Rapid classification of β-lactamase activity through AI-based structure prediction and electric field analysis

Les bactéries luttent contre nos médicaments depuis des décennies, en développant de minuscules machines moléculaires capables de démanteler les antibiotiques avant même qu'ils n'atteignent leur cible. Parmi les défenseurs les plus dangereux figurent les enzymes appelées bêta-lactamases, qui agissent comme des ciseaux moléculaires, sectionnant les liaisons chimiques d'une classe majeure de médicaments connus sous le nom de bêta-lactamines. Lorsque ces médicaments échouent, des infections courantes peuvent devenir mortelles, et les rares antibiotiques de « dernier recours » restants, tels que les carbapénèmes, deviennent inutiles. Le défi pour les scientifiques est que les bactéries mutent rapidement, créant de nouvelles versions de ces enzymes capables de trancher même les médicaments les plus puissants. Pour garder une longueur d'avance, les chercheurs ont besoin d'un moyen de prédire l'efficacité avec laquelle un nouveau variant bactérien détruira un médicament, idéalement en examinant simplement son code génétique, sans attendre les expériences de laboratoire lentes et coûteuses.

Une équipe de chercheurs a maintenant développé une méthode informatique rapide pour prédire exactement comment ces enzymes bactériennes peuvent décomposer les antibiotiques de la classe des carbapénèmes. Au lieu d'attendre de cultiver des bactéries en laboratoire, ils ont utilisé l'intelligence artificielle pour construire un modèle 3D de l'enzyme tenant le médicament, créant un instantané du moment précédant immédiatement la destruction du médicament. À partir de cet instantané, ils ont calculé les forces électriques invisibles à l'intérieur du site actif de l'enzyme. Ils ont découvert que la force et la direction de ces champs électriques agissent comme une empreinte digitale fiable de la puissance de l'enzyme. Si le champ électrique est suffisamment fort dans la bonne direction, l'enzyme détruira probablement le médicament ; sinon, le médicament survivra. Cette approche permet aux scientifiques de scanner de nouvelles séquences bactériennes et d'estimer immédiatement leurs niveaux de résistance, offrant un outil crucial pour suivre la propagation des supermicrobes.

L'histoire de la résistance aux antibiotiques est une course entre l'ingéniosité humaine et l'évolution bactérienne. Les antibiotiques bêta-lactamines, qui incluent la pénicilline et ses parentés modernes, fonctionnent en bloquant la machinerie que les bactéries utilisent pour construire leurs parois cellulaires. Cependant, de nombreuses bactéries produisent des enzymes bêta-lactamases qui reconnaissent ces médicaments et les ouvrent pour les couper, les rendant inoffensifs. La situation est particulièrement grave avec les carbapénèmes, une classe puissante d'antibiotiques souvent réservée aux infections les plus graves. Lorsque les bactéries développent des enzymes capables de couper également les carbapénèmes, les options de traitement disparaissent, entraînant des taux plus élevés de maladie et de décès. Traditionnellement, déterminer si une souche bactérienne spécifique peut résister à ces médicaments nécessite de cultiver les bactéries, d'isoler l'enzyme et de la tester en laboratoire. Ce processus est lent et ne peut pas suivre la vitesse à laquelle apparaissent les nouvelles mutations.

Pour résoudre ce problème, les chercheurs se sont tournés vers un autre type d'outil : un protocole de calcul qui repose sur les lois de la physique et la puissance de l'intelligence artificielle. Ils ont commencé par la séquence génétique de dix types différents d'enzymes bêta-lactamases, certaines connues pour détruire les carbapénèmes et d'autres non. En utilisant un système d'IA entraîné sur des structures protéiques connues, ils ont prédit quelle serait la forme 3D de chaque enzyme lorsqu'elle tient une molécule de médicament carbapénème. Cela a créé un « complexe acyle-enzyme » virtuel, un instantané de l'enzyme et du médicament verrouillés ensemble, prêts pour l'étape suivante de la réaction.

Le moment critique de ce processus est appelé désacylation, où une molécule d'eau attaque la liaison qui retient le médicament à l'enzyme, le brisant ainsi. Les chercheurs se sont concentrés sur le tout premier instant de cette attaque, un moment fugace connu sous le nom d'état de transition. Dans une simulation complète, capturer ce moment nécessite une puissance de calcul et un temps immenses. Au lieu de cela, l'équipe a utilisé un raccourci ingénieux. Ils ont généré un petit ensemble de structures d'« état de transition approximatif » en poussant doucement la molécule d'eau virtuelle vers le médicament et en laissant le système se stabiliser dans une position stable. Cela n'a nécessité qu'une infime fraction du temps de calcul habituellement nécessaire, tout en préservant les détails physiques essentiels de la réaction.

