PharmCast: rapid generation of three-dimensional pharmacophore fingerprints from two-dimensional structure without conformer generation
PharmCast est un réseau de neurones à propagation avant qui prédit rapidement et précisément des empreintes pharmacophores 3D directement à partir de chaînes SMILES 2D sans génération de conformères, permettant un criblage virtuel et un saut de squelette efficaces à une fraction du coût computationnel des méthodes traditionnelles.
Article original sous licence CC BY 4.0 (https://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
Dans le monde de la découverte de médicaments, les scientifiques ne considèrent pas souvent un médicament comme un objet rigide, mais plutôt comme un ensemble de caractéristiques en attente d'être reconnues. Imaginez une clé qui n'a pas besoin de ressembler à une serrure spécifique, mais qui doit simplement posséder les bonnes bosses et les bons creux pour s'insérer dans le mécanisme. Cette idée, connue sous le nom de pharmacophore, suggère que la capacité d'une molécule à se lier à une cible biologique dépend d'une petite collection de caractéristiques chimiques — comme un donneur ou un accepteur de liaison hydrogène, ou un cycle aromatique — disposées selon un motif tridimensionnel spécifique. Pendant des décennies, les chercheurs ont utilisé ce concept pour trouver de nouveaux médicaments, en recherchant des composés qui partagent ces motifs spatiaux même si leurs squelettes chimiques sous-jacents sont complètement différents. Cette capacité à repérer des similitudes entre des structures sans rapport, un processus appelé saut de squelette (scaffold hopping), est cruciale pour trouver de nouveaux traitements lorsque les voies chimiques évidentes ont déjà été explorées.
Cependant, l'utilisation de cette carte tridimensionnelle a toujours été un processus lent et coûteux. Parce que les molécules sont flexibles et peuvent se tordre en de nombreuses formes différentes, un ordinateur doit générer des centaines de versions 3D possibles, ou conformères, pour chaque molécule afin de voir quelles caractéristiques elle peut présenter. Cette étape de génération de formes occupe la quasi-totalité du temps requis pour analyser un composé, ce qui rend impraticable le criblage des millions de molécules des bibliothèques chimiques modernes. Le résultat est que cette méthode puissante de recherche de nouveaux médicaments a été confinée à de petites listes soigneusement sélectionnées, incapable de s'attaquer aux vastes océans de la chimie disponible.
Une équipe de chercheurs a maintenant développé un moyen de contourner entièrement ce goulot d'étranglement. Ils ont créé un système appelé PharmCast, qui agit comme un traducteur direct du dessin plat en deux dimensions d'une molécule vers son potentiel en trois dimensions. Au lieu de passer des heures à calculer chaque torsion et chaque rotation qu'une molécule pourrait prendre, cette nouvelle méthode utilise un type d'intelligence artificielle pour prédire instantanément le résultat final. Le système a été entraîé sur près de six millions de molécules, incluant des composés médicamenteux standards, des molécules biologiques actives et des boucles protéiques flexibles, apprenant ainsi à reconnaître la connexion entre la structure de base d'une molécule et les caractéristiques 3D qu'elle peut afficher.
Les résultats montrent que ce raccourci ne sacrifie pas la précision au profit de la vitesse. Testé contre la méthode traditionnelle lente, le nouveau système a produit des résultats presque identiques pour la grande majorité des composés. Pour une molécule médicamenteuse typique, l'approche traditionnelle prend près de trois secondes pour générer une seule empreinte numérique, la majeure partie de ce temps étant consacrée uniquement à la création des formes 3D. Le nouveau système accomplit la même tâche en moins d'une milliseconde. Cela représente une accélération de plusieurs milliers de fois, transformant un processus qui prendrait des mois pour s'exécuter sur une bibliothèque massive en un processus qui peut être terminé en quelques minutes.
Les chercheurs ont testé cet outil sur trois groupes distincts de molécules pour s'assurer qu'il fonctionnait à travers différents types de chimie. Ils ont évalué des composés de criblage standard, des molécules biologiques actives qui avaient été testées en laboratoire, et des boucles protéiques flexibles, qui sont notoirement difficiles à modéliser. Dans chaque cas, les prédictions correspondaient aux calculs traditionnels plus lents avec une grande fidélité. Pour les composés médicamenteux standards, l'erreur était si faible qu'elle était à peine perceptible, et pour les boucles protéiques flexibles, le système a été encore plus performant, probablement parce que ces boucles étaient incluses dans les données d'entraînement. Le seul domaine où le système a montré une légère variation était avec les molécules biologiques larges et complexes qui n'étaient pas bien représentées dans l'ensemble d'entraînement, une limitation que les auteurs attribuent à la chimie spécifique disponible pour l'apprentissage plutôt qu'à un défaut de la méthode elle-même.
L'une des découvertes les plus significatives est que le système identifie avec succès des similitudes entre des molécules qui ne se ressemblent pas du tout sur papier. Dans un cas de test impliquant deux médicaments contre le VIH ayant des structures chimiques complètement différentes, le système a correctement identifié qu'ils présentaient les mêmes caractéristiques tridimensionnelles face à une cible, un exploit que les méthodes traditionnelles en deux dimensions avaient manqué. Cela confirme que l'outil capture véritablement l'essence spatiale de la molécule plutôt que de simplement mémoriser sa forme chimique. Les chercheurs ont démontré cette capacité en utilisant le système pour scanner une bibliothèque de plus de quatre millions de composés par rapport à une molécule de référence, une tâche qui a pris moins d'une demi-heure. Les meilleurs résultats comprenaient des composés ayant des structures très différentes mais le même potentiel de liaison, prouvant que le système peut efficacement guider la recherche de nouveaux points de départ chimiques.
Les auteurs soulignent que, bien que cet outil soit incroyablement rapide, il est conçu pour travailler aux côtés, et non pour remplacer, les calculs plus détaillés et plus lents. Dans un scénario réel, le système rapide serait utilisé pour classer des millions de candidats et réduire la liste aux quelques plus prometteurs. Ces meilleurs candidats seraient ensuite analysés avec la méthode traditionnelle plus lente pour confirmer la géométrie exacte et s'assurer que la prédiction tient la route. Cette approche en deux étapes permet aux scientifiques d'explorer toute l'étendue de l'espace chimique sans être freinés par le coût computationnel, tout en maintenant les normes rigoureuses requises pour le développement de médicaments. En supprimant la barrière du temps, ce travail ouvre la porte à l'application de la pensée tridimensionnelle à l'univers entier de la chimie disponible, accélérant potentiellement la découverte de nouveaux médicaments pour des maladies qui n'ont actuellement que peu d'options.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.