AI-Enforced Ultra-Large Virtual Screening Discovers Potent CD28 Binders

Cette étude valide l'efficacité du flux de travail PyRMD2Dock, une approche de criblage virtuel assistée par l'IA, pour découvrir et valider expérimentalement de nouveaux ligands puissants ciblant l'interface difficile de la protéine CD28 au sein d'une bibliothèque chimique massive.

L'essentiel

🕵️‍♂️ L'Enquête : Chasser des aiguilles dans une botte de foin géante

Imaginez que vous cherchez une aiguille précise dans une botte de foin. Maintenant, imaginez que cette botte de foin contient 48 millions de brins, et que l'aiguille que vous cherchez doit s'insérer dans un trou minuscule et plat sur une surface lisse, comme un miroir. C'est exactement le défi que les scientifiques ont relevé dans cette étude.

Ils voulaient trouver une petite molécule (un médicament) capable de se fixer sur une protéine appelée CD28. Cette protéine est comme un interrupteur sur les cellules immunitaires. Le problème ? La surface de CD28 est très plate et n'a pas de "trou" profond pour accueillir un médicament classique. C'est comme essayer de coller un aimant sur une vitre lisse : ça glisse tout le temps.

🤖 Le Super-Héros : L'Intelligence Artificielle (IA)

Pour résoudre ce casse-tête, les chercheurs n'ont pas utilisé de simples ordinateurs, mais un super-outil appelé PyRMD2Dock.

Imaginez que vous avez un détective IA très intelligent. Au lieu de vérifier manuellement chaque brin de foin (ce qui prendrait des siècles), le détective a une méthode géniale :

1. L'entraînement : Il examine d'abord un petit échantillon de 2,4 millions de molécules pour voir lesquelles semblent "coller" un peu mieux à la surface de CD28.
2. L'apprentissage : Il apprend à reconnaître les formes et les caractéristiques chimiques qui fonctionnent. C'est comme si un enfant apprenait à reconnaître un chat en voyant quelques photos, puis arrive à identifier n'importe quel chat dans le monde entier.
3. La chasse : Une fois entraîné, il scanne les 46 millions de molécules restantes en quelques secondes, triant le bon grain de l'ivraie.

🎯 La Réussite : Trouver les "Aiguilles"

Grâce à cette IA, les chercheurs ont pu réduire la liste de 48 millions de candidats à seulement 232 molécules prometteuses. Ils en ont acheté 150 pour les tester en laboratoire.

Le résultat est incroyable : 12 molécules ont réussi à se fixer directement sur CD28 ! Parmi elles, deux se sont révélées être des champions :

• La molécule 100 et la molécule 104.

Ces deux-là sont si efficaces qu'elles se fixent sur la protéine avec une force impressionnante (des millions de fois plus fortes que les autres candidats).

🛑 Le Frein à Main : Arrêter la machine de guerre

Pourquoi est-ce important ? CD28 est comme un pédale d'accélérateur pour le système immunitaire. Parfois, cette pédale reste bloquée enfoncée (ce qui arrive dans certains cancers ou maladies auto-immunes), et le système immunitaire attaque tout ce qui bouge, y compris les tissus sains.

Les molécules 100 et 104 agissent comme un frein à main très puissant.

• Elles s'insèrent dans la zone plate de CD28.
• Elles empêchent CD28 de se connecter à son partenaire (CD80).
• Résultat : L'accélérateur est coupé. Le système immunitaire se calme.

Les chercheurs l'ont prouvé en testant ces molécules sur des cellules humaines dans des modèles complexes (comme de petits organes en 3D). Les molécules ont réussi à réduire la production de "feu" inflammatoire (les cytokines) de manière très efficace.

🏆 La Conclusion : Une nouvelle ère pour la médecine

Cette étude est une première mondiale. C'est la première fois qu'une telle méthode d'IA, appliquée à une échelle aussi massive, réussit à trouver un médicament pour une cible aussi difficile (une surface plate).

C'est comme si, avant, on cherchait à trouver une clé dans un tas de sable en fouillant au doigt. Aujourd'hui, grâce à l'IA, nous avons un scanner magnétique capable de repérer instantanément la clé parfaite, même dans un désert de 48 millions de grains de sable.

Cela ouvre la porte à la création de nouveaux médicaments pour des maladies complexes que l'on pensait jusqu'ici impossibles à traiter avec des petites molécules.

Résumé technique

Titre : Dépistage virtuel ultra-large assisté par l'IA pour découvrir des ligands puissants de CD28

1. Le Problème Scientifique

Le ciblage des interactions protéine-protéine (IPP) par de petites molécules représente un défi majeur en découverte de médicaments. Contrairement aux enzymes qui possèdent des cavités profondes et bien définies, les interfaces d'IPP sont souvent larges, exposées au solvant et topographiquement plates, ce qui rend difficile la conception de ligands classiques.

• Cible spécifique : Le récepteur immunitaire CD28, un homodimère de type immunoglobuline, interagit avec ses ligands (CD80/CD86) via une surface β-sandwich externe plane et accessible. L'absence de cavité profonde recessive rend le développement de modulateurs allostériques ou orthostériques extrêmement difficile.
• Limitation computationnelle : Le dépistage virtuel basé sur la structure (SBVS) traditionnel sur des espaces chimiques ultra-larges (des milliards de composés) se heurte à des goulots d'étranglement computationnels prohibitifs, rendant impossible le docking explicite de chaque molécule.

2. Méthodologie

Les auteurs ont appliqué pour la première fois, de manière prospective, la plateforme PyRMD2Dock (intégré à la suite logicielle PyRMD Studio). Cette approche combine l'apprentissage automatique (ML) et le docking moléculaire standard pour surmonter les limitations de vitesse.

