JAK2 vs. TYK2: Genabhängigkeit und Wirkstoffe
JAK2 vs. TYK2 in DepMap und Wirkstoffdatenbanken: 8 von 1178 Zelllinien hängen von JAK2 ab, 11 von TYK2; 47 Wirkstoffe sind für JAK2 bekannt, 20 für TYK2.
Datenstand 14. November 2026 · Das BioQ-Team

Im Vergleich JAK2 vs. TYK2 zeigt DepMap: 8 von 1178 Zelllinien sind von JAK2 abhängig (0,7 %), und alle 8 sind myeloisch. Für TYK2 gibt es 11 abhängige Linien (0,9 %), verteilt auf mehrere Gewebelinien. Bei den Wirkstoffen sind 47 für JAK2 und 20 für TYK2 gelistet. Alle Angaben beziehen sich auf den Stand 2026-11-14.
Was wir gefragt haben
JAK2 und TYK2 sind Paraloge in der JAK-Familie, und viele JAK-Inhibitoren werden danach beschrieben, wie sie auf das eine oder das andere Protein wirken. Wir haben an beide Gene dieselben zwei Fragen gestellt:
- In welchen Gewebelinien verringert ein CRISPR-Knockout die Zellviabilität (die Frage nach der CRISPR-Abhängigkeit)?
- Welche Wirkstoffe sind für das Gen bekannt, wie weit sind sie klinisch fortgeschritten, und welche Potenz ist berichtet?
Durch identische Blöcke für beide Gene gehen Unterschiede auf die Gene zurück und nicht auf die Art der Abfrage. Die Abhängigkeitsblöcke nutzen das DepMap-Release depmap_24q4 mit dem Chronos-Gene-Effect. Ein stärker negativer Wert bedeutet, dass der Knockout die Viabilität stärker verringert hat. Eine Linie gilt als abhängig, wenn ihr Effekt höchstens einem Schwellenwert entspricht. Dieser Schwellenwert ist im Release eine benannte Konstante und keine Eigenschaft der Daten.
Was BioQ geliefert hat
Abhängigkeit nach Gewebelinie
Beide Gene wurden in denselben 1178 Zelllinien getestet, und keines ist als allgemein essenziell („common essential“) markiert. Der mittlere Gene-Effect über alle Linien beträgt 0,095 für JAK2 und -0,022 für TYK2. Im Durchschnitt senkt also keiner der beiden Knockouts die Viabilität stark.
JAK2, führende Gewebelinien nach mittlerem Gene-Effect:
| Zelllinie (Abstammung) | Zelllinien | Abhängig | % abhängig | Mittlerer Geneffekt |
|---|---|---|---|---|
| Myeloid | 42 | 8 | 19.1 | -0.12 |
| Eye | 15 | 0 | 0 | 0.041 |
| Thyroid | 11 | 0 | 0 | 0.049 |
| Head and Neck | 77 | 0 | 0 | 0.074 |
| Pleura | 21 | 0 | 0 | 0.075 |
TYK2, führende Gewebelinien nach mittlerem Gene-Effect:
| Zelllinie (Abstammung) | Zelllinien | Abhängig | % abhängig | Mittlerer Geneffekt |
|---|---|---|---|---|
| Pleura | 21 | 1 | 4.8 | -0.08 |
| Esophagus/Stomach | 69 | 3 | 4.3 | -0.053 |
| Lymphoid | 93 | 0 | 0 | -0.045 |
| Head and Neck | 77 | 2 | 2.6 | -0.044 |
| Myeloid | 42 | 1 | 2.4 | -0.043 |
Bekannte Wirkstoffe für TYK2
Für TYK2 sind 20 Wirkstoffe gelistet, 6 davon werden angezeigt. Für JAK2 sind es 47. Die JAK2-Liste zeigt Ruxolitinib (exakter pChEMBL-Wert 10,44, KD), Baricitinib (9,54, IC50), Tofacitinib (9,3, IC50), Tofacitinib Citrate (9,22, KD), Fedratinib (9,12, IC50) und Pacritinib (9,0, IC50). Alle sechs haben als höchstes klinisches Stadium APPROVAL.
| Wirkstoff | Höchste klinische Phase | Wirkmechanismus | Bester exakter pChEMBL | Typ | Studien nach Name |
|---|---|---|---|---|---|
| Deucravacitinib | APPROVAL | Tyrosine-protein kinase TYK2 negative allosteric modulator | 11.1 | KD | 52 |
| Ruxolitinib | APPROVAL | Tyrosine-protein kinase TYK2 inhibitor | 9.4 | IC50 | 281 |
| Tofacitinib | APPROVAL | Janus Kinase (JAK) inhibitor | 9.4 | IC50 | 102 |
| Filgotinib | APPROVAL | Tyrosine-protein kinase TYK2 inhibitor | 8.95 | IC50 | 41 |
| Upadacitinib | APPROVAL | Tyrosine-protein kinase TYK2 inhibitor | 8.4 | IC50 | 93 |
| Tofacitinib Citrate | APPROVAL | Janus Kinase (JAK) inhibitor | 8.36 | KI | 3 |
Die Abfrage umfasste 4 Engine-Abfragen über 2 verschiedene Ressourcen und dauerte insgesamt 0,64 Engine-Sekunden.
