Objava da je uz pomoć AI u samo 30 dana identificiran novi kandidat za lijek protiv raka jetre odjeknula je kao snažan signal da bi razvoj lijekova mogao ući u posve novu fazu. Umjesto dugih ciklusa koji traju godinama, istraživački tim je kombinirao računalne modele, velike skupove biomedicinskih podataka i generativni dizajn molekula kako bi došao do spojeva koji inhibiraju ciljani protein povezan s onkologijom. Takav ubrzani pristup izravno adresira golemu medicinsku potrebu – rak jetre je među vodećim uzrocima smrtnosti povezanih s rakom diljem svijeta – i pokazuje kako se na sjecištu računalne znanosti i farmacije rađa praktična primjena koja može promijeniti standardne putove razvoja terapija.

Zašto je otkriće važno za pacijente s rakom jetre

Najčešći primarni karcinom jetre je hepatocelularni karcinom. Prema procjenama za 2020., rak jetre sudjelovao je u više od 830.000 smrtnih slučajeva globalno, dok su karcinom pluća imao oko 1,8 milijuna smrti, kolorektalni oko 916.000, karcinom želuca oko 769.000, a karcinom dojke oko 685.000. U takvom kontekstu svako skraćenje puta od ideje do kandidata za lijek može imati konkretan učinak na ishode liječenja, jer rak jetre često biva dijagnosticiran kasno, terapijske opcije su ograničene, a rezistencija na postojeće lijekove česta. Ako se kandidati za lijek identificiraju brže, ranije kliničko ispitivanje može započeti bez nepotrebnih zastoja, a pacijenti s rakom jetre dobivaju priliku za nova, ciljano osmišljena rješenja.

Što znači skratiti desetljeće na tjedne

Tradicionalno, od otkrića do odobrenja lijeka prolazi prosječno 10,5 godina. Pritom je ukupna vjerojatnost da projekt koji započinje u ranoj fazi dođe do regulatornog odobrenja oko 7,9 posto. Prosječne su duljine po fazama: 2,3 godine za prvu fazu, 3,6 godina za drugu, 3,3 godine za treću i 1,3 godine za regulatornu prijavu. Procijenjeni prosječni trošak razvoja jednog odobrenog lijeka doseže oko 2,87 milijardi američkih dolara. U tom sustavu, pomak prema brzom računalnom dizajnu i automatiziranom sužavanju izbora meta mogao bi već u startu eliminirati godine eksperimentalnog lutanja – vremenski dobitak koji je za pacijente s rakom jetre itekako važan.

Tko je sudjelovao i što je točno učinjeno

U središtu radova nalazi se tim s iskustvom na raskrižju strojnog učenja i kemije. Kao istaknuti sudionik spominje se Alex Zhavoronkov iz tvrtke Insilico Medicine, a u autorstvu su znanstvenici čiji su doprinosi prepoznati u računalnoj kemiji i metodama dizajna lijekova. U pozadini je bio jasno definiran cilj: identificirati i validirati molekule koje ciljaju proteinkinazu CDK20, nakon što su računalne analize upućivale na povezanost tog cilja s patofiziologijom bolesti. Takva usmjerenost na preciznu metu obećava terapije koje bi mogle djelovati na ključne mehanizme uključene u rak jetre te ponuditi dodatne opcije tamo gdje standardne terapije ne postižu očekivane rezultate.

Odabir cilja: CDK20 kao obećavajuća meta

Polazište su bile sustavne analize transkriptomskih i drugih omics podataka iz deset skupova podataka hepatocelularnog karcinoma. Alatima kao što je PandaOmics slojevito su rangirane potencijalne mete prema povezanosti s bolešću, novosti, sigurnosnim obilježjima i pristupačnosti malim molekulama ili biološkim lijekovima. Nakon filtriranja i usporedbe različitih kriterija, odabrana je CDK20 – kinaza za koju je postojalo malo eksperimentalnih strukturnih informacija i nedostatak odobrenih lijekova ili kliničkih spojeva posljednjih godina. Ovakva meta je zanimljiva, jer pruža prostor za diferencijaciju i nudi patobiološki utemeljen pristup koji bi se mogao odraziti na ishode kod bolesti kao što je rak jetre.

Kako se došlo do strukturne slike cilja

Za predviđanje trodimenzionalne građe proteina upotrijebljena je baza AlphaFold Protein Structure Database, koja sadrži stotine milijuna predikcija proteina nastalih radom sustava AlphaFold tvrtke DeepMind. AlphaFold iz aminokiselinskog slijeda predviđa prostornu organizaciju proteina i pridružuje mjeru pouzdanosti po ostatku, što znanstvenicima omogućuje početno oblikovanje pretpostavki o džepovima za vezanje i potencijalnim interakcijama s malim molekulama. Premda predikcije nisu zamjena za kristalnu strukturu, u ranoj fazi otkrića mogu pružiti dovoljno informacija za virtualno prosijavanje i generativni dizajn. Upravo je takav okvir poslužio za CDK20, čiji je predviđeni model dao početni geometrijski kontekst potreban za usmjerenu potragu za inhibitorima relevantnima za rak jetre.

