nieuw eiwit. Het heeft de algemene regels geleerd van "het passen van een vorm met echte ingrediënten" en paste deze direct toe op nieuwe doelwitten, zoals een chef die een perfect maaltijd kan bereiden voor een nieuwe klant zonder een nieuw kookboek nodig te hebben.

De Kern van het Verhaal

JEDEL overbrugt de kloof tussen computerimaginatie en echte chemie. Het zorgt ervoor dat wetenschappers stoppen met het bedenken van onbouwbare moleculen en laat hen beginnen met een lijst van "synthese-klare" kandidaten die gegarandeerd bouwbaar zijn, gericht op de specifieke vorm die ze nodig hebben, en klaar voor gebruik op de laboratoriumtafel. Het verandelt het proces van medicijnontwikkeling van een "gok en controleer"-spel in een precieze, gerichte ontwerpstrategie.

Technische Samenvatting: JEDEL – Zero-Shot DNA-Encoded Library Design

Probleemstelling
Er bestaat een hardnekkige kloof tussen computationeel generatief moleculair ontwerp en experimentele validatie. De meeste bestaande generatieve modellen produceren virtuele verbindingen die geen garanties bieden voor synthetische toegankelijkheid, wat uitgebreide retrosynthetische planning vereist en er vaak niet toe leidt dat ze het laboratorium bereiken. Daarentegen vertrouwen experimentele platforms zoals DNA-encoded libraries (DEL's) op vaste fysieke bibliotheken die niet dynamisch kunnen worden verfijnd op basis van computationele hypothesen. Hoewel DEL's een schaalbaar, op beads gebaseerd screeningsformaat bieden waarbij elk lid theoretisch synthetiseerbaar is, zijn huidige machine learning-benaderingen voor DEL's beperkt tot post-screening analyse (bijv. het ontruisen van sequencing-data) in plaats van pre-screening bibliotheekontwerp. Bovendien missen veel therapeutisch relevante targets nauwkeurige eiwitstructuren, waardoor structuurgebaseerd ontwerp onbetrouwbaar is. Ligand-gebaseerde 3D-farmacofoorrepresentaties bieden een robuust alternatief, maar geen bestaande methode slaagt erin om deze farmacofoor-restricties direct te vertalen naar synthese-klare DEL-bouwsteensequenties.

Methodologie
De auteurs introduceren JEDEL (Joint Embedding for DNA-Encoded Libraries), een framework dat 3D-farmacofoor geometrieën direct in kaart brengt naar synthese-klare DEL-bouwsteensequenties. De architectuur is ontworpen om strikt te opereren binnen de ruimte van koopbare bouwstenen en gevalideerde reacties, wat ervoor zorgt dat elke output experimenteel realiseerbaar is door constructie.

Architectuur: JEDEL maakt gebruik van een Joint Embedding Predictive Architecture (JEPA).
- Context Encoder: Gebruikt een E(n)-equivariante Graph Neural Network (P4-EGNN) om 3D-farmacofoor puntenwolken (hydrofobe, aromatische, H-brug donoren/acceptoren, ioniseerbare kenmerken) te coderen, waarbij rotatie- en translatiesymmetrieën worden gerespecteerd.
- Target Encoder: Gebruikt een message-passing GNN om moleculaire topologie te coderen.
- Predictive Objective: In plaats van contrastief leren (dat moeite heeft met de één-op-veel mapping tussen farmacoforen en diverse moleculaire scaffolds), gebruikt JEDEL een predictief objectief. Een predictor MLP leert de farmacofoor context embedding te mappen naar de target topologische embedding. Een Exponential Moving Average (EMA) target encoder voorkomt representatie-collapse.
- Hiërarchische Decoder: Om een vocabulaire van meer dan 200.000 koopbare reagentia te beheren, gebruikt de decoder een hiërarchische Bayesiaanse softmax. Het selecteert eerst een grove cluster (gebaseerd op reactierol en farmacofoor profiel) en vervolgens een specifieke bouwsteen binnen die cluster. Dit vermindert de output-dimensionaliteit van $O(|V|)$ naar $O(C + K)$ , wat generatie op een enkele GPU schaalbaar maakt.
Trainingsdata: Het model wordt getraind op 8 miljoen syntheseroutes die zijn geënumereerd uit 217.067 commercieel beschikbare Enamine bouwstenen die compatibel zijn met zeven DEL-reactietypes (bijv. amidekoppeling, Ugi-condensatie, Suzuki-Miyaura). Training vindt plaats zonder target-specifieke eietinformatie, waarbij uitsluitend wordt vertrouwd op farmacofoor-molecuul paren.