• Stratégie de criblage hybride :
  1. Préparation et Docking initial : Un sous-ensemble diversifié de 2,4 millions de molécules (issu de la base de données Enamine REAL Diversity Space) a été docké dans une poche adjacente à l'interface canonique de liaison de CD28 (délimitée par les résidus H38, F93, K95, D106, N107, K109, S110). Le docking a été réalisé avec AutoDock-GPU (AD4-GPU).
  2. Entraînement du modèle ML : Les scores de docking ($\Delta G_{AD4}$) de ce sous-ensemble ont été utilisés pour entraîner 672 modèles de classification différents. Les composés ont été classés comme "actifs" ou "inactifs" selon des seuils de score stricts.
  3. Optimisation et Validation : Une validation croisée rigoureuse (StratifiedGroupKFold avec clustering Butina) a permis de sélectionner le modèle optimal (seuil actif : -7,75 kcal/mol ; seuil inactif : -4,75 kcal/mol) en maximisant le compromis Taux de Vrais Positifs (TPR) / Taux de Faux Positifs (FPR) tout en assurant une haute précision.
  4. Criblage Ultra-Large : Le modèle ML optimisé a été appliqué au reste de la bibliothèque, soit environ 46 millions de composés. Le modèle a prédit les composés susceptibles d'avoir un bon score de docking sans nécessiter de recalculer le docking pour chacun.
  5. Filtrage et Sélection :
     • Sélection des 650 000 meilleurs prédits.
     • Recalcul du docking pour ces 650 000 composés.
     • Filtrage par score d'énergie ($\le -7,75$ kcal/mol) et par critères d'interaction structurelle (contact simultané avec les résidus K109 et C94).
     • Analyse SASA (Surface Accessible au Solvant) et clustering pour maintenir la diversité chimique.
     • Sélection finale de 232 ligands prioritaires pour l'achat et la validation biologique.

3. Contributions Clés

• Première application prospective réelle : C'est la première démonstration de l'utilisation de PyRMD2Dock dans un flux de travail de découverte de médicaments complet, de la sélection computationnelle à la validation biologique.
• Scalabilité : La méthode a permis de cribler efficacement 48 millions de composés, une tâche impossible avec le docking pur, tout en accélérant le processus d'environ 3,3 fois par rapport aux versions précédentes grâce à des optimisations vectorielles.
• Démocratisation de l'IA : L'utilisation de l'interface graphique PyRMD Studio permet aux chercheurs sans expertise en codage avancé d'appliquer des flux de travail complexes d'IA et de docking.
• Ciblage d'une interface "difficile" : La réussite du criblage sur CD28 prouve que les interfaces plates et exposées des récepteurs immunitaires peuvent être ciblées par de petites molécules, élargissant le paysage des IPP traitables.

4. Résultats Expérimentaux

Sur les 232 composés sélectionnés, 150 ont été achetés et testés, aboutissant à un taux de réussite (hit rate) remarquable.

• Dépistage primaire (Dianthus) : 12 composés (7,3 %) ont montré une perturbation significative du signal de liaison à CD28.
• Validation Biophysique (MST - Thermophorèse Micro-échelle) :
  • Deux composés, 100 et 104, ont démontré une affinité submicromolaire exceptionnelle :
    • Cpd 100 : $K_d = 343,8$ nM.
    • Cpd 104 : $K_d = 407,1$ nM.
  • D'autres composés ont montré des affinités micromolaires (ex: Cpd 24, $K_d \approx 2,2$ µM).
• Inhibition de l'interaction CD28-CD80 (ELISA compétitif) :
  • Les composés 100 et 104 ont confirmé leur capacité à perturber l'interaction avec le ligand CD80 avec des $IC_{50}$ de 231,4 nM et 840,6 nM respectivement.
  • Une corrélation claire a été établie entre la force de liaison (MST) et l'activité fonctionnelle (ELISA).
• Activité Cellulaire (Reporter Luciferase) :
  • Les composés 100 et 104 ont bloqué efficacement la signalisation de co-stimulation CD28 dans des cellules Jurkat, avec des $IC_{50}$ cellulaires de 748,9 nM et 1,13 µM.
• Modèles Physiologiques Complexes (Co-cultures 3D) :
  • Modèle Tumeur-PBMC : Les composés ont réduit la sécrétion de cytokines (IFN-$\gamma$, IL-2) et l'expression de CD69 soluble dans un modèle de sphéroïdes tumoraux A549 co-cultivés avec des PBMCs humains.
  • Modèle Tissu Épithélial-PBMC : Le composé 100 a démontré une activité inhibitrice puissante dans un modèle de tissu épithélial aérien humain, réduisant la production de cytokines pro-inflammatoires.
• Analyse du Mode de Liaison : L'analyse computationnelle révèle que les composés 100 et 104, bien que structuralement similaires, adoptent deux modes de liaison distincts (clusters 1 et 3) au sein de la même poche, offrant des pistes pour l'optimisation future.

5. Signification et Conclusion

Cette étude valide la plateforme PyRMD2Dock comme un protocole hautement évolutif et efficace pour l'exploration de bibliothèques chimiques massives. Elle démontre que l'intégration de l'apprentissage automatique avec le docking permet de surmonter les limites computationnelles et de découvrir des modulateurs de haute affinité pour des cibles immunologiques traditionnellement considérées comme "indrugables" en raison de leurs interfaces plates.

La découverte de composés 100 et 104 ouvre la voie au développement de nouveaux antagonistes de CD28 pour le traitement de maladies auto-immunes ou de cancers, en fournissant une preuve de concept solide que les interfaces plates des récepteurs immunitaires peuvent être ciblées avec succès par des petites molécules grâce à des stratégies de criblage virtuel assistées par l'IA.