Prospective discovery of LasB inhibitors by integrating generative design, free energy ranking, and experimental validation
Cette étude présente un flux de travail computationnel-expérimental entièrement open-source qui intègre la conception moléculaire générative à des calculs d'énergie libre rigoureux pour identifier avec succès trois inhibiteurs nanomolaires puissants et stables du facteur de virulence LasB de *Pseudomonas aeruginosa*, démontrant un cadre évolutif pour accélérer la découverte de médicaments au stade initial.
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 revient à chercher une clé spécifique et unique dans une bibliothèque contenant des milliards de serrures. Le processus est lent, coûteux et souvent frustrant, car les chimistes doivent construire et tester des millions de candidats potentiels à la main pour voir lesquels s'adaptent réellement. Pendant des décennies, les scientifiques ont tenté d'accélérer ce processus grâce aux ordinateurs, en les