Generativni dizajn: stvaranje tisuća kandidata i brzo sužavanje izbora

Kada je cilj definiran, u igru je ušao generativni sustav kemijskog dizajna Chemistry42. Taj je sustav, oslonjen na tehnike strojnog učenja, generirao 8.918 različitih malih molekula koje bi mogle odgovarati topologiji veznog mjesta CDK20. Nije svaka ideja vrijedna sinteze – upravo zato slijedi stroga računalna selekcija kandidata, procjena svojstava poput predvidive topljivosti, lipofilnosti, potencijalne selektivnosti i in silico procjene toksičnosti, a zatim i odluka o malom broju spojeva koji idu u laboratorijsku sintezu i testiranje.

Nakon tog višeslojnog prosijavanja, odabrano je sedam molekula za sintezu i biološke testove. U početnim enzimskim ispitivanjima jedan je spoj – ISM042-2-001 – pokazao najviše obećavajućih signala u mjerenju vezanja na kinazu. Uslijedio je drugi ciklus generiranja i optimizacije vezan na početni rezultat, koji je proizveo još snažniji spoj, ISM042-2-048, s nanomolarnom potentnošću u relevantnim testovima. Takav ciklički pristup – generirati, sintetizirati, testirati, optimizirati – omogućio je da se funkcionalan kandidat pojavi u roku od četiri tjedna. Za područje kao što je rak jetre, u kojem svaka nova terapijska mogućnost može produžiti preživljenje, skraćivanje ove rane dionice rada ima praktično značenje.

Što je bilo u tih 30 dana

1. Rangiranje mogućih meta i odabir CDK20 prema relevantnosti za rak jetre i mogućnosti modulacije malim molekulama.
2. Preuzimanje i analiza predviđene strukture proteina iz baze AlphaFold, uključujući razine pouzdanosti po regijama proteinske domene.
3. Generativni dizajn tisuća kandidata u alatu Chemistry42 uz ograničenja kemijske raznolikosti i svojstava pogodnih za lijek.
4. Računalna selekcija i rangiranje kandidata prema više kriterija – afinitet, selektivnost, farmakokinetski potencijal, upozorenja o reaktivnosti.
5. Laboratorijska sinteza odabranih spojeva i izvođenje enzimskih testova vezanja.
6. Analiza rezultata, usmjerena optimizacija i generiranje druge serije spojeva.
7. Identifikacija spoja s nanomolarnom potentnošću koji je spreman za šire in vitro i in vivo provjere relevantne za rak jetre.

Ekonomski kontekst i potencijalne uštede

Prosječna cijena razvoja jednog odobrenog lijeka od 2,87 milijardi USD i vrijeme od 10,5 godina nisu samo brojke, nego odraz kompleksnosti, regulatornih obveza i visokog rizika. Svaka iteracija koja smanjuje broj sinteza, skraćuje čekanje na rezultate ili unaprijed uklanja nepoželjne kemijske motive može se prevesti u relevantne uštede. U onkologiji, a osobito kada je riječ o indikacijama poput rak jetre, brže otkrivanje omogućuje raspoređivanje resursa tamo gdje su rezultati vjerojatniji. Ako računalni alati mogu iz stotina tisuća mogućnosti izdvojiti samo desetke najambicioznijih kandidata, laboratoriji i bioterapijski timovi mogu se fokusirati na eksperimente koji donose najviše informacija uz najmanje troškove i vremena.

Sigurnost, selektivnost i izbjegavanje promašaja

Brzina ne smije biti na štetu sigurnosti – zato se već u ranoj fazi uključuju filtri koji skreću pozornost na kemijske motive povezane s genotoksičnošću, inhibicijom ključnih enzima i potencijalno nepoželjnim interakcijama. U isto se vrijeme prati selektivnost prema bliskim kinazama kako bi se smanjio rizik od nuspojava. Takva višekriterijska optimizacija ne garantira kliniški uspjeh, ali smanjuje vjerojatnost da se previše resursa potroši na spojeve koji bi kasnije pali na testovima sigurnosti – što je, za bolesti kao što je rak jetre, kritično zbog čestih komorbiditeta i osjetljivosti funkcije jetre na lijekove.