Einordnung: JAK2 vs. TYK2 im direkten Vergleich
Unterschiede bei der Abhängigkeit. Die JAK2-Abhängigkeit ist konzentriert. Die myeloische Linie hat 8 abhängige Linien von 42 (19,1 %) und einen mittleren Gene-Effect von -0,12. Die anderen vier Linien der Tabelle haben 0 abhängige Linien. Bei TYK2 zeigt sich das umgekehrte Muster: ein schwaches Signal in vielen Linien. Pleura hat 1 abhängige Linie von 21 (4,8 %), Esophagus/Stomach 3 von 69 (4,3 %), Head and Neck 2 von 77 (2,6 %) und Myeloid nur 1 von 42 (2,4 %). In der gemeinsamen myeloischen Linie ist JAK2 klar die stärkere Abhängigkeit. In Pleura und Head and Neck, die in beiden Tabellen vorkommen, liegt der mittlere TYK2-Gene-Effect (-0,08 und -0,044) tiefer als der JAK2-Mittelwert (0,075 und 0,074).
Gemeinsamkeiten. Keines der beiden Gene ist allgemein essenziell. Bei beiden ist insgesamt nur ein kleiner Anteil der Linien abhängig (0,7 % und 0,9 %). Beide haben Wirkstoffe im Stadium APPROVAL, und drei Wirkstoffe erscheinen in beiden Listen: Ruxolitinib, Tofacitinib und Tofacitinib Citrate.
Wirkstoffe und Selektivität. Die gemeinsamen Wirkstoffe sind der praktische Ausgangspunkt für eine Selektivitätsfrage zu JAK2 und TYK2. Für Tofacitinib ist ein pChEMBL-Wert von 9,3 für JAK2 und 9,4 für TYK2 berichtet, beide als IC50. Die Werte liegen nah beieinander und haben denselben Typ, sind also vergleichbar. Ruxolitinib ist mit 10,44 für JAK2 (KD) und 9,4 für TYK2 (IC50) gelistet, Tofacitinib Citrate mit 9,22 (KD) gegenüber 8,36 (KI). Diese Paare mischen Messtypen. Lesen Sie die Differenz daher nicht als Selektivitätsverhältnis, ohne die zugrunde liegenden Assays zu prüfen.
Deucravacitinib erscheint nur in der TYK2-Liste, mit dem Mechanismus „negative allosteric modulator“ und einem KD-basierten pChEMBL-Wert von 11,1. Dieser Mechanismus unterscheidet sich von den schlichten „inhibitor“-Bezeichnungen der meisten anderen Einträge. Die TYK2-Liste enthält außerdem Filgotinib (8,95) und Upadacitinib (8,4), beide IC50.
Die Studienzahlen beziehen sich auf den Wirkstoffnamen, nicht auf das Zielprotein. Ruxolitinib zeigt in beiden Listen 281 Studien; die Zahl hängt also nicht davon ab, nach welchem Gen gefragt wurde.
So reproduzieren Sie es in BioQ
- Öffnen Sie BioQ und geben Sie die untenstehende Abfrage für das erste Gen ein.
- Lesen Sie den Block zur Abhängigkeit nach Gewebelinie und notieren Sie die Zahl der Zelllinien und der abhängigen Linien.
- Öffnen Sie den Wirkstoffblock für dasselbe Gen und notieren Sie die Zahl der Wirkstoffe und das höchste klinische Stadium.
- Wiederholen Sie die Abfrage mit TYK2 statt JAK2 und vergleichen Sie die Blöcke.
JAK2

Jede Antwort nennt ihre Quelle (DepMap-Release, Open Targets, ChEMBL und die weiteren Ebenen), sodass Sie jede Zeile am Original nachprüfen können.
Grenzen: Was die Daten nicht zeigen
- Zelllinien sind keine Patienten. Ein Chronos-Gene-Effect misst den Viabilitätsverlust nach Knockout in kultivierten Linien. Er sagt nichts über das Ansprechen auf einen Wirkstoff beim Menschen aus.
- Der Abhängigkeitsschwellenwert ist eine Konvention. Die Zahl der abhängigen Linien ändert sich, wenn der Schwellenwert geändert wird. Die Werte 8 und 11 spiegeln eine benannte Konstante in depmap_24q4 wider.
- Pro Gen werden nur fünf Gewebelinien gezeigt. Die Gesamtzahl von 11 abhängigen TYK2-Linien ist größer als die Summe in der Top-5-Tabelle, einige abhängige Linien liegen also in nicht gezeigten Gewebelinien. Die beiden Tabellen sind zudem unterschiedlich sortiert, sodass sich die Linien nur teilweise überschneiden.
- Potenzwerte sind heterogen. Die pChEMBL-Spalte mischt KD, IC50 und KI. Die Daten enthalten pro Wirkstoff und Gen einen exakten Wert, kein vollständiges Assay-Panel, und können Selektivität daher nicht allein belegen.
- Pro Gen werden nur 6 Wirkstoffe gezeigt, von 47 und 20 gelisteten. Die Studienzahlen werden über den Namen zugeordnet und sagen nichts über Indikation oder Ergebnis aus.
- Ein Knockout ist kein Inhibitor. Ein Wirkstoff, der eine Kinase blockiert oder allosterisch moduliert, muss den Genverlust nicht nachbilden. Diese Daten enthalten keine medizinische Beratung.
Daten und Methode
Die Zahlen auf dieser Seite wurden am 2026-11-14 aus der BioQ-Engine gelesen (4 Abfragen, insgesamt 0.6 s Engine-Zeit). Die Tabellen erzeugt Code aus den Antworten der Engine; der Text erklärt sie nur.
/depmap, /drugs
Führen Sie dieselbe Abfrage selbst in BioQ aus: JAK2
Nur für Forschungszwecke. Diese Seite fasst öffentliche Daten zusammen und ist keine medizinische Beratung.
BioQ ist eine KI-Suchmaschine und ein Agent mit einem Ziel: die biologische Forschung um das 100-Fache zu beschleunigen. Fragen Sie in der Web-App, über die REST-API oder per MCP aus Claude, ChatGPT oder Cursor.
Verwendete Abfragen
Häufige Fragen
Wie viele Zelllinien sind in DepMap von JAK2 und wie viele von TYK2 abhängig?
In depmap_24q4 sind 8 von 1178 Zelllinien von JAK2 abhängig (0,7 %) und 11 von 1178 von TYK2 (0,9 %). Keines der beiden Gene ist als allgemein essenziell markiert.
Ist die JAK2-Abhängigkeit auf eine Gewebelinie beschränkt?
In diesem Release gehören alle 8 von JAK2 abhängigen Linien zur myeloischen Linie, in der 8 von 42 Linien (19,1 %) abhängig sind. Die anderen vier Linien der Top-5-Tabelle haben 0 abhängige Linien.
Welche Wirkstoffe sind sowohl für JAK2 als auch für TYK2 bekannt?
Ruxolitinib, Tofacitinib und Tofacitinib Citrate erscheinen in beiden Listen. Deucravacitinib steht nur in der TYK2-Liste, als negativer allosterischer Modulator mit einem KD-basierten pChEMBL-Wert von 11,1.
Wie viele Wirkstoffe sind für JAK2 und TYK2 gelistet?
Für JAK2 sind 47 Wirkstoffe gelistet, für TYK2 20. Die Tabellen zeigen jeweils 6, und der Vergleich stützt sich auf 2 verschiedene Ressourcen.
Lässt sich anhand dieser Zahlen sagen, welcher Inhibitor für JAK2 oder TYK2 selektiver ist?
Nicht allein. Die pChEMBL-Werte stammen aus unterschiedlichen Messtypen (KD, IC50, KI), ein direkter Vergleich ist daher nur bei gleichem Typ sinnvoll, etwa bei Tofacitinib mit 9,3 für JAK2 und 9,4 für TYK2.
Quellen
Die Ergebnisse stammen aus öffentlichen Datenbanken zum angegebenen Datum und können sich ändern. BioQ liefert Forschungsinformationen, keine medizinische Beratung.
Weitere Beiträge
MDM2 und MDM4 im Vergleich: Genabhängigkeit
MDM2 und MDM4 im Vergleich anhand von DepMap 24q4: 384 von 1178 Zelllinien hängen von MDM2 ab, 142 von MDM4; 12 Wirkstoffe zu MDM2, 1 Wirkstoff zu MDM4.
Neue CD4-Studie: CAR-NK-Zellen und HIV-Rebound
Neue CD4-Studie zu CAR-NK-Zellen und HIV-Rebound, eingeordnet mit BioQ-Daten zu CD4: DepMap-Abhängigkeit, Open-Targets-Erkrankungen, Wirkstoffe und Reactome.
GSTM1 neue Studie: Cisplatin-Nierenschädigung
Studie 2026 verknüpft GSTM1-Verlust mit stärkerer Cisplatin-Nierenschädigung; BioQ zeigt die Daten aus DepMap, Open Targets, ChEMBL, Reactome und STRING.