Une fois qu'ils ont obtenu ces instantanés virtuels, l'équipe a mesuré le champ électrique à l'intérieur du site actif de l'enzyme. Un champ électrique est une force invisible qui peut pousser ou tirer sur des particules chargées. Dans ce cas, les chercheurs étaient intéressés par la façon dont le champ électrique de l'enzyme interagissait avec une partie spécifique du médicament, le groupe carbonyle, qui porte une charge négative. Ils ont découvert que la force de ce champ électrique, spécifiquement la manière dont il stabilisait le médicament au moment de l'attaque, était directement liée à la vitesse à laquelle l'enzyme pouvait détruire le médicament.

Les résultats ont été frappants. Lorsque les chercheurs ont comparé leurs valeurs de champ électrique calculées avec les données réelles issues d'expériences de laboratoire, les chiffres correspondaient avec une grande précision. Les enzymes connues pour être de puissants destructeurs de carbapénèmes présentaient un champ électrique négatif fort qui stabilisait parfaitement le médicament pour sa destruction. Les enzymes incapables de détruire le médicament présentaient un champ beaucoup plus faible. La corrélation était si forte que la valeur du champ électrique seule pouvait distinguer les enzymes qui décomposent les carbapénèmes de celles qui ne le font pas. Cela restait vrai même lorsque les chercheurs utilisaient des temps de simulation très courts, suggérant que la méthode est à la fois rapide et fiable.

L'une des découvertes les plus importantes est que les chercheurs n'avaient pas besoin de connaître la structure 3D exacte de l'enzyme au préalable. En partant de la simple séquence génétique et en utilisant l'IA pour prédire la forme, ils pouvaient tout de même obtenir des résultats précis. Cela signifie que la méthode peut être appliquée à de nouveaux variants bactériens dès que leur code génétique est séquencé, sans attendre qu'une structure cristalline soit résolue en laboratoire. L'équipe a également découvert que l'orientation spécifique d'une petite partie de la molécule de médicament, un groupe hydroxyéthyle, influençait les résultats. En se concentrant sur le champ électrique généré par la structure centrale de l'enzyme et en ignorant cette partie flexible, ils ont encore amélioré la précision de leurs prédictions.

L'étude a également mis en évidence le rôle des molécules d'eau à l'intérieur de l'enzyme. Bien que la structure protéique elle-même fournisse un champ électrique fort, les molécules d'eau entourant le site de réaction contribuent de manière significative à la puissance de l'enzyme. Les chercheurs ont constaté que l'inclusion de ces molécules d'eau dans leurs calculs était essentielle pour correspondre aux données expérimentales. Cela suggère que l'environnement à l'intérieur de l'enzyme est tout aussi important que la forme de l'enzyme elle-même.

Ce travail ne prétend pas avoir résolu le problème de la résistance aux antibiotiques, mais il offre un nouveau prisme puissant pour l'observer. En démontrant qu'un simple calcul des forces électriques peut prédire une activité biologique complexe, les chercheurs ont fourni un outil qui est à la fois rapide et ancré dans la réalité physique. La méthode a réussi à séparer les enzymes dangereuses destructrices de carbapénèmes des enzymes inoffensives, confirmant que la capacité à décomposer ces médicaments est enracinée dans le paysage électrique spécifique du site actif de l'enzyme.

Les implications pour la santé publique sont significatives. À mesure que de nouvelles souches bactériennes émergent, les scientifiques peuvent désormais utiliser ce protocole pour évaluer rapidement leur niveau de menace. Au lieu d'attendre des semaines pour des tests en laboratoire, ils pourraient potentiellement analyser le code génétique d'un nouveau variant et savoir immédiatement s'il pose un risque pour le traitement par carbapénèmes. Cette rapidité pourrait aider les médecins à choisir les bons antibiotiques plus tôt et à guider le développement de nouveaux médicaments conçus pour résister à ces champs électriques. L'étude démontre qu'en comprenant les forces invisibles à l'œuvre à l'intérieur de ces machines moléculaires, nous pouvons mieux prédire leur comportement et, finalement, comment les arrêter.