Structure-Aware Prediction of PROTAC-Mediated Protein Degradability via Graph Neural Networks

Résumé technique : Prédiction de la dégradabilité par les PROTACs sensible à la structure via des réseaux de neurones sur graphes

Énoncé du problème
Les chimères de ciblage de la protéolyse (PROTAC) offrent un mécanisme catalytique pour dégrader les protéines responsables de maladies en recrutant des E3 ubiquitines ligases. Cependant, un goulot d'étranglement critique existe dans le pipeline de découverte de médicaments en amont : la sélection de la cible. Déterminer si une protéine spécifique est apte à la dégradation médiée par les PROTACs nécessite actuellement la synthèse de molécules candidates et la conduite de tests cellulaires coûteux. Les méthodes computationnelles existantes (par exemple, DeepPROTACs, DegradeMaster) reposent sur la structure moléculaire complète du PROTAC comme entrée, ce qui les rend inutilisables pour l'évaluation initiale de la cible où le PROTAC n'a pas encore été conçu. Les auteurs répondent au besoin d'un outil de prédiction pré-synthèse capable d'évaluer la dégradabilité en utilisant uniquement les informations minimales disponibles au stade de la sélection de la cible : la structure de la protéine cible et l'identité de l'E3 ligase.

Méthodologie : DegradoMap
Les auteurs introduisent DegradoMap, un réseau de neurones sur graphes (GNN) conçu pour prédire la dégradabilité binaire et l'efficacité de dégradation continue sans les données structurelles du PROTAC. L'architecture se compose de quatre modules primaires :

1. Encodeur de Graphe Structure–Ubiquitination (SUG) :

   • Entrée : Graphes de structures protéiques construits à partir de structures prédites par AlphaFold (rayon $r=8$ Å). Les caractéristiques des nœuds incluent les plongements (embeddings) ESM-2 optionnels (1 280-dim), les propriétés physico-chimiques, le pLDDT, le SASA, les scores de désordre et les masques de sites d'ubiquitination connus de PhosphoSitePlus.
   • Mécanisme : Un GNN à passage de messages invariant (SE(3)-invariant) met à jour les représentations des nœuds en utilisant les distances euclidiennes scalaires entre les atomes $C_\alpha$.
   • Innovation clé : Un mécanisme de pooling global pondéré par la lysine. Puisque l'ubiquitine se fixe aux résidus lysine, le modèle applique un softmax par protéine pour surpondérer les résidus lysine en fonction d'un paramètre appris. Crucialement, cela utilise une normalisation par protéine pour éviter la fuite de données (data leakage) entre les lots et une normalisation de taille $1/\sqrt{N}$ pour empêcher la taille de la protéine de servir de raccourci trivial.
   • Choix de conception : Les auteurs ont délibérément choisi une architecture invariante plutôt que des conceptions E(3)-équivariantes, constatant que les caractéristiques de distance scalaire suffisent pour cette tâche de prédiction scalaire et que les modèles équivariants sont moins performants.

2. Module de Compatibilité E3 :

   • Mécanisme : Une couche d'attention croisée bidirectionnelle qui modélise la compatibilité entre la représentation de la protéine (requête/query) et l'identité de l'E3 ligase (clé/valeur).
   • Implémentation : Les E3 ligases sont représentées sous forme de plongements appris (plutôt que de caractéristiques structurelles) en raison du nombre limité d'E3 distinctes (10) dans le jeu de données. Cela permet au modèle d'apprendre des « filtres » spécifiques à l'E3 sur la structure protéique.

3. Encodeur de Contexte Cellulaire :

   • Entrée : 59 caractéristiques spécifiques aux tissus issues du Cancer Dependency Map (DepMap), couvrant l'expression génique, les niveaux de protéines et l'appartenance aux voies métaboliques.
   • Mécanisme : Un MLP résiduel traite ces caractéristiques pour tenir compte des variables cellulaires telles que les niveaux d'expression de l'E3 et la capacité du protéasome.

4. Fusion à Porte (Gated Fusion) et Prédiction :

   • Un mécanisme de porte appris pondère dynamiquement les sorties des modules SUG, E3 et Context.
   • La représentation fusionnée alimente deux têtes : un classificateur binaire pour la dégradabilité (tâche primaire) et un régresseur pour l'efficacité continue (tâche auxiliaire).
   • Entraînement : Le modèle utilise une perte multi-tâche (Cross-Entropy Binaire, Huber et Focal Loss) et une stratégie d'entraînement en trois phases (pré-entraînement du SUG, entraînement conjoint SUG+E3, et ajustement fin complet) pour assurer la stabilité.

