🧬 biology

JEDEL: Zero-Shot DNA-Encoded Library Design for Early-Stage Drug Discovery

JEDEL est un nouveau cadre zero-shot qui traduit directement les représentations de pharmacophores 3D de ligands actifs en bibliothèques de l'ADN codées, réalisables expérimentalement et prêtes pour la synthèse, en cartographiant les motifs d'interaction vers des voies combinatoires extensibles utilisant des blocs de construction achetables, surpassant ainsi les bases de référence existantes sur de multiples cibles protéiques sans nécessifier de réentraînement spécifique à la cible.

Auteurs originaux : Zygimantas Jocys, Zhanxing Zhu, Henriette M. G. Willems, Katayoun Farrahi

Publié 2026-06-24

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Zygimantas Jocys, Zhanxing Zhu, Henriette M. G. Willems, Katayoun Farrahi

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un chef étoilé essayant de créer un nouveau plat qui correspond parfaitement au goût d'un client spécifique. Dans le monde de la découverte de médicaments, le « client » est une protéine responsable d'une maladie, et le « goût » est une forme 3D spécifique de caractéristiques chimiques (comme une serrure et une clé) dans laquelle le médicament doit s'insérer.

Pendant longtemps, les scientifiques ont utilisé des ordinateurs pour imaginer des millions de nouveaux « recettes » (molécules de médicaments) qui pourraient s'adapter à cette serrure. Mais il y a un énorme problème : la plupart des recettes générées par ordinateur sont impossibles à cuisiner. Elles pourraient nécessiter des ingrédients introuvables ou des étapes de cuisson qui n'existent pas dans la vie réelle. Les scientifiques passent des mois à essayer de comprendre comment fabriquer ces idées virtuelles, pour finalement réaliser qu'elles ne peuvent pas être construites.

JEDEL est un nouvel outil qui résout ce problème en inversant la logique. Au lieu d'imaginer un plat puis de chercher les ingrédients, JEDEL part des ingrédients que vous avez déjà dans votre garde-manger et conçoit un plat qui est garanti comme étant capable d'être cuisiné.

Voici comment fonctionne JEDEL, en utilisant des analogies simples :

1. Le « Garde-manger » contre le « Menu de Rêve »

L'ancienne méthode (Menu de Rêve) : L'ordinateur rêve d'une molécule parfaite. Ensuite, les chimistes doivent parcourir le monde pour trouver les ingrédients. Souvent, ils ne les trouvent pas, et le rêve est abandonné.
La méthode JEDEL (Le Garde-manger d'abord) : JEDEL examine un immense « garde-manger » réel composé de plus de 200 000 blocs de construction chimiques que les scientifiques peuvent réellement acheter aujourd'hui. Il conçoit uniquement des molécules en utilisant ces blocs spécifiques et disponibles. Si JEDEL suggère une molécule, elle est garantie comme étant quelque chose qu'un laboratoire peut construire immédiatement.

2. Le « Plan » (Pharmacophore)

L'article explique que de nombreux médicaments fonctionnent en correspondant à un motif 3D spécifique de caractéristiques (comme une liaison hydrogène ici, un point hydrophobe là). Ce motif est appelé un pharmacophore.

Considérez le pharmacophore comme un plan ou un moule.
JEDEL prend ce plan (dérivé de médicaments actifs connus) et se demande : « Quelle combinaison d'ingrédients réels et achetables puis-je mélanger pour remplir ce moule parfaitement ? »

3. Le « Traducteur Intelligent » (Le moteur IA)

Le cœur de JEDEL est une architecture d'IA spéciale (appelée Architecture de Prédiction d'Encastrement Conjoint).

Imaginez un traducteur qui parle deux langues : la Géométrie (la forme 3D du plan) et la Chimie (la liste des blocs de construction).
Habituellement, une forme peut être construite de nombreuses façons différentes (un-vers-plusieurs). JEDEL apprend à prédire la meilleure « recette » chimique qui s'adapte à la forme 3D sans s'embrouiller. Il ne se contente pas de deviner ; il apprend la connexion profonde entre la forme nécessaire et les ingrédients disponibles.

4. Le « Livre de Recettes » (Bibliothèques codées par l'ADN)

JEDEL ne conçoit pas seulement une molécule ; il conçoit toute une bibliothèque de celles-ci.

Considérez cela comme une bibliothèque codée par l'ADN. C'est comme un immense catalogue où chaque article est marqué d'un code-barres ADN unique.
JEDEL conçoit un catalogue ciblé de millions de médicaments potentiels. Parce qu'il n'utilise que des ingrédients réels et des étapes de cuisson réelles (réactions), chaque article de ce catalogue est prêt à être « cuisiné » (synthétisé) et testé immédiatement.

