DOI: https://doi.org/10.1038/s41401-025-01701-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41593209
تاريخ النشر: 2026-01-27
المؤلف: Maryam وآخرون
الموضوع الرئيسي: طرق اكتشاف الأدوية الحاسوبية
نظرة عامة
تتركز الدراسة على Janus kinase 2 (JAK2)، وهو هدف حاسم لعلاج الأمراض الالتهابية، والسرطانات، والتهاب المفاصل الروماتويدي. استخدم الباحثون مجموعة متنوعة من الوصف الجزيئي، بما في ذلك بصمات مورغان، ونظام الوصول الجزيئي (MACCS)، وPaDEL، لتطوير نماذج تعلم الآلة التي تهدف إلى تحديد مثبطات JAK2. ومن الجدير بالذكر أن نموذج CatBoost الذي يستخدم بصمات مورغان حقق دقة مثيرة للإعجاب تبلغ 0.94 على مجموعة بيانات الاختبار.
بعد ذلك، تم تطبيق هذا النموذج المحسن من CatBoost على فحص بنك البيانات الكيميائية الكورية (KCB) بحثًا عن مثبطات محتملة لـ JAK2. خضعت أفضل المرشحين لتحليلات حسابية شاملة، بما في ذلك نظرية الوظائف الكثيفة (DFT)، والربط الجزيئي، ومحاكاة الديناميات الجزيئية، لتقييم فعاليتها. تم اختيار أربعة مركبات في النهاية للتحقق التجريبي، حيث أظهرت قيم IC50 أقل من 10 ميكرومتر. تسلط هذه الدراسة الضوء على التكامل الفعال لنمذجة مدفوعة بالذكاء الاصطناعي مع الأساليب التجريبية، مما يمهد الطريق للطب الشخصي ويعزز تطوير العلاجات المستهدفة مع تبسيط عملية اكتشاف الأدوية.
مقدمة
تناقش مقدمة هذه الورقة البحثية أهمية بروتينات Janus Kinases (JAK)، وخاصة JAK2، في عمليات بيولوجية مختلفة مثل تنظيم المناعة، والاستجابات الالتهابية، وتكوين الدم. تعتبر عائلة JAK، التي تتكون من JAK1 وJAK2 وJAK3 وTY2K، حاسمة لنقل الإشارات التي تتوسطها السيتوكينات عبر مسار JAK-STAT، مما يؤثر على نسخ العديد من السيتوكينات والمواد الكيميائية التنظيمية. ومن الجدير بالذكر أن طفرة جين JAK2 (V617F) مرتبطة بعدة اضطرابات تكاثرية نقوية، مما يعزز نشاط كيناز التيروزين ويعمل كعلامة تشخيصية محتملة للأمراض الالتهابية والسرطان.
تسلط الورقة الضوء على التحديات في تطوير مثبطات JAK2 الانتقائية بسبب التشابه الهيكلي في مواقع ارتباط ATP بين نظائر JAK. بينما حصلت بعض الأدوية المستهدفة لـ JAK2 على موافقة إدارة الغذاء والدواء، لا يزال هناك حاجة لمثبطات جديدة ذات خصائص محسنة. تستخدم الدراسة اكتشاف الأدوية المدعوم بالحاسوب (CADD) وتعلم الآلة (ML) لفحص مكتبة كيميائية كبيرة بكفاءة بحثًا عن مثبطات محتملة لـ JAK2. من خلال استخدام نماذج ML المدربة على مجموعة بيانات مثبطات JAK2، يهدف الباحثون إلى تحديد المرشحين الواعدين، الذين سيتم تحليلهم بشكل أكبر من خلال الربط الجزيئي، ومحاكاة الديناميات، والاختبارات البيولوجية لتقييم قوتهم في الارتباط ونشاطهم المثبط.
الطرق
تحدد قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، ومعدات، وعينات بيولوجية، لضمان إمكانية تكرار التجارب. تشمل المنهجية البروتوكولات لجمع البيانات، بما في ذلك أي تحليلات إحصائية تم إجراؤها لتفسير النتائج.
