Ligand: het molecuul dat eiwitten aan- of uitzet
Een ligand is een klein molecuul dat zich hecht aan een groter molecuul, meestal een eiwit, en daarmee de werking ervan beïnvloedt. Denk aan een sleutel die in een slot past: als de vorm klopt, kan het slot open- of dichtdraaien. Het eiwit is het slot, de ligand is de sleutel, en het "opendraaien" kan bijvoorbeeld betekenen dat een cel een signaal krijgt, een enzym actief wordt, of juist wordt geblokkeerd. Hormonen, medicijnen, neurotransmitters en zelfs zuurstof die aan hemoglobine bindt, zijn allemaal voorbeelden van ligands.
De term duikt de laatste jaren steeds vaker op in technologienieuws, omdat kunstmatige intelligentie het zoeken naar geschikte ligands ingrijpend versnelt. Waar onderzoekers vroeger jarenlang in het laboratorium moesten proberen welk molecuul goed op een ziekteveroorzakend eiwit past, kunnen AI-systemen nu binnen dagen duizenden mogelijke ligands doorrekenen en voorspellen welke het beste zouden binden. Dat maakt het begrip ligand een sleutelwoord in de opkomende wereld van AI-gedreven medicijnontwikkeling.
Wat is het precies?
Een ligand bindt aan een specifieke plek op een eiwit, de zogeheten bindingsplaats of "pocket". Die plek heeft een bepaalde vorm en chemische eigenschappen, bijvoorbeeld een lading of een voorkeur voor water-afstotende groepen. Een ligand past daar goed in als zijn eigen vorm en eigenschappen complementair zijn, ongeveer zoals een puzzelstukje.
Die binding is zelden helemaal star. Onderzoekers spreken van "induced fit": het eiwit vervormt licht zodra de ligand nadert, waardoor de twee zich als het ware naar elkaar toe vouwen. Hoe steviger en specifieker die klik is, hoe hoger de zogeheten affiniteit. Een medicijn met hoge affiniteit voor zijn doeleiwit werkt doorgaans al bij een lage dosis, wat bijwerkingen kan beperken.
Ligands kunnen een eiwit activeren (agonisten) of juist blokkeren (antagonisten). Adrenaline is bijvoorbeeld een agonist die aan adrenerge receptoren bindt en het hart sneller laat kloppen; bètablokkers zijn antagonisten die diezelfde receptoren bezetten zonder ze te activeren, en zo dat effect juist tegengaan.
Om te voorspellen of een molecuul goed bindt, gebruiken chemici al decennia "molecular docking": computersimulaties die berekenen hoe een ligand in de bindingsplaats past en hoeveel energie daarbij vrijkomt. Dat werkte redelijk, maar was traag en foutgevoelig omdat eiwitten in de praktijk flexibel zijn. Nieuwe AI-modellen, zoals AlphaFold3 van DeepMind en Isomorphic Labs, voorspellen niet alleen de vorm van een eiwit maar ook hoe het samen met een ligand, met DNA, RNA of andere moleculen een driedimensionale complex vormt. Dat is een directe opvolger van het eerdere AlphaFold, dat vanaf 2020 vooral eiwitstructuren zelf voorspelde.
Buiten de biologie bestaat het woord ligand ook in de scheikunde in bredere zin: in de coördinatiechemie is een ligand elk atoom, ion of molecuul dat zich met een elektronenpaar bindt aan een centraal metaalatoom, zoals in kleurstoffen, katalysatoren of het ijzeratoom in hemoglobine. Het onderliggende principe, een molecuul dat zich hecht aan iets groters, is hetzelfde.
Wat wil men ermee bereiken?
Het uiteindelijke doel is vooral sneller en goedkoper nieuwe medicijnen vinden. De ontwikkeling van een geneesmiddel duurt traditioneel tien tot vijftien jaar en kost al snel meer dan een miljard euro, mede omdat onderzoekers eindeloos moeten experimenteren om een ligand te vinden die precies genoeg, veilig genoeg en stabiel genoeg is.
Als AI-modellen betrouwbaar kunnen voorspellen welke moleculen goed zullen binden, hoeven laboratoria minder kandidaten fysiek te testen. Dat scheelt tijd, dierproeven en kosten in de vroege onderzoeksfase. Sommige partijen dromen ook van "generatieve" ontwerpsystemen die niet alleen bestaande moleculen beoordelen, maar zelf compleet nieuwe ligands bedenken die in de natuur nog niet bestaan, afgestemd op een specifiek eiwit.
Een tweede ambitie is precisiegeneeskunde: ligands ontwerpen die heel specifiek op één eiwitvariant inwerken, zodat een medicijn minder bijwerkingen geeft omdat het andere, gelijkende eiwitten met rust laat. Dat is relevant bij bijvoorbeeld kanker, waarbij tumorcellen vaak net iets andere eiwitvarianten hebben dan gezonde cellen.
