Polypharmacology of an Optimal Kinase Library

Cette étude révèle que la polypharmacologie est omniprésente parmi les inhibiteurs de kinases, indépendamment de leur approbation réglementaire, et démontre l'utilité d'une bibliothèque optimale de 192 molécules pour identifier des cibles de toxicité, proposer des repositionnements thérapeutiques et approfondir la génétique chimique.

L'essentiel

🕵️‍♂️ Le Grand Jeu de la "Polypharmacologie" : Quand un médicament joue à plusieurs jeux

Imaginez que le corps humain est une immense ville remplie de 530 usines différentes (ce sont les protéines appelées "kinases"). Chaque usine a un travail précis : certaines fabriquent de l'énergie, d'autres réparent les routes, d'autres encore gèrent la sécurité.

Pour soigner une maladie (comme un cancer), les médecins envoient des ouvriers spéciaux (les médicaments) pour arrêter ou ralentir une usine en particulier qui fonctionne mal.

1. Le mythe du "couteau suisse" parfait

Pendant des décennies, les pharmaciens ont cru qu'ils pouvaient fabriquer un ouvrier ultra-spécialisé, capable de ne toucher qu'une seule usine (celle malade) et de laisser les 529 autres tranquilles. C'est l'idée de la "sélectivité".

Mais cette étude, menée par une équipe de Harvard, nous dit : "Oubliez cette idée !"

En réalité, la plupart de ces ouvriers (les médicaments) sont comme des couteaux suisses. Quand ils entrent dans la ville, ils s'arrêtent non seulement à l'usine malade, mais ils visitent aussi plein d'autres usines, même celles qui vont bien. C'est ce qu'on appelle la polypharmacologie (un médicament qui a plusieurs cibles).

2. L'expérience : La "Bibliothèque Optimale" (OKL)

Pour vérifier cette théorie, les chercheurs ont créé une bibliothèque de 192 médicaments (l'OKL). Ils ont choisi ces médicaments intelligemment :

• Certains sont déjà approuvés par la FDA (les "stars" du marché).
• D'autres sont en cours de test (les "jeunes pousses").
• D'autres sont des outils de laboratoire.

Ils ont ensuite lancé ces 192 médicaments dans une simulation géante pour voir toutes les usines (les 468 kinases testées) qu'ils visitaient. C'est comme si on avait envoyé 192 détecteurs dans la ville pour voir exactement où ils s'arrêtent.

3. Les grandes découvertes (Les surprises)

Voici ce que les chercheurs ont trouvé, avec des analogies simples :

• Le "Cible Officielle" n'est pas toujours la préférée :
  Souvent, on dit : "Ce médicament est fait pour l'usine A". Mais les données montrent que, pour beaucoup de médicaments, l'usine A n'est même pas celle qu'ils aiment le plus ! Ils s'arrêtent parfois plus fort sur l'usine B ou C.

  • Analogie : C'est comme si vous commandiez un café, mais le serveur vous donnait un thé, et que vous aimiez le thé encore plus que le café. Le médicament fait ce qu'il veut, pas ce qu'on lui dit de faire !

• Les médicaments "stars" ne sont pas plus gentils :
  On pensait que les médicaments approuvés (ceux qu'on achète en pharmacie) étaient plus précis et moins "brouillons" que ceux qui ont échoué dans les essais cliniques. Faux ! Les médicaments approuvés visitent tout autant d'usines que les autres. Leur succès ne vient pas de leur précision, mais peut-être de leur capacité à toucher plusieurs cibles en même temps.

• Les "Usines Oubliées" (Dark Kinases) :
  Il y a des usines dans la ville qu'on connaît mal (les "kinases sombres"). Les chercheurs ont découvert que les médicaments les visitent souvent ! Cela ouvre de nouvelles portes : peut-être que l'effet secondaire d'un médicament vient de l'une de ces usines oubliées, ou au contraire, qu'on pourrait utiliser un médicament existant pour soigner une maladie liée à ces usines.

• Le cas du foie et du médicament Alectinib :
  Un exemple concret : un médicament contre le cancer du poumon (Alectinib) visite aussi une usine spécifique dans le foie (PHKG2). Les chercheurs soupçonnent que c'est cette visite indésirable qui cause des problèmes de foie chez certains patients.

  • Leçon : Si on le savait avant, on aurait pu modifier le médicament pour qu'il évite cette usine, rendant le traitement plus sûr.

4. Pourquoi est-ce une bonne nouvelle ?

Au lieu de voir la polypharmacologie (le fait de toucher plusieurs cibles) comme un défaut, cette étude nous dit de la voir comme une force.

