Résumé Technique : Évaluation Comparative des Outils Open-Source pour la Découverte de Médicaments Antiviraux In Silico

Énoncé du Problème

L'article traite de l'écart critique dans la préparation aux pandémies : l'absence d'antiviraux approuvés par la FDA pour la majorité des familles virales ayant un potentiel pandémique. Bien que les vaccins constituent une première ligne de défense, ils présentent des limites, notamment des délais de développement longs, une hésitation du public et l'incapacité de protéger contre des pathogènes difficiles à vacciner (par exemple, le VIH, le VRS). De plus, l'immunité adaptative prend plusieurs semaines à se développer, laissant une fenêtre de vulnérabilité.

Les auteurs soutiennent que le repositionnement de médicaments et la conception de combinaisons antivirales offrent le chemin le plus rapide pour déployer des traitements efficaces lors d'une épidémie. Cependant, cette stratégie est entravée par :

1. Problèmes de Qualité des Données : Les ensembles de données publics existants (par exemple, BindingDB) contiennent un bruit significatif, incluant des polyprotéines virales non traitées qui ne conviennent pas à l'entraînement de l'apprentissage automatique (ML).
2. Variation Méthodologique : Il manque des évaluations comparatives complètes des outils de calcul open-source (basés sur le ML, le docking et hybrides) spécifiquement sur des cibles de protéines virales.
3. Barrières Économiques : Les incitations pharmaceutiques au repositionnement sont faibles en raison d'une exclusivité de marché limitée et de la complexité de la licence des thérapies combinées.

Méthodologie

1. Curration des Données et Traitement des Polyprotéines

Les auteurs ont construit un ensemble de données personnalisé et de haute qualité comprenant 43 005 mesures de liaison protéine-virale-ligand en agrégeant des données provenant de BindingDB, SMACC et Heli-SMACC.

• Défi des Polyprotéines : Une découverte critique a été que 31 % des données de liaison virale dans BindingDB nécessitaient que les séquences de polyprotéines soient soigneusement fractionnées avant utilisation. De nombreuses entrées listaient des cibles comme de grandes polyprotéines (par exemple, ORF1ab du SARS-CoV-2) plutôt que les domaines fonctionnels spécifiques (par exemple, la protéase principale) utilisés dans les essais.
• Résolution : L'équipe a développé une fonction de mappage pour lier les tranches de polyprotéines et les noms de ligands à des cibles protéiques spécifiques, en utilisant des LLM (Haiku d'Anthropic) pour vérifier les références.
• Composition de l'Ensemble de Données : L'ensemble final comprend 43 005 enregistrements pour l'entraînement et un ensemble de test réservé de 280 enregistrements (valeurs Ki/Kd uniquement) pour le réglage initial du modèle.

2. Affinage du Modèle

Les auteurs ont affiné le modèle DrugFormDTA (Khokhlov et al., 2025), un modèle ML basé sur les séquences utilisant Chemformer pour les molécules et ESM-2 pour les protéines.

• Stratégie d'Entraînement : Ils ont entraîné quatre modèles séparés et les ont mis en ensemble, en répliquant l'architecture originale. Ils ont testé à la fois les fonctions de perte MSE et Huber avec différents calendriers de taux d'apprentissage.
• Objectif : Adapter un modèle DTA général spécifiquement aux protéines virales, en abordant le biais dans les données d'entraînement originales qui favorisaient fortement les protéines de mammifères.

3. Cadre d'Évaluation Comparative

Les auteurs ont évalué 15 outils open-source sur un ensemble de test plus large et diversifié de 853 composés antiviraux couvrant 16 cibles protéiques issues de 10 espèces virales (incluant SARS-CoV-2, VIH, VHC, Dengue, Zika, Influenza).

• Catégories d'Outils :
  • ML/Basés sur les Séquences : DrugFormDTA, Boltz-2, GatorAffinity, Interformer, DrugCLIP, Uni-Mol+GNINA.
  • Docking/Basés sur la Physique : GNINA, FlowDock, DiffDock, Protenix-Dock, AutoDock-GPU, Vina-GPU, Uni-Dock.
• Métriques : La performance a été évaluée à l'aide de la corrélation de Pearson ($r$), de la corrélation de rang de Spearman ($\rho$), de $Q^2$, du RMSE, du MAE, de l'AUROC et du BEDROC.
• Traitement des Données : Les scores bruts ont été recalibrés linéairement pour correspondre aux unités $pK_d$ afin d'assurer une comparaison équitable entre les outils ayant des échelles de sortie différentes.