Tehnološka infrastruktura koja stoji iza procesa

Baza AlphaFold Protein Structure Database obuhvaća predikcije proteoma mnogih organizama, uključujući čovjeka. Takva jedinstvena dostupnost strukturnih modela omogućuje da se hipotetske interakcije između proteina i malih molekula istražuju odmah. DeepMind je razvojem AlphaFold otvorio put alatima koji spajaju statističke uzorke u sekvencama s trodimenzionalnim posljedicama tih uzoraka. Kada se takva predikcija spoji s generativnim modelima kemije, dobiva se platforma koja može brzo isporučiti početne kandidate – upravo ono što je demonstrirano u projektu relevantnom za rak jetre.

Osim struktura, bitna je i semantička obrada literature i podataka. Alati poput PandaOmics pretražuju objave, patente i omics baze, tražeći ponavljajuće signale koji povezuju gene, putove i fenotipske ishode. Na taj se način izbjegava nasumično biranje meta i umjesto toga uspostavlja trasirani put prema onima koje imaju najveći biološki smisao – a to je presudno kada je cilj stvoriti lijek za kompleksnu, heterogenu bolest kakav je rak jetre.

Uloga industrijskih partnera i skalabilnost

Platforme koje su sposobne predlagati i validirati pretkandidate u kratkim ciklusima već su privukle pozornost farmaceutskih kompanija. Navode se slučajevi u kojima je unutar jedne godine odabrano devet pretkliničkih kandidata za različite projekte kroz istu infrastrukturu. Takva skalabilnost znači da se metodologija ne mora ograničiti na jedan indikacijski prostor: iako je ovdje u fokusu rak jetre, isti alati mogu se prilagoditi i drugim karcinomima, fibrotičnim bolestima ili upalnim indikacijama, uz uvjet odgovarajućih podataka i sigurnosnih procjena.

Kako se pristupa validaciji nakon računalnog otkrića

Računalno otkriće nije cilj samo po sebi; ono je početak eksperimentalne provjere. Nakon enzimskih testova slijede cell-based eksperimenti koji ispituju kako se spoj ponaša u staničnom kontekstu, kakav je utjecaj na ciljnu fosforilaciju i aktivnost putova. Zatim dolaze farmakokinetička mjerenja – oralna bioraspoloživost, poluvijek, distribucija u tkivima, metabolizam. U indikaciji kao što je rak jetre posebno se promatraju parametri ovisni o funkciji jetre, indukcija ili inhibicija ključnih enzimskih sustava i rizik od hepatotoksičnosti. Ako spoj prođe te filtere, prelazi se na in vivo modele bolesti i, u konačnici, razmišljanje o dizajnu rane kliničke faze.

Regulatorna perspektiva

Svaki kandidat mora na kraju zadovoljiti zahtjeve regulatora kao što je FDA. Algoritamska pomoć i generativni modeli ne mijenjaju standarde – oni služe za bolju pripremu dokumentacije i kvalitetniji dizajn studija. Upravo to može skratiti vrijeme do prvog ispitivanja na ljudima i povećati šansu da se ključna pitanja sigurnosti i farmakodinamike adresiraju već u ranoj fazi. Za rak jetre to može značiti brže donošenje odluka o nastavku ili zaustavljanju projekta, uz jasne biomarkere odgovora i plan praćenja nuspojava.

Medicinski smisao ciljanja CDK20 u raku jetre

Proteinske kinaze često orkestriraju stanični ciklus i proliferaciju. Ako je aktivnost CDK20 povezana s nekontroliranim rastom tumorskih stanica u jetri, inhibicija može vratiti ravnotežu signalnim putovima i usporiti napredovanje. Čak i kada jedan cilj ne bude univerzalan, dodavanje onkološkog arsenala s novim mehanizmima djelovanja omogućuje personaliziranije kombinacije. Pacijenti s rakom jetre heterogena su skupina – etiologije uključuju virusne hepatitise, alkoholnu bolest, nealkoholnu masnu bolest jetre i druge čimbenike – pa je portfelj meta i lijekova različitih mehanizama jedan od najboljih odgovora na tu heterogenost.

Kombinacije s postojećim terapijama

U praksi se nove male molekule često ispituju u kombinacijama s imunoterapijom ili antiangiogenim lijekovima. Ako inhibitor CDK20 pokaže dobar sigurnosni profil i biološku aktivnost, mogao bi se ispitivati kao dodatak standardnim režimima za rak jetre. Kombinacijska logika nije samo zbroj učinaka – cilj je postići sinergiju i prevladati mehanizme rezistencije. Brzo računalno otkrivanje ubrzava dolazak do točke na kojoj se takva pitanja mogu testirati u ranoj fazi, što je ponovno izravna korist za pacijente s rakom jetre.

