Accelerating Drug Discovery with HyperLab: An Easy-to-Use AI-Driven Platform

Développé par HITS, HyperLab est une plateforme web pilotée par l'IA qui accélère la découverte de médicaments en offrant aux chercheurs, même sans expertise technique spécialisée, des outils performants pour la prédiction de structures, le criblage virtuel et l'optimisation moléculaire, validés par des résultats expérimentaux prometteurs en termes de rapidité et d'efficacité.

L'essentiel

🧪 HyperLab : Le "GPS" et le "Chef Cuisinier" de la Découverte de Médicaments

Imaginez que trouver un nouveau médicament est comme chercher une clé spécifique pour ouvrir une serrure (la maladie) dans un immense entrepôt rempli de milliards de clés (les molécules chimiques).

Traditionnellement, les chercheurs devaient essayer des clés une par une, manuellement, ce qui prenait des années et coûtait une fortune. HyperLab, développé par l'entreprise HITS, est une nouvelle plateforme intelligente qui agit comme un super-héros de l'IA pour accélérer ce processus.

Voici comment cela fonctionne, étape par étape, avec des analogies simples :

1. Le Grand Atelier Numérique (L'Interface)

HyperLab est un site web facile à utiliser. C'est comme un tableau de bord de voiture de course : même si vous n'êtes pas un mécanicien expert (pas besoin de savoir coder ou faire des maths complexes), vous pouvez conduire la voiture à toute vitesse. Tout est visuel et intuitif.

2. La Prédiction de la Clé et de la Serrure (Hyper Binding)

Avant de fabriquer une clé, il faut savoir à quoi elle ressemble.

• L'analogie : Imaginez un serrurier qui peut deviner exactement comment une clé va s'insérer dans une serrure juste en regardant une photo de la serrure, sans jamais l'avoir vue de près.
• Ce que fait HyperLab : Il utilise l'IA pour prédire comment une molécule (la clé) va se fixer sur une protéine de la maladie (la serrure). Il est si précis qu'il devine la position de la clé avec 77 % de réussite, ce qui est presque aussi bien que les méthodes les plus avancées au monde, mais 5 fois plus vite.

3. Le Tri des Milliards de Clés (Hyper Screening & Hyper Screening X)

C'est ici que la magie opère.

• Hyper Screening : C'est comme passer un tamis rapide sur un sac de 1 million de clés pour trouver les 500 meilleures.
• Hyper Screening X : C'est la version "Super Puissance". Au lieu de 1 million, il explore 11 billions (11 000 milliards) de clés virtuelles !
  • L'analogie : Si chercher dans 1 million de clés, c'est comme fouiller une bibliothèque entière, chercher dans 11 billions, c'est comme fouiller toutes les bibliothèques du monde en une nuit.
  • Grâce à une IA générative (qui "invente" des combinaisons), il ne lit pas chaque clé une par une (ce qui prendrait des siècles), mais il imagine directement les formes qui pourraient fonctionner.

4. L'Amélioration de la Clé (Hyper Design)

Une fois qu'on a trouvé une clé qui ouvre un peu la serrure, on veut qu'elle l'ouvre parfaitement.

• L'analogie : C'est comme un chef cuisinier qui prend une bonne recette de base et ajoute des épices ou change un ingrédient pour rendre le plat encore meilleur.
• Ce que fait HyperLab : Il prend une molécule prometteuse et propose des variantes (en ajoutant ou changeant des petits morceaux) pour qu'elle soit plus forte, plus stable et qu'elle ne soit pas bloquée par des brevets existants.

5. Le Test de Santé (Hyper ADME/T)

Avant de donner un médicament à un humain, il faut s'assurer qu'il ne va pas rendre malade le foie ou le cœur.

• L'analogie : C'est comme un contrôle technique pour une voiture. On vérifie si elle consomme trop, si elle est polluante ou si elle risque de tomber en panne.
• HyperLab prédit comment le médicament se comportera dans le corps humain (est-il toxique ? est-il absorbé ?) avant même de le fabriquer.

6. Le Assistant Intelligent (L'IA)

Tout au long du processus, il y a un assistant virtuel (comme un collègue très savant qui ne dort jamais).

• Il peut répondre à des questions, chercher des informations dans des bases de données mondiales, dessiner des graphiques et guider le chercheur. C'est comme avoir un co-pilote qui connaît tout sur la chimie et qui vous aide à prendre les bonnes décisions.

