A Unified 3D Generative Model for Synthesizable Structure-Based Drug Design
L'article présente LDDM, un modèle génératif 3D unifié qui surmonte les défis d'accessibilité synthétique dans la découverte de médicaments en permettant la conception rapide de nouvelles petites molécules et de peptides spécifiques à une cible, lesquels ont été validés expérimentalement pour atteindre une haute affinité de liaison et une précision structurelle à travers cinq cibles protéiques.
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
Trouver un nouveau médicament ressemble souvent à la recherche d'une clé spécifique et unique dans une pièce remplie de milliards de serrures. Pendant des décennies, les scientifiques ont tenté de résoudre ce problème en testant de vastes bibliothèques de composés chimiques existants, espérant en trouver un qui s'adapte à une protéine responsable d'une maladie. Bien que cette méthode ait fonctionné, elle est lente et limitée par le nombre colossal de possibilités. Une approche plus récente utilise l'informatique pour concevoir ces clés à partir de zéro, créant des molécules qui n'ont jamais existé auparavant. Le défi avec cette méthode a cependant été que les conceptions informatiques sont souvent séduisantes sur un écran, mais impossibles ou extrêmement difficiles à construire pour les chimistes dans un laboratoire réel.
Une équipe de chercheurs a maintenant introduit un nouveau système appelé LDDM qui comble ce fossé. Au lieu de simplement imaginer des formes complexes, ce système conçoit des molécules en gardant à l'esprit les étapes pratiques de construction. Il agit comme un outil unifié capable non seulement d'imaginer de nouveaux médicaments, mais aussi de garantir qu'ils puissent être synthétisés à l'aide de blocs de construction chimiques standards. En combinant la capacité de prédire comment une molécule s'insère dans une protéine avec un accent strict sur ce qui est réellement manufacturable, les chercheurs ont créé un pipeline qui passe de la conception numérique à la réalité physique avec une rapidité et une précision remarquables.
Le cœur de ce travail est un modèle d'apprentissage automatique entraîné sur une vaste collection de structures tridimensionnelles de protéines et de médicaments. Imaginez un étudiant qui aurait étudié des millions de photos montrant comment des clés s'insèrent dans des serrures ; ce modèle a appris les règles physiques de ces interactions. Contrairement aux systèmes précédents qui pourraient générer une molécule en espérant qu'elle fonctionne, LDDM décompose le processus de conception en morceaux plus petits et plus gérables. Il peut prendre un médicament connu, en cacher une partie, et demander à l'ordinateur d'inventer une nouvelle pièce qui s'insère parfaitement dans l'espace restant. Il peut également partir d'une poche vide dans une protéine et construire une molécule de toutes pièces, atome par atome. Crucialement, le système inclut une caractéristique « programmable » qui guide le processus de conception. Il vérifie chaque étape pour s'assurer que la molécule reste chimiquement stable, s'insère étroitement dans la protéine cible et peut être assemblée à partir d'une liste pré-approuvée d'ingrédients facilement disponibles pour les chimistes.
Pour prouver l'efficacité de ce système, les chercheurs l'ont testé sur cinq cibles biologiques différentes, allant d'enzymes impliquées dans le cancer à des protéines utilisées par des virus. Dans une expérience, ils ont redessiné une molécule qui aide le corps à décomposer une protéine spécifique liée à la croissance cellulaire. L'ordinateur a suggéré de nouvelles structures chimiques pour les bords extérieurs du médicament. Lorsque l'équipe a synthétisé ces quatre nouveaux designs, tous se sont liés avec succès à la protéine cible avec une grande précision. Dans un autre test, ils ont amélioré un inhibiteur peptidique conçu pour arrêter une protéine appelée cathepsine S, qui est active dans les maladies inflammatoires. En remplaçant une partie de la molécule par un acide aminé non naturel suggéré par le modèle, ils ont créé une version 3,5 fois plus puissante que l'originale.
Les chercheurs ont également abordé le défi de la création de médicaments entièrement nouveaux à partir de zéro. Pour une protéine appelée PGK1, impliquée dans le métabolisme énergétique et liée à plusieurs maladies, le système a généré des milliers de candidats uniques. Après avoir filtré ceux qui pouvaient être achetés ou fabriqués facilement, l'équipe en a testé six. Quatre d'entre eux se sont liés à la protéine, le meilleur affichant une force de liaison de 14,7 micromolaire. Pour confirmer exactement comment ces nouvelles molécules fonctionnaient, l'équipe a utilisé des techniques d'imagerie avancées comme la spectroscopie de résonance magnétique nucléaire et la résonance plasmonique de surface. Ces méthodes ont permis de voir l'interaction physique du médicament avec la protéine, confirmant que la prédiction de l'ordinateur concernant la pose de liaison était correcte.
Des succès similaires ont été observés avec des protéines impliquées dans le cancer et le virus SARS-CoV-2. Pour une protéine appelée BRD4, qui régule l'expression génique, le système a conçu une nouvelle molécule qui se liait à la cible avec une affinité estimée entre 40 et 60 micromolaire. Pour valider cette liaison, l'équipe a utilisé la spectroscopie de résonance magnétique nucléaire pour observer les déplacements chimiques dans la protéine cohérents avec le site de liaison prédit. Pour la protéine virale appelée Mac1, l'équipe a conçu une molécule capable de déplacer un signal cellulaire naturel, atteignant une concentration inhibitrice de 46,2 micromolaire. Dans le cas de la protéine virale, la cristallographie aux rayons X a confirmé la structure physique du nouveau médicament logée à l'intérieur de la protéine, correspondant aux modèles informatiques avec une grande précision. Dans chaque cas, les molécules ont été synthétisées avec succès en laboratoire.
L'étude démontre que l'intelligence artificielle générative peut dépasser les exercices théoriques pour produire des médicaments tangibles et testables. En contraignant l'ordinateur à concevoir uniquement dans le domaine de ce qui est synthétiquement possible, les chercheurs ont évité le piège courant de créer des molécules « impossibles à construire ». Les résultats suggèrent que cette approche peut réduire considérablement le temps nécessaire pour trouver un point de départ pour un nouveau médicament. Bien que les molécules identifiées dans cette étude ne soient pas encore prêtes à devenir des médicaments en soi, elles servent de points de départ confirmés qui se lient à leurs cibles exactement comme prévu. Ce travail fournit un cadre pratique pour l'avenir de la découverte de médicaments, où ordinateurs et chimistes travaillent dans une boucle étroite pour concevoir, construire et tester de nouvelles thérapies avec une efficacité accrue.
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.