Qu'ont-ils trouvé ?

Les chercheurs ont testé JEDEL sur 18 cibles protéiques différentes (comme différents types de serrures). Ils ont comparé JEDEL à :

La sélection aléatoire : Choisir des ingrédients au hasard.
Les bibliothèques de diversité standard : Choisir une grande variété d'ingrédients sans objectif précis.

Les Résultats :

Meilleur ajustement : Les molécules de JEDEL s'adaptent bien mieux aux « serrures » (protéines) que les options aléatoires ou standard.
Taux de réussite plus élevé : Lorsqu'ils ont cherché des molécules qui fonctionnaient réellement (les "hits"), JEDEL en a trouvé 2,6 fois plus souvent que la bibliothèque de diversité standard.
Puissance du "Zero-Shot" : La partie la plus impressionnante ? JEDEL n'a pas eu besoin d'être réentraîné pour chaque nouvelle protéine. Il a appris les règles générales de « l'ajustement d'une forme avec des ingrédients réels » et les a appliquées immédiatement à de nouvelles cibles, comme un chef capable de cuisiner un repas parfait pour un nouveau client sans avoir besoin d'un nouveau livre de cuisine.

L'essentiel

JEDEL comble le fossé entre l'imagination informatique et la chimie du monde réel. Il empêche les scientifiques de rêver de molécules impossibles à construire et commence par une liste de candidats « prêts pour la synthèse », garantis comme étant constructibles, concentrés sur la forme spécifique dont ils ont besoin, et prêts pour la paillasse du laboratoire. Il transforme le processus de découverte de médicaments d'un jeu de « deviner et vérifier » en une stratégie de conception précise et ciblée.

Résumé Technique : JEDEL – Conception de Bibliothèques d'ADN par Apprentissage Zéro-Shot

Énoncé du Problème
Un fossé persistant existe entre la conception moléculaire générative computationnelle et la validation expérimentale. La plupart des modèles génératifs existants produisent des composés virtuels qui manquent de garanties d'accessibilité synthétique, nécessitant une planification rétrosynthétique approfondie en aval et échouant souvent à atteindre la paillasse du laboratoire. À l'inverse, les plateformes expérimentales telles que les bibliothèques d'ADN codées (DEL) reposent sur des bibliothèques physiques fixes qui ne peuvent pas être dynamiquement affinées sur la base d'hypothèses computationnelles. Bien que les DEL offrent un format de criblage scalable sur billes où chaque membre est théoriquement synthétisable, les approches actuelles d'apprentissage automatique pour les DEL sont limitées à l'analyse post-criblage (par exemple, le débruitage des données de séquençage) plutôt qu'à la conception de la bibliothèque pré-criblage. De plus, de nombreuses cibles thérapeutiques pertinentes manquent de structures protéiques précises, rendant la conception basée sur la structure peu fiable. Les représentations de pharmacophores 3D basées sur les ligands offrent une alternative robuste, mais aucune méthode existante ne parvient à traduire directement ces contraintes pharmacophoriques en séquences de blocs de construction (building blocks) prêtes pour la synthèse DEL.

Méthodologie
Les auteurs présentent JEDEL (Joint Embedding for DNA-Encoded Libraries), un cadre qui cartographie directement les géométries de pharmacophores 3D en séquences de blocs de construction DEL prêtes pour la synthèse. L'architecture est conçue pour opérer strictement dans l'espace des blocs de construction achetables et des réactions validées, garantissant que chaque sortie est expérimentalement réalisable par construction.

Architecture : JEDEL utilise une architecture prédictive d'encodage conjoint (JEPA - Joint Embedding Predictive Architecture).
- Encodeur de Contexte : Utilise un réseau de neurones graphiques E(n)-équivariant (P4-EGNN) pour encoder les nuages de points de pharmacophores 3D (caractéristiques hydrophobes, aromatiques, donneurs/accepteurs de liaisons hydrogène, ionisables), respectant les symétries de rotation et de translation.
- Encodeur de Cible : Utilise un GNN à passage de messages pour encoder la topologie moléculaire.
- Objectif Prédictif : Au lieu de l'apprentissage contrastif (qui peine avec la correspondance un-vers-plusieurs entre les pharmacophores et les divers scaffolds moléculaires), JEDEL utilise un objectif prédictif. Un MLP prédicteur apprend à mapper l'encodage du contexte du pharmacophore vers l'encodage topologique de la cible. Un encodeur de cible par moyenne mobile exponentielle (EMA) empêche l'effondrement de la représentation.
- Décodeur Hiérarchique : Pour gérer un vocabulaire de plus de 200 000 réactifs achetables, le décodeur utilise un softmax bayésien hiérarchique. Il sélectionne d'abord un cluster grossier (basé sur le rôle de la réaction et le profil pharmacophorique) puis un bloc de construction spécifique au sein de ce cluster. Cela réduit la dimensionnalité de la sortie de $O(|V|)$ à $O(C + K)$ , permettant une génération scalable sur un seul GPU.
Données d'Entraînement : Le modèle est entraîné sur 8 millions de voies de synthèse énumérées à partir de 217 067 blocs de construction disponibles commercialement chez Enamine, compatibles avec sept types de réactions DEL (ex: couplage amide, condensation d'Ugi, couplage de Suzuki-Miyaura). L'entraînement est effectué sans information protéique spécifique à la cible, en se basant uniquement sur les paires pharmacophore-molécule.