• Pour les maladies complexes : Des maladies comme Alzheimer ou le cancer sont souvent causées par un désordre dans plusieurs usines à la fois. Un médicament "couteau suisse" qui touche plusieurs usines peut parfois être plus efficace qu'un médicament ultra-spécialisé qui n'en touche qu'une.
• Nouvelles utilisations (Repurposing) : En voyant toutes les usines qu'un médicament visite, on peut découvrir qu'il pourrait soigner une maladie totalement différente. Par exemple, un médicament contre le cancer pourrait aussi aider à soigner une infection bactérienne ou une maladie neurodégénérative.

En résumé

Cette étude est comme une carte routière géante et ultra-précise de la ville des protéines. Elle nous dit :

1. Arrêtons de chercher le médicament "parfait" qui ne touche qu'une seule cible.
2. Acceptons que les médicaments soient des explorateurs qui visitent beaucoup de lieux.
3. Utilisons cette carte pour comprendre pourquoi certains médicaments ont des effets secondaires, et pour trouver de nouvelles façons de soigner des maladies difficiles.

C'est une révolution dans la façon de penser la médecine : on passe de la vision "un médicament = une cible" à la vision "un médicament = un réseau d'actions".

Résumé technique

1. Problématique et Contexte

Malgré des décennies de recherche, la compréhension du spectre complet des cibles liées par les inhibiteurs de kinases reste incomplète. Cette lacune complique l'étude des mécanismes d'action, le repositionnement des médicaments et la compréhension des réponses indésirables (toxicité).

• Limites des connaissances actuelles : Les données existantes, souvent issues de la littérature ou de bases de données publiques (ChEMBL, BindingDB), sont biaisées vers les cibles « assignées » (principales) et les cibles de toxicité suspectées. Les données sur les « non-liants » sont rares, rendant difficile l'établissement de la sélectivité réelle.
• Hypothèses erronées : Il est souvent supposé que les médicaments approuvés sont plus sélectifs que les composés échoués en essais cliniques, que les cibles assignées sont les plus fortement inhibées, et que la sélectivité a augmenté avec le temps.
• Objectif : Caractériser de manière systématique la polypharmacologie d'une bibliothèque de composés optimisée pour couvrir la diversité chimique, les cibles et les stades de développement clinique, afin de mieux comprendre les interactions médicament-cible à l'échelle du kinome humain.

2. Méthodologie

Les auteurs ont développé et utilisé une approche rigoureuse combinant chimie médicinale, criblage à haut débit et inférence statistique avancée.

• La Bibliothèque de Kinases Optimale (OKL) :

  • Sélection de 192 petites molécules issues d'une liste initiale de 600, optimisée pour maximiser la couverture des cibles et la diversité chimique tout en minimisant la redondance.
  • Composition : 44 médicaments approuvés par la FDA, 98 molécules en essais cliniques et 50 composés « outils » précliniques.
  • Critère de sélection : Chaque kinase cible est liée par au moins deux inhibiteurs ayant des structures chimiques très différentes (similarité Tanimoto ≤ 0,2).

• Criblage KINOMEscan :

  • Utilisation de la plateforme Eurofins KINOMEscan® (scanMAX) pour profiler les affinités de liaison.
  • Échelle : 468 kinases (406 kinases humaines sauvages, 59 kinases mutées oncogéniques/résistantes, et 3 kinases non mammaliennes).
  • Design expérimental : Chaque inhibiteur a été testé à quatre concentrations (10 µM, 1 µM, 100 nM, 12,5 nM) pour générer des courbes de dose-réponse complètes (89 856 courbes au total).

• Analyse des Données et Inférence Bayésienne :

  • Au lieu d'utiliser des seuils binaires (ex: <35 % de contrôle), les auteurs ont appliqué un cadre d'inférence bayésienne pour estimer les constantes de dissociation ($K_d$) pour toutes les paires inhibiteur-kinase.
  • Ce modèle permet d'extrapoler les affinités en dehors des concentrations testées et de gérer l'incertitude, fournissant des estimations de $K_d$ plus fiables que l'interpolation linéaire.
  • Calcul de l'Indice de Partition (PI) pour quantifier la sélectivité : un PI élevé indique une liaison préférentielle à une seule cible.

• Applications Biologiques (Cas d'usage) :

  • Neurodégénérescence : Criblage sur des neurones ReNcell VM traités par polyI:C (modèle de mort neuronale inflammatoire) pour identifier des agents neuroprotecteurs.
  • Cancer : Étude de la résistance au cisplatine dans un modèle de cancer de l'ovaire (SNU8) pour identifier des vulnérabilités chimiques.
  • Maladies infectieuses : Identification d'inhibiteurs de kinases pathogènes (Mycobacterium tuberculosis, Plasmodium falciparum).