Što kaže iskustvo industrije o učinku AI na razvoj lijekova

U posljednjim je godinama zabilježen porast broja projekata u kojima su generativni modeli i prediktivni algoritmi doveli do nominiranja pretkandidata u pretkliničkoj fazi. Tvrtke prijavljuju da mogu proizvoditi usporediv broj kandidata s tradicionalno mnogo većim timovima i budžetima. Primjena takvih alata u onkologiji – a posebno u indikacijama s velikim teretom bolesti poput rak jetre – stvara prostor za brže lansiranje rane kliničke validacije. Ako se isti proces potvrdi u još nekoliko ciljeva i indikacija, povjerenje u alatne lance koji koriste AI dodatno će rasti.

Ograničenja i potrebna opreznost

Treba podsjetiti da prediktivni modeli, koliko god bili sofisticirani, počivaju na podacima iz kojih uče. Ako su podaci neuravnoteženi ili nepotpuni, preporuke mogu biti pristrane. Zato je nužno provoditi rigorozne eksperimentalne provjere i ne preskakati korake farmaceutske znanosti. Za rak jetre to znači da se uz standardne toksikološke i farmakološke protokole posebno motre parametri funkcije jetre i rizik lijek-lijek interakcija s terapijama koje se već koriste u kliničkoj praksi. Dobra vijest je da automatizacija ne poništava znanstvenu disciplinu – naprotiv, čini je učinkovitijom.

Što ova priča znači za translacijsku medicinu i pacijente

Ubrzano otkrivanje kandidata otvara vrata ranijoj identifikaciji biomarkera i boljem odabiru pacijenata. U ranoj kliničkoj fazi mogu se ugraditi adaptivni elementi dizajna studija i predvidjeti protokoli za slučajeve parcijalnog odgovora ili nuspojava. Za rak jetre, gdje su resekcija i transplantacija često ograničene dostupnošću i kriterijima uključivanja, farmakološke intervencije ostaju ključne. Ako se ciljani inhibitor pokaže učinkovitim u podskupini pacijenata definiranih genomskim ili transkriptomskim profilom, personalizirana onkologija dobiva još jedan praktičan alat.

Podaci, suradnja i budućnost platformi

Najsnažniji rezultati nastaju kada se spajaju kvalitetni podaci, interdisciplinarni timovi i skalabilne platforme. U ovom je slučaju, polazeći od računalne hipoteze, u kratkom roku stvoren kandidat koji zaslužuje detaljnu biološku provjeru – i to baš u indikaciji u kojoj je teret bolesti iznimno visok. Ako se ovakav tijek rada nastavi i u drugim metama, nije teško zamisliti mrežu laboratorija i računalnih centara koji kontinuirano isporučuju kandidate, dok se klinički dokazi postupno gomilaju. Time bi pacijenti s rakom jetre mogli dobiti raznovrsnije, brže i preciznije terapijske opcije nego ikada prije.

Sažeti prikaz procesa u brojkama i koracima

• Uzorak bolesti: rak jetre s velikim globalnim opterećenjem i ograničenim terapijskim opcijama.
• Cilj: CDK20, odabran nakon višekriterijskog rangiranja meta povezanih s bolešću.
• Struktura: oslonac na predikcije iz AlphaFold Protein Structure Database.
• Generacija: 8.918 računalno dizajniranih kandidata u alatu Chemistry42.
• Sinteza i test: sedam spojeva, identifikacija najboljeg početnog kandidata (ISM042-2-001).
• Optimizacija: druga runda dovodi do ISM042-2-048 s nanomolarnom potentnošću.
• Vremenski okvir: od računalne hipoteze do funkcionalnog kandidata u 30 dana, što je značajan pomak za rak jetre.

Utjecaj na dizajn rane kliničke faze

Brzina dolaska do kemijskog kandidata omogućuje više vremena za pažljivo planiranje farmakologije, farmakokinetike i doziranja. Za rak jetre, gdje je heterogenost pacijenata izražena, već u fazi I može se razmotriti stratifikacija prema etiologiji bolesti, ekspresijskim profilima i komorbiditetima. Tako se osigurava da se već u ranim koracima prikupljaju podaci presudni za kasniju procjenu koristi i rizika.

Zaključno o važnosti metodološkog pomaka za onkologiju jetre

Premda je pred istraživačima još mnogo posla prije nego što bilo koji kandidat postane lijek, demonstrirana sposobnost da se u 30 dana prijeđe od računalne hipoteze do validiranog inhibitora ciljne kinaze jest snažan dokaz koncepta. U onkologiji, a posebno kada je u pitanju rak jetre, ovakvi pomaci znače da se snaga algoritama pretvara u stvarne molekule koje se mogu držati u ruci, sintetizirati u laboratoriju i testirati protiv cilja za koji postoje biološki razlozi. To je bit translacijske medicine – i razlog zašto će se istraživanja temeljena na AI sve češće viđati na putu do novih terapija.