Résultats Clés
Le modèle a été évalué sur le benchmark PROTAC-8K (3 101 échantillons, 155 cibles, 10 E3 ligases) en utilisant trois séparations distinctes : Aléatoire, Cible-Inconnue (le plus rigoureux) et E3-Inconnue.

• Performance sur les Cibles Inconnues (Target-Unseen) :
  • Le modèle amélioré (avec ESM-2) a atteint un AUROC moyen sur 3 graines de 0,646 ± 0,124 (meilleure graine : 0,7449).
  • Une évaluation étendue sur 6 graines a produit un AUROC moyen de 0,603 ± 0,097, ce qui n'était pas statistiquement supérieur à une référence de Gradient Boosting (0,607, $p=0,556$).
  • Les auteurs notent une variance élevée entre les graines, suggérant qu'un ensemblage est nécessaire pour un déploiement fiable.
• Transfert E3-Inconnue (E3-Unseen) :
  • Le modèle a atteint un AUROC de 0,811 lors du transfert d'un entraînement dominé par CRBN vers un test uniquement VHL, démontrant une généralisation réussie au niveau de la ligase pour le transfert entre E3.
  • Cependant, les protéines ciblées par VHL ont spécifiquement échoué sur la séparation cible-inconnue (0,396 AUROC, en dessous du hasard), indiquant que les motifs structurels appris pour CRBN ne se généralisent pas bien aux cibles VHL.
• Recommandation d'E3 :
  • Le modèle recommande avec succès les E3 ligases optimales, atteignant une précision Hit@3 de 74 % (la bonne E3 est dans les trois recommandations) et un Rang Réciproque Moyen (MRR) de 0,641.
• Calibration :
  • Le modèle présente une excellente calibration sur la séparation cible-inconnue (ECE = 0,029), permettant aux praticiens de faire confiance aux scores de confiance pour le criblage basé sur des seuils.
• Résultats d'Ablation :
  • Le retrait de la caractéristique explicite d'« indicateur de lysine » a en fait amélioré les performances, suggérant que le pooling pondéré par la lysine de l'architecture est un biais inductif plus efficace qu'une annotation de caractéristique explicite.
  • Les plongements ESM-2 ont amélioré la performance de pointe uniquement avec une régularisation prudente (taux d'apprentissage plus faible, réduction du dropout) ; une intégration naïve dégradait les performances.

Signification et Revendications
L'article positionne DegradoMap non pas comme une solution définitive surpassant toutes les références dans chaque métrique, mais comme un outil de pré-synthèse pragmatique qui comble un vide spécifique dans le processus de découverte de médicaments.

• Exigence d'entrée minimale : Contrairement aux méthodes existantes, DegradoMap ne nécessite que l'identifiant UniProt (pour la structure AlphaFold) et le nom de l'E3 ligase, permettant l'évaluation avant toute synthèse de PROTAC.
• Paradigme Complémentaire : Les auteurs présentent DegradoMap comme complémentaire aux méthodes à information complète (comme DegradeMaster). DegradoMap est destiné au criblage de cibles (pré-synthèse), tandis que les méthodes à information complète sont destinées à l'optimisation des molécules (post-synthèse).
• Limites Honnêtes : Les auteurs reconnaissent explicitement que la performance moyenne sur 6 graines du modèle n'est pas statistiquement significative par rapport à des références plus simples et que la performance est hautement variable et dépendante de l'E3 (échouant spécifiquement sur les cibles VHL). Ils soutiennent que la valeur de le modèle réside dans sa interprétabilité structurelle (via les poids d'attention de la lysine), sa capacité de recommandation d'E3 et ses scores de confiance bien calibrés, plutôt que dans la dominance brute de l'AUROC.
• Perspectives Architecturales : L'article contribue également à des découvertes plus larges en apprentissage profond géométrique, notamment le fait que les architectures invariantes peuvent surpasser les équivariantes pour la prédiction de propriétés scalaires dans ce domaine, et que les plongements de modèles de langage protéique nécessitent une régularisation spécifique à la tâche pour être bénéfiques.

En résumé, DegradoMap fournit un cadre informatique sensible à la structure pour l'évaluation précoce des cibles de PROTAC, offrant des conseils exploitables sur la sélection de l'E3 et la probabilité de dégradabilité tout en rapportant de manière transparente ses limites concernant la rareté des données et la variance des graines.