Belangrijkste Bijdragen

Synthese-door-Constructie Garantie: In tegen tegenstelling tot methoden die virtuele moleculen genereren die post-hoc filtering vereisen, genereert JEDEL moleculen direct als sequenties van koopbare bouwstenen en reactiestappen. Elke output komt overeen met een uitvoerbaar DEL-syntheseprotocol.
Zero-Shot Generalisatie: Het model vereist geen hertraining voor specifieke eiwittargets. Het generaliseert over diverse eiwitfamilies (proteasen, kinasen, GPCR's, etc.) door te conditioneren op ligand-afgeleide farmacoforen in plaats van eiwitstructuren.
Overbruggen van de Kloof: JEDEL is het eerste framework dat de verbinding legt tussen farmacofoor-gestuurd moleculair ontwerp en directe constructie van combinatorische bibliotheken, waardoor de cirkel wordt gesloten van computationele hypothese naar experimentele implementatie.

Resultaten
JEDEL werd geëvalueerd over 18 diverse eiwittargets tegenover twee baselines: willekeurige DEL-enumeratie en een gecureerde Enamine diversiteitsbibliotheek (100k verbindingen).

Bindingsaffiniteit: JEDEL bereikte de laagste gemiddelde docking energie (−7.49 kcal mol⁻¹) over alle targets, waarmee het Enamine (−7.39) en Random sampling (−6.28) versloeg. Het identificeerde de enkelvoudig best scorende molecule op 8 van de 18 targets (44%).
Farmacofoor Recovery: JEDEL vertoonde superieure getrouwheid in het herstellen van referentie farmacofoor kenmerken, met een gemiddelde P4 recovery van 89.3% en een Jaccard-gelijkenis van 0.761, vergeleken met 88.1%/0.751 voor Enamine en 78.1%/0.694 voor Random.
Sample Efficiëntie: JEDEL toonde een 2,6-voudig voordeel in sample efficiëntie (mediaan hit rate van 14.0%) ten opzichte van de Enamine diversiteitsbaseline (5.4%). De verbetering was het meest uitgesproken op "moeilijke" targets waar conventionele screening faalt; voor targets met lage Enamine hit rates (≤6.3%), behaalde JEDEL een gemiddelde hit rate van 2.9% versus 0.3% voor Enamine.
Chemische Kwaliteit: De gegenereerde moleculen vertoonden een hoge chemische validiteit (100%), uniciteit (99.3%) en nieuwheid (99.9%), met drug-like eigenschappen (gemiddelde QED 0.64) en fysisch-chemische profielen die consistent zijn met de trainingsdistributie.

Betekenis en Claims
Het artikel claimt dat JEDEL een kwalitatieve verschuiving vertegenwoordigt in de drug discovery pipeline. Door synthetische restricties direct in het generatieve model in te bedden, elimineert het de disconnect tussen computationele voorstellen en experimentele haalbaarheid. De auteurs benadrukken dat JEDEL de design van gefocuste, hypothese-gedreven bibliotheken op de schaal van $10^3$ – $10^4$ mogelijk maakt, die typerend is voor bead-gebaseerde platforms, waarbij elke verbinding is geselecteerd om aan specifieke farmacofoor eisen te voldoen.

De auteurs vermelden beperkingen, waaronder de afhankelijkheid van docking scores als proxy voor bindingsaffiniteit (wat entropische of water-gemedieerde effecten kan missen) en de huidige beperking tot zeven reactietypes. Zij stellen dat experimentele validatie via bead-gebaseerde DEL-synthese en affinity screening vereist is om te bevestigen dat computationele voorspellingen vertalen naar gemeten bindingsactiviteit. Desalniettemin vestigt het framework een praktische, zero-shot verbinding tussen farmacofoor-gestuurd ontwerp en de constructie van combinatorische bibliotheken, wat een directe route biedt van computationele hypothese naar experimentele implementatie.