Voorbeelden uit de praktijk
AlphaFold3 (DeepMind en het spin-offbedrijf Isomorphic Labs, gepubliceerd in 2024) kan de structuur van complexen tussen eiwitten en ligands voorspellen, iets waar het oorspronkelijke AlphaFold nog niet goed in was. Isomorphic Labs, opgericht door DeepMind-oprichter Demis Hassabis, gebruikt dit soort modellen om samen met farmaceuten als Eli Lilly en Novartis nieuwe medicijnkandidaten te zoeken.
RFdiffusion, ontwikkeld door het Institute for Protein Design van David Baker aan de University of Washington en gepubliceerd in 2023, gaat een stap verder: het genereert met een AI-techniek die vergelijkbaar is met beeldgeneratoren (diffusiemodellen) volledig nieuwe eiwitten en bindingsplaatsen, ontworpen rond een gewenste ligand.
Insilico Medicine, een bedrijf met wortels in Hongkong en de Verenigde Staten, ontwikkelde met AI een medicijnkandidaat (INS018_055) tegen longfibrose, een zeldzame en ernstige longziekte. Zowel het doeleiwit als de bijpassende ligand werden grotendeels met machinelearning geselecteerd, en het middel bereikte klinische testfases bij mensen, wat gold als een van de eerste voorbeelden van een grotendeels AI-ontworpen medicijn dat zo ver kwam.
Exscientia (Verenigd Koninkrijk) en Recursion Pharmaceuticals (Verenigde Staten) zijn twee andere bedrijven die AI inzetten om ligands te ontwerpen en te screenen, en die inmiddels meerdere kandidaten in klinische trials hebben lopen, vaak in samenwerking met grote farmaceutische bedrijven.
Hoe ver is de techniek?
De voorspellingen zijn de afgelopen jaren snel beter geworden, maar een goede computervoorspelling is nog geen bewezen medicijn. Een AI-model kan inschatten dat een ligand waarschijnlijk goed bindt, maar dat moet daarna nog altijd in het laboratorium en vervolgens in dieren en mensen worden bevestigd. AI versnelt vooral de allereerste, vroegste fase van medicijnonderzoek; de latere, duurste fases van veiligheids- en effectiviteitstests in klinische trials verlopen nog even traag als voorheen, simpelweg omdat die tijd nodig hebben om betrouwbare resultaten bij patiënten te verzamelen.
Ook is de nauwkeurigheid van AI-voorspellingen wisselend: modellen als AlphaFold3 presteren uitstekend op bekende soorten eiwit-ligand-complexen, maar minder goed op ongebruikelijke of zeer flexibele bindingsplaatsen. Onafhankelijke onderzoekers wijzen er bovendien op dat sommige prestatieclaims lastig te verifiëren zijn omdat bedrijven niet altijd hun volledige modellen of trainingsdata delen.
Het aantal medicijnen dat via deze route daadwerkelijk is goedgekeurd voor patiënten, is tot nu toe klein. De meeste AI-ontworpen kandidaten bevinden zich nog in vroege of middelste klinische fases; net als bij traditioneel onderzoek faalt het merendeel daarvan alsnog voordat het de markt haalt. De techniek is dus veelbelovend en in snelle ontwikkeling, maar nog niet het bewijs dat AI op afzienbare termijn de doorlooptijd van medicijnontwikkeling drastisch verkort.
Wie werken eraan?
Grote techbedrijven en hun spin-offs spelen een prominente rol: DeepMind en Isomorphic Labs (beide onderdeel van de Google-moeder Alphabet, gevestigd in het Verenigd Koninkrijk) zijn toonaangevend op het gebied van structuurvoorspelling. In de Verenigde Staten is de University of Washington, met het Institute for Protein Design onder leiding van Nobelprijswinnaar David Baker, een belangrijk academisch centrum voor het generatief ontwerpen van eiwitten en ligands.
Gespecialiseerde biotech-AI-bedrijven zoals Insilico Medicine, Exscientia en Recursion Pharmaceuticals combineren AI-modellen met eigen laboratoria om voorspellingen direct te testen. Zij werken vaak samen met gevestigde farmaceutische bedrijven als Novartis, Eli Lilly, Sanofi en Bayer, die de klinische ontwikkeling en toelating verzorgen.
Daarnaast dragen publieke databanken en standaardisatie-instituten bij aan de basisinfrastructuur: de Protein Data Bank verzamelt experimenteel bepaalde structuren van eiwitten en hun ligands, en instituten als het European Bioinformatics Institute onderhouden databases die AI-modellen gebruiken om te trainen en te valideren.