بالإضافة إلى ذلك، قد يصف القسم الظروف التجريبية، مثل درجة الحرارة، والمدة، وأي ضوابط تم تنفيذها للتحقق من النتائج. تعتبر الوضوح والدقة في هذا القسم حاسمة لتمكين الباحثين الآخرين من تكرار الدراسة والتحقق من النتائج، مما يساهم في موثوقية البحث بشكل عام.
النتائج
يقدم قسم “النتائج” في الورقة البحثية النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. عادةً ما يتضمن بيانات كمية، وتحليلات إحصائية، وتمثيلات بصرية مثل الرسوم البيانية أو الجداول التي توضح نتائج الدراسة. غالبًا ما تتم مقارنة النتائج مع الفرضيات أو الأهداف الأولية الموضحة في المقدمة، مما يبرز الاتجاهات المهمة، أو الارتباطات، أو التباينات.
في هذا القسم، قد يناقش المؤلفون أيضًا تداعيات نتائجهم، مؤكدين كيف تساهم في المعرفة الحالية في هذا المجال. يتم تناول أي نتائج غير متوقعة أو شذوذ، مما يوفر رؤى حول القيود المحتملة أو المجالات التي تحتاج إلى مزيد من التحقيق. بشكل عام، تعتبر النتائج أساسًا للنقاشات والاستنتاجات اللاحقة التي تم التوصل إليها في الورقة.
المناقشة
في قسم المناقشة من الورقة البحثية، يوضح المؤلفون إعداد وتحليل مجموعة بيانات تتعلق بتثبيط JAK2، المستمدة من قاعدة بيانات ChEMBL_35، والتي تضمنت 7,580 جزيء. خضعت مجموعة البيانات لعمليات معالجة مسبقة شاملة، بما في ذلك إزالة الأملاح، والمركبات المتشابهة، والتكرارات، وتم تحويلها إلى قيم pIC50 لتصنيف الجزيئات كفعالة أو غير فعالة بناءً على قوتها المثبطة. تم استخدام تقنية تجميع Butina لتقسيم مجموعة البيانات إلى مجموعات تدريب واختبار، مما يضمن تنوعًا في التمثيل الجزيئي من خلال استخدام بصمات مورغان.
نفذ المؤلفون عدة نماذج تعلم آلة، بما في ذلك تعزيز التدرج المتطرف (XGBoost)، وAdaBoost، وآلة تعزيز التدرج الخفيف (LightGBM)، وCatBoost، للتنبؤ بتثبيط JAK2. تم تحسين النماذج باستخدام خوارزمية OPTUNA، التي قامت بضبط المعلمات الفائقة لتحسين الأداء التنبؤي. تم استخدام مقاييس التقييم مثل الدقة، والحساسية، والنوعية، ومعامل ارتباط ماثيو (MCC) لتقييم فعالية النموذج. ومن الجدير بالذكر أن CatBoost ظهر كأفضل مصنف، حيث حقق دقة تبلغ 0.94 وMCC يبلغ 0.86، متفوقًا على النماذج الأخرى في تمييز مثبطات JAK2 عن غير المثبطات. كما استخدمت الدراسة تحليل أهمية الميزات المستند إلى SHAP لتحديد الوصف الجزيئي الرئيسي الذي أثر بشكل كبير على توقعات النموذج، مما يبرز أهمية الميزات الجزيئية المحددة في تحديد النشاط المثبط.
DOI: https://doi.org/10.1038/s41401-025-01701-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41593209
Publication Date: 2026-01-27
Author(s): Maryam et al.
Primary Topic: Computational Drug Discovery Methods
Overview
The study focuses on Janus kinase 2 (JAK2), a critical target for treating inflammatory diseases, cancers, and rheumatoid arthritis. The researchers employed various molecular descriptors, including Morgan fingerprints, Molecular Access System (MACCS), and PaDEL, to develop machine-learning models aimed at identifying JAK2 inhibitors. Notably, the CatBoost model utilizing Morgan fingerprints achieved an impressive accuracy of 0.94 on the test dataset.