---

🏆 Le Résultat Concret : Une Révolution en 24 Heures

Pour prouver que tout cela fonctionne, les chercheurs de HITS ont fait un test réel :

1. Ils ont utilisé Hyper Screening pour trouver des candidats parmi des milliers de molécules.
2. En 24 heures seulement, ils ont sélectionné les meilleurs.
3. Ils les ont envoyés en laboratoire pour être testés physiquement.
4. Résultat : Ils ont trouvé des molécules qui bloquaient la maladie avec une efficacité incroyable (des niveaux de puissance qui prennent normalement des années à découvrir).

Ensuite, avec Hyper Design, ils ont créé de nouvelles versions encore meilleures. Sur 5 nouvelles molécules créées par l'IA et fabriquées, 3 ont fonctionné parfaitement, avec une puissance égale ou supérieure aux meilleurs médicaments existants.

💡 En Résumé

HyperLab est un outil qui transforme la découverte de médicaments :

• Avant : C'était comme chercher une aiguille dans une botte de foin à la main, pendant des années.
• Aujourd'hui avec HyperLab : C'est comme utiliser un détecteur de métaux ultra-puissant qui vous dit exactement où est l'aiguille, et qui vous donne même les plans pour fabriquer une meilleure aiguille, le tout en quelques heures.

Cela rend la découverte de médicaments plus rapide, moins chère et accessible à tous les chercheurs, pas seulement aux experts en informatique. C'est une véritable révolution pour sauver des vies plus vite.

Résumé technique

Titre : Accélération de la découverte de médicaments avec HyperLab : Une plateforme IA conviviale

1. Problématique

La découverte de médicaments traditionnelle fait face à des défis majeurs : des coûts élevés, des délais longs et une forte dépendance à l'expertise spécialisée en chimie computationnelle et en intelligence artificielle (IA). Les chercheurs expérimentaux, bien qu'experts dans leur domaine, ont souvent du mal à accéder aux outils de découverte assistée par ordinateur (CADD) en raison de leur complexité technique. De plus, les méthodes de criblage virtuel conventionnelles sont limitées par la taille des bibliothèques chimiques (généralement autour de 1 million de composés) et la précision des modèles de docking, ce qui réduit les taux de réussite dans l'identification de nouveaux candidats-médicaments.

2. Méthodologie

HyperLab est une plateforme web intégrée développée par HITS, conçue pour démocratiser l'accès à la découverte de médicaments basée sur la structure (SBDD) grâce à l'IA. Elle ne nécessite pas d'expertise préalable en IA ou en CADD grâce à une interface utilisateur (UI/UX) intuitive.

La plateforme intègre plusieurs modules clés fonctionnant en synergie :

• Hyper Binding (Prédiction de liaison) : Utilise un modèle d'apprentissage profond informé par la physique pour prédire les poses de liaison ligand-protéine et les affinités. Il prend en charge les structures PDB, les structures prédites par AlphaFold, et une technologie de co-repliement (Co-folding) qui prédit directement la structure du complexe protéine-ligand à partir de la séquence protéique, sans nécessiter de structure 3D expérimentale.
• Hyper Screening & Hyper Screening X :
  • Hyper Screening : Criblage virtuel de bibliothèques allant de 500 000 à 1 million de composés.
  • Hyper Screening X : Utilise l'IA générative (basée sur GFlowNet) pour explorer un espace chimique virtuel de 11 billions (11 trillions) de molécules. Contrairement aux méthodes traditionnelles, elle optimise simultanément l'affinité de liaison et d'autres propriétés (MW, LogP, TPSA) pour générer des structures nouvelles et optimisées.
• Hyper Design : Outil de conception moléculaire qui transforme des échafaudages (scaffolds) existants en nouveaux dérivés avec des scores de liaison améliorés, en tenant compte de la synthétisabilité et de la nouveauté structurelle.
• Hyper ADME/T : Prédit 19 propriétés pharmacocinétiques et physico-chimiques (solubilité, métabolisme, toxicité, etc.) pour filtrer les candidats dès les premières étapes.
• Analyse SAR (Structure-Activity Relationship) : Module spécialisé pour décomposer les structures en noyaux et groupes R, permettant une analyse comparative visuelle et l'intégration de données expérimentales.
• Assistant IA : Un agent IA spécialisé (basé sur Claude 3.7) capable d'interroger des bases de données (PubChem, ChEMBL), d'écrire du code, de visualiser des graphiques et de guider les utilisateurs dans le flux de travail.