3. Résultats Clés

• Polypharmacologie omniprésente :

  • La polypharmacologie est généralisée, même parmi les médicaments approuvés. La plupart des inhibiteurs approuvés ne sont pas hautement sélectifs (PI maximal médian < 0,2).
  • Contre-intuitif : Pour les médicaments approuvés, la cible assignée n'est la cible à la plus forte affinité que dans 23 % des cas. Souvent, des cibles non assignées sont inhibées avec une affinité supérieure.
  • Évolution temporelle : La sélectivité moyenne n'a pas augmenté significativement au fil du temps, bien que quelques composés très sélectifs aient émergé récemment. Le succès clinique ne semble pas dépendre d'une haute sélectivité.

• Cibles « sombres » et Anti-cibles :

  • Les kinases « sombres » (sous-étudiées) sont largement inhibées par les composés OKL, suggérant des activités hors cible potentiellement importantes.
  • Exemple de toxicité : L'alectinib (inhibiteur d'ALK) lie fortement PHKG2 (une kinase hépatique), ce qui pourrait expliquer l'hépatotoxicité observée chez certains patients. Cela suggère que PHKG2 pourrait être une « anti-cible » pour le développement de futurs inhibiteurs d'ALK.

• Structure et Promiscuité :

  • Une sous-ensemble de kinases (notamment les récepteurs tyrosine kinases comme PDGFR, KIT, DDR) est particulièrement promiscue.
  • Cette promiscuité est associée à la liaison à la conformation DFG-out (inactive). La présence d'un pont salin spécifique (Asp671-Arg752) dans ces kinases stabilise cette conformation, facilitant la liaison de nombreux inhibiteurs de type II.
  • Cependant, il est possible de concevoir des inhibiteurs sélectifs même pour ces kinases promiscues (ex: Nilotinib pour DDR1).

• Arbre du Kinome basé sur la liaison :

  • Le regroupement des kinases basé sur les profils de liaison OKL diffère substantiellement de l'arbre phylogénétique basé sur la séquence.
  • Des kinases homologues (ex: ERK1/2 vs ERK3/4) peuvent avoir des profils de liaison très différents, tandis que des kinases non apparentées peuvent partager des profils de liaison similaires. Cela offre une nouvelle perspective pour le criblage de médicaments.

• Optimisation des protocoles de criblage :

  • L'analyse montre que le seuil standard de 35 % de contrôle utilisé par Eurofins génère un taux élevé de faux positifs. Un seuil ajusté (ex: 22 %) ou, mieux encore, le criblage à deux concentrations (100 nM et 10 µM) combiné à l'inférence bayésienne, permet d'estimer les $K_d$ avec une grande précision (R² = 0,97 par rapport aux données à 4 doses), réduisant les coûts et les erreurs.

4. Contributions Majeures

1. Création de l'OKL : Une bibliothèque de référence de 192 composés, équilibrée pour la diversité chimique et la couverture des cibles, servant d'outil standard pour l'étude de la polypharmacologie.
2. Données complètes et ouvertes : Génération de données d'affinité à grande échelle pour 192 composés contre 468 kinases, rendues disponibles publiquement.
3. Cadre méthodologique : Démonstration de la supériorité de l'inférence bayésienne sur les méthodes de seuillage classiques pour l'analyse des données KINOMEscan, permettant une estimation robuste des $K_d$ même avec peu de points de données.
4. Remise en question des dogmes : Preuve que la haute sélectivité n'est pas une condition sine qua non pour le succès clinique des inhibiteurs de kinases et que les cibles assignées ne sont pas toujours les plus pertinentes biologiquement.
5. Applications translationnelles : Démonstration de l'utilité de ces données pour identifier des mécanismes de neuroprotection, de résistance aux chimiothérapies et de nouvelles indications pour des maladies infectieuses (repositionnement).

5. Signification et Impact

Ce travail transforme la manière dont la communauté scientifique aborde la pharmacologie des kinases. Il démontre que la polypharmacologie est une règle plutôt qu'une exception dans le développement de médicaments, et que cette « promiscuité » peut être soit une source de toxicité, soit un mécanisme thérapeutique bénéfique (effet de réseau).

L'approche proposée permet :

• D'identifier plus rapidement les cibles responsables de la toxicité (anti-cibles) pour améliorer l'indice thérapeutique.
• De repositionner des médicaments existants vers de nouvelles indications (ex: maladies neurodégénératives, infections).
• De guider le développement de médicaments futurs en utilisant des arbres de kinome basés sur la liaison chimique plutôt que sur la seule séquence, permettant une meilleure prédiction des effets hors cible.

Enfin, les recommandations méthodologiques (criblage à deux doses + analyse bayésienne) offrent une voie plus efficace et moins coûteuse pour les futurs projets de criblage kinome à grande échelle.