Contributions Clés

Garantie de Synthèse par Construction : Contrairement aux méthodes qui génèrent des molécules virtuelles nécessitant un filtrage post-hoc, JEDEL génère directement des molécules sous forme de séquences de blocs de construction achetables et d'étapes de réaction. Chaque sortie correspond à un protocole de synthèse DEL exécutable.
Généralisation Zéro-Shot : Le modèle ne nécessite aucun réentraînement pour des cibles protéiques spécifiques. Il se généralise à travers diverses familles de protéines (protéases, kinases, GPCR, etc.) en se conditionnant sur des pharmacophores dérivés de ligands plutôt que sur des structures protéiques.
Combler le Fossé : JEDEL est le premier cadre reliant la conception moléculaire pilotée par pharmacophore directement à la construction de bibliothèques combinatoires, fermant la boucle entre l'hypothèse computationnelle et le déploiement expérimental.

Résultats
JEDEL a été évalué sur 18 cibles protéiques diverses contre deux lignes de base : l'énumération aléatoire de DEL et une bibliothèque de diversité Enamine curatée (100k composés).

Affinité de Liaison : JEDEL a obtenu l'énergie de docking moyenne la plus basse (−7,49 kcal mol⁻¹) sur toutes les cibles, surpassant Enamine (−7,39) et l'échantillonnage aléatoire (−6,28). Il a identifié la molécule ayant le meilleur score unique sur 8 des 18 cibles (44 %).
Récupération du Pharmacophore : JEDEL a démontré une fidélité supérieure dans la récupération des caractéristiques du pharmacophore de référence, atteignant une récupération P4 moyenne de 89,3 % et une similitude de Jaccard de 0,761, contre 88,1 %/0,751 pour Enamine et 78,1 %/0,694 pour le mode Aléatoire.
Efficacité d'Échantillonnage : JEDEL a montré un avantage de 2,6 fois en efficacité d'échantillonnage (taux de succès médian de 14,0 %) par rapport à la ligne de base de diversité Enamine (5,4 %). L'amélioration a été la plus marquée sur les cibles "difficiles" où le criblage conventionnel échoue ; pour les cibles avec de faibles taux de succès Enamine (≤6,3 %), JEDEL a atteint un taux de succès moyen de 2,9 % contre 0,3 % pour Enamine.
Qualité Chimique : Les molécules générées ont présenté une validité chimique élevée (100 %), une unicité (99,3 %) et une nouveauté (99,9 %), avec des propriétés de type médicament (QED moyen de 0,64) et des profils physico-chimiques cohérents avec la distribution d'entraînement.

Signification et Revendications
L'article affirme que JEDEL représente un changement qualitatif dans le pipeline de découverte de médicaments. En intégrant les contraintes de synthèse directement dans le modèle génératif, il élimine la déconnexion entre les propositions computationnelles et la faisabilité expérimentale. Les auteurs soulignent que JEDEL permet la conception de bibliothèques focalisées et pilotées par hypothèses à l'échelle de $10^3$ – $10^4$ typique des plateformes sur billes, où chaque composé est sélectionné pour satisfaire des exigences pharmacophoriques spécifiques.

Les auteurs notent des limites, notamment le recours aux scores de docking comme proxy de l'affinité de liaison (ce qui peut manquer les effets entropiques ou médiés par l'eau) et la restriction actuelle à sept types de réactions. Ils précisent que la validation expérimentale via la synthèse DEL sur billes et le criblage d'affinité est nécessaire pour confirmer que les prédictions computationnelles se traduisent par une activité de liaison mesurée. Cependant, le cadre établit une connexion pratique, zéro-shot, entre la conception pilotée par pharmacophore et la construction de bibliothèques combinatoires, offrant une voie directe de l'hypothèse computationnelle au déploiement expérimental.