APCyc: Property-Informed Design of Cyclic Peptides via Automated Cyclization

Résumé Technique : APCyc – Conception de peptides cycliques informée par les propriétés via une cyclisation automatisée

Énoncé du problème
Les peptides cycliques offrent des avantages thérapeutiques significatifs par rapport aux peptides linéaires, notamment une stabilité améliorée, une affinité de liaison accrue et des conformations bioactives pré-organisées. Cependant, la conception de novo de peptides cycliques demeure un défi redoutable. Les modèles génératifs existants sont principalement entraînés sur des données de peptides linéaires et traitent souvent la cyclisation comme une modification structurelle post-hoc plutôt que comme une variable de conception intégrée. Cette approche ne parvient pas à capturer les exigences topologiques complexes et spécifiques à la cible, nécessaires pour une liaison de haute affinité. De plus, les méthodes actuelles reposent généralement sur des heuristiques de cyclisation rigides et prédéfinies (par exemple, des sites de liaison ou des types fixes) et négligent largement l'optimisation simultanée de propriétés critiques pertinentes pour les médicaments, telles que la perméabilité membranaire, la résistance aux protéases, la solubilité et l'immunogénicité. Par conséquent, la conception de peptides cycliques est intrinsèquement un problème d'optimisation multi-objectifs qui nécessite d'équilibrer des contraintes thérapeutiques au-delà de la simple activité de liaison.

Méthodologie
Les auteurs proposent APCyc, un cadre de diffusion latente sensible à la cible, conçu pour automatiser la sélection des topologies de cyclisation tout en optimisant conjointement de multiples propriétés physico-chimiques. La méthode opère via trois mécanismes fondamentaux :

1. Injection de paires de cyclisation automatisée :

   • Expansion du vocabulaire : APCyc étend le vocabulaire standard des résidus d'acides aminés pour distinguer explicitement les résidus cyclisés des résidus non cyclisés (par exemple, en distinguant une cystéine liée par un pont disulfure d'une cystéine standard), même si elles partagent la même identité d'acide aminé.
   • Modélisation de la topologie : Le modèle formule la cyclisation comme un problème de prise de décision discret conditionné par la cible. Il prédit à la fois les types de liaisons de cyclisation (par exemple, amide, disulfure, isopeptide) et les sites de liaison spécifiques au niveau des résidus directement à partir du contexte de la poche de liaison du récepteur.
   • Mécanisme d'injection : Un tenseur de représentation par paire est construit pour capturer la compatibilité sémantique et la proximité géométrique. Cette information est projetée dans des sous-espaces spécifiques à la tâche pour prédire une matrice de probabilité de liaison et une distribution de type de cyclisation. Ces prédictions sont injectées dans le réseau de débruitage (un AM-EGNN) via l'augmentation des caractéristiques d'arête et la modulation de message, guidant la trajectoire de diffusion vers des fermetures topologiques valides.

2. Diffusion latente géométrique :

   • APCyc utilise un auto-encodeur de style dyMEAN pour mapper les graphes peptidiques en variables latentes (invariantes et équivariantes) au niveau des résidus.
   • Un processus de diffusion latente de type DDPM est entraîné sur ces latents. Le réseau de débruitage est conditionné par le contexte de la poche du récepteur et les signaux de topologie en ligne générés par les têtes de cyclisation.
   • L'objectif d'entraînement combine la perte standard de prédiction de bruit DDPM avec une perte supervisée pour la topologie de cyclisation prédite (matrice de liaison et type).

3. Guidage de l'a posteriori bayésien informé par les propriétés :

   • Pour optimiser les propriétés pertinentes pour les médicaments, APCyc emploie une stratégie de guidage basée sur le gradient dans l'espace latent.
   • Des substituts énergétiques différentiables sont entraînés pour prédire les propriétés (solubilité, perméabilité, résistance aux protéases, immunogénicité, affinité de liaison) à partir des états latents bruités.
   • Pendant le processus de diffusion inverse, l'échantillonnage est dirigé par un guidage a posteriori bayésien. La fonction de score est augmentée par les gradients des substituts de propriétés, permettant l'optimisation conjointe de multiples objectifs. Un schéma de pondération adaptative équilibre les gradients d'objectifs concurrents pour éviter qu'une propriété ne domine les autres.

Contributions clés

• Cyclisation automatisée conditionnée par la poche : Contrairement aux méthodes antérieures nécessitant des stratégies de cyclisation prédéfinies, APCyc apprend à sélectionner à la fois les types de cyclisation et les sites de liaison directement à partir du contexte de la poche de liaison de la cible, traitant la topologie comme une variable de conception.
• Génération contrôlable informée par les propriétés : Le cadre utilise un guidage a posteriori bayésien pour orienter la génération à travers de multiples propriétés thérapeutiques (affinité, perméabilité, résistance aux protéases, solubilité, immunogénicité), atteignant des scores de pointe pour les proxys de perméabilité et la résistance aux protéases.
• Conception de bout en bout : APCyc unifie la sélection de la cyclisation, la génération de tous les atomes et l'optimisation guidée par les propriétés. Il atteint une qualité structurelle de premier plan (par exemple, les scores totaux Rosetta et la cohérence) tout en maintenant une forte affinité de liaison.

Résultats expérimentaux
Le modèle a été évalué sur le jeu de données CPCore (un sous-ensemble raffiné de CPSea comprenant environ 72k complexes peptide-protéine cycliques) et testé sur un ensemble non redondant de 56 cibles.

• Optimisation des propriétés : Les variantes d'APCyc ont démontré un contrôle explicite sur les cibles de propriétés. Le paramètre « Membrane-permeable » (perméable à la membrane) a obtenu le proxy de perméabilité le plus élevé (0,107) parmi toutes les méthodes, tandis que le paramètre « Multi-property » a obtenu le meilleur score de résistance aux protéases (-1,474).
• Qualité structurelle : Les peptides générés ont présenté une grande stabilité et une grande cohérence. La variante multi-propriétés a obtenu le meilleur score total Rosetta (-758,545) et la meilleure cohérence (0,971).
• Performance au niveau de la cible : Des études de cas sur des cibles spécifiques (3rc4 et 4xal) ont montré qu'APCyc surpasse systématiquement les méthodes de référence (PepGLAD, PepFlow, CPComposer) en termes de scores de liaison et de profils multi-propriétés, améliorant considérablement la perméabilité membranaire sur des cibles individuelles.
• Études d'ablation : Le retrait du mécanisme de guidage a entraîné des performances moindres sur la résistance aux protéases et l'immunogénicité, confirmant la nécessité de la composante guidée par les propriétés.

Signification et affirmations
L'article affirme qu'APCyc répond à la limitation critique des modèles génératifs existants en intégrant la sélection de la topologie de cyclisation directement dans le processus génératif plutôt qu'en la traitant comme une étape de post-traitement. En modélisant explicitement le couplage entre la géométrie de la cible, la stratégie de cyclisation et les propriétés liées aux médicaments, APCyc permet la conception contrôlable de peptides cycliques qui satisfont des contraintes thérapeutiques complexes. Les auteurs positionnent ce travail comme un fondement robuste pour la prochaine génération de conception de peptides thérapeutiques, offrant un cadre qui équilibre la faisabilité structurelle et la drug-likeness (caractère pharmacologique) multi-objectifs. Les auteurs précisent que la méthode est destinée à soutenir la découverte thérapeutique en proposant des candidats pour examen par des experts et validation expérimentale, plutôt que de servir de source directe de recommandations cliniques.