Subsequently, this optimized CatBoost model was applied to screen the Korean Chemical Databank (KCB) for potential JAK2 inhibitors. The top candidates underwent extensive computational analyses, including density functional theory (DFT), molecular docking, and molecular dynamics simulations, to assess their efficacy. Four compounds were ultimately selected for experimental validation, demonstrating IC50 values of less than 10 μM. This research highlights the effective integration of AI-driven modeling with experimental approaches, paving the way for personalized medicine and enhancing the development of targeted therapies while streamlining the drug discovery process.
Introduction
The introduction of this research paper discusses the significance of Janus Kinases (JAK) proteins, particularly JAK2, in various biological processes such as immune regulation, inflammatory responses, and hematopoiesis. The JAK family, comprising JAK1, JAK2, JAK3, and TY2K, is crucial for transmitting cytokine-mediated signals through the JAK-STAT pathway, influencing the transcription of numerous cytokines and regulatory chemicals. Notably, the JAK2 gene (V617F) mutation is linked to several myeloproliferative disorders, enhancing tyrosine kinase activity and serving as a potential diagnostic marker for inflammatory diseases and cancer.
The paper highlights the challenges in developing selective JAK2 inhibitors due to the structural similarities in ATP-binding sites among JAK isoforms. While some JAK2-targeting drugs have received FDA approval, there remains a need for new inhibitors with improved properties. The study employs computer-aided drug discovery (CADD) and machine learning (ML) to efficiently screen a large chemical library for potential JAK2 inhibitors. By utilizing ML models trained on a JAK2 inhibitor dataset, the researchers aim to identify promising candidates, which will be further analyzed through molecular docking, dynamics simulations, and biological assays to evaluate their binding potency and inhibitory activity.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the experiments. The methodology encompasses the protocols for data collection, including any statistical analyses performed to interpret the results.
Additionally, the section may describe the experimental conditions, such as temperature, duration, and any controls implemented to validate the findings. The clarity and precision in this section are crucial for enabling other researchers to replicate the study and verify the results, thereby contributing to the overall reliability of the research.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It typically includes quantitative data, statistical analyses, and visual representations such as graphs or tables that illustrate the outcomes of the study. The results are often compared against the initial hypotheses or objectives outlined in the introduction, highlighting significant trends, correlations, or discrepancies.
In this section, the authors may also discuss the implications of their findings, emphasizing how they contribute to the existing body of knowledge in the field. Any unexpected results or anomalies are addressed, providing insights into potential limitations or areas for further investigation. Overall, the results serve as a foundation for the subsequent discussion and conclusions drawn in the paper.
Discussion
In the discussion section of the research paper, the authors detail the preparation and analysis of a dataset related to JAK2 inhibition, sourced from the ChEMBL_35 database, which included 7,580 molecules. The dataset underwent extensive preprocessing, including the removal of salts, stereoisomers, and duplicates, and was converted into pIC50 values to categorize molecules as active or inactive based on their inhibitory potency. The Butina Clustering technique was employed to partition the dataset into training and testing sets, ensuring diversity in molecular representation through the use of Morgan Fingerprints.
The authors implemented several machine-learning models, including Extreme Gradient Boosting (XGBoost), AdaBoost, Light Gradient Boosting Machine (LightGBM), and CatBoost, to predict JAK2 inhibition. The models were optimized using the OPTUNA algorithm, which fine-tuned hyperparameters to enhance predictive performance. Evaluation metrics such as accuracy, sensitivity, specificity, and the Matthews correlation coefficient (MCC) were utilized to assess model efficacy. Notably, CatBoost emerged as the most effective classifier, achieving an accuracy of 0.94 and an MCC of 0.86, outperforming other models in distinguishing JAK2 inhibitors from non-inhibitors. The study further employed SHAP-based feature importance analysis to identify key molecular descriptors that significantly influenced model predictions, underscoring the importance of specific molecular features in determining inhibitory activity.