Résultats Clés

1. Impact du Nettoyage des Données et de l'Affinage

• Performance de DrugFormDTA : L'affinage de DrugFormDTA sur l'ensemble de données antiviral nettoyé et fractionné en polyprotéines a considérablement amélioré la performance. La corrélation de Pearson ($r$) est passée de 0,50 (modèle de base) à 0,70 (ensemble affiné).
• Nécessité du Fractionnement des Polyprotéines : Les résultats soulignent que l'échec à fractionner les polyprotéines dans les données d'entraînement dégrade sévèrement la généralisation du modèle vers des cibles virales spécifiques.

2. Évaluation Comparative des Outils Open-Source

Sur l'ensemble de test de 853 composés, la performance variait considérablement selon le type d'outil et la cible :

• Meilleurs Performeurs ML : Boltz-2 et le DrugFormDTA affiné se sont classés premiers parmi les approches basées sur le ML.
  • DrugFormDTA affiné a atteint $r = 0,701$.
  • Boltz-2 a atteint $r = 0,316$ globalement, bien qu'il ait performé exceptionnellement bien sur la transcriptase inverse du VIH ($r = 0,68$), probablement en raison de données d'entraînement abondantes pour cette protéine spécifique.
• Meilleurs Performeurs de Docking : GNINA (scoring CNN) a obtenu les meilleurs résultats parmi les approches de docking ($r = 0,302$), surpassant Vina standard et d'autres outils de docking rigide.
• Tendances Générales :
  • Variance : Aucun outil unique n'a obtenu les meilleurs résultats sur toutes les protéines virales. La performance était hautement dépendante de la cible (par exemple, Boltz-2 a eu des difficultés avec MPro du SARS-CoV-2, probablement en raison du problème de polyprotéine dans ses données d'entraînement).
  • Séquence vs Structure : Les modèles uniquement basés sur les séquences (DrugFormDTA) ont généralement surpassé les méthodes de docking basées sur la structure dans cette évaluation spécifique, bien que des outils de docking comme GNINA restent compétitifs.
  • Taux d'Échec : Certains outils (par exemple, DiffDock lors des tests initiaux des auteurs) ont échoué à placer les ligands dans les sites actifs sans guidance spécifique de la poche, résultant en une corrélation proche de zéro.

3. Compilation des Ressources

Les auteurs ont compilé et publié :

• Une bibliothèque de 2 096 médicaments à petites molécules approuvés et 3 311 médicaments approuvés au total (incluant les approbations internationales).
• Un ensemble de données complet de composés GRAS (Généralement Reconus comme Sûrs) et de produits naturels dérivés de COCONUT, LOTUS, FooDB et d'autres sources.
• Un tableau de bord public à l'adresse antivirals-database.radvac.org contenant des antiviraux en investigation et approuvés.

Signification et Revendications

L'article se positionne comme une ressource fondamentale pour la communauté open-source dans la découverte d'antiviraux. Ses revendications principales sont :

1. L'Intégrité des Données est Primordiale : L'étude démontre que le principe « entrée de déchets, sortie de déchets » est particulièrement aigu dans la découverte de médicaments antiviraux en raison des complexités des polyprotéines. Les auteurs affirment qu'une curation minutieuse (fractionnement des polyprotéines) est une condition préalable à l'entraînement de modèles ML efficaces.
2. Viabilité Open-Source : Le travail fournit des preuves empiriques que les outils open-source, lorsqu'ils sont correctement évalués et affinés sur des données pertinentes, peuvent atteindre des performances comparables ou supérieures aux standards commerciaux pour des cibles virales spécifiques.
3. Fondement pour une Réponse Rapide : En fournissant un ensemble de données nettoyé, une évaluation comparative d'outils et une bibliothèque de composés repositionnables, les auteurs visent à réduire la barrière à l'entrée pour les chercheurs développant des pipelines de repositionnement rapide de médicaments et des thérapies combinées.
4. Portée Modeste : Les auteurs déclarent explicitement que, bien que leur travail fournisse une fondation, il ne prétend pas avoir résolu le problème de la conception de médicaments de novo. Ils soulignent que le domaine manque toujours d'une seule approche « meilleure » et que l'expertise en chimie médicinale reste cruciale pour la sélection finale. Ils notent que leurs évaluations sont spécifiques aux ensembles de données et aux cibles testées et ne garantissent pas la généralisation à toutes les futures épidémies virales sans adaptation supplémentaire.

L'article conclut que l'investissement dans ces technologies et techniques est essentiel pour la préparation future aux pandémies, permettant l'identification rapide d'antiviraux et la conception de combinaisons médicamenteuses synergiques.