3. Contributions Clés

• Démocratisation de l'IA : Une plateforme accessible aux chercheurs non-spécialistes en informatique, réduisant la barrière à l'entrée pour l'utilisation de modèles avancés.
• Exploration d'espaces chimiques massifs : La capacité de cribler et de générer des molécules à partir d'un espace de 11 billions de composés, dépassant largement les limites des bibliothèques commerciales classiques.
• Technologie de Co-folding : Une approche innovante permettant de prédire les complexes protéine-ligand uniquement à partir de séquences, éliminant le besoin de structures expérimentales préalables.
• Support des médicaments covalents : Des fonctionnalités dédiées pour la prédiction de liaison covalente, la conception et le criblage, avec des modes de recommandation automatique des "warheads" (têtes réactives).
• Intégration complète : Un flux de travail unifié allant de l'identification de "hits" à l'optimisation de "leads", incluant la prédiction ADMET et l'analyse SAR.

4. Résultats

A. Performances de Benchmark (Évaluation technique)

• Prédiction de pose (PoseBuster v2) : Hyper Binding a atteint une précision de 77 % pour la prédiction de la pose de liaison, surpassant les méthodes de docking traditionnelles (Vina : 58 %, Diffdock : 13 %) et s'approchant de la précision d'AlphaFold3 (84 %). De plus, il est 5 fois plus rapide (3 minutes contre 15 minutes par complexe avec une RTX 3060).
• Prédiction d'affinité (FEP Datasets) : Sur deux ensembles de données FEP, Hyper Binding a obtenu les meilleurs coefficients de corrélation de Pearson (0,70 et 0,53), surpassant les modèles d'apprentissage profond (Luminet, Genscore) et les méthodes de docking physiques (Glide SP, Vina).
• Liaison Covalente : Sur le jeu de données PDBBind, la version "co-folding" de Covalent Hyper Binding a atteint 88,7 % de précision de pose, nettement supérieure à COV SMINA (48,4 %) et GNINA (46,8 %). En termes de facteur d'enrichissement (EF@10%), elle a démontré une capacité de priorisation supérieure pour les cibles Mpro et KRAS.

B. Validation Expérimentale (Étude de cas)
Une étude interne a validé le pipeline complet :

• Criblage (Hyper Screening) : En 24 heures, 52 composés ont été sélectionnés sur une bibliothèque diverse. Les tests in vitro ont identifié 5 composés actifs (taux de réussite ~9 %) avec des valeurs d'IC50 comprises entre 70 et 600 nM.
• Optimisation (Hyper Design) : À partir d'un composé de référence, des dérivés nouveaux ont été conçus. Sur 5 composés synthétisés, 3 ont montré plus de 75 % d'inhibition à 1 µM (IC50 : 200-400 nM). L'un d'eux (H00505) a montré une activité comparable ou supérieure au composé de référence et a activé la voie de réponse antioxydante (ARE) de manière significative.
• Efficacité : Comparé au criblage à haut débit (HTS) conventionnel nécessitant des centaines de milliers de puits, le pipeline HyperLab a réduit le nombre de tests nécessaires à environ 100 puits pour obtenir des résultats validés, réduisant drastiquement le temps et les coûts.

5. Signification

HyperLab représente une avancée transformative dans le domaine de la découverte de médicaments. En combinant des modèles d'IA de pointe avec une interface accessible, la plateforme permet de :

1. Réduire les barrières de temps, de coût et d'expertise technique.
2. Accélérer le cycle de découverte en passant de la sélection de "hits" à l'optimisation de "leads" en quelques jours plutôt que des mois.
3. Augmenter la probabilité de succès grâce à l'exploration d'espaces chimiques massifs (11 billions de molécules) et à la précision supérieure des modèles de prédiction.
4. Valider expérimentalement que les designs in silico peuvent produire des candidats-médicaments puissants (nanomolaire) avec une efficacité structurelle et une nouveauté accrues.

En conclusion, HyperLab se positionne comme un outil essentiel pour l'industrie pharmaceutique moderne, rendant la découverte de médicaments basée sur l'IA efficace, rapide et accessible à un large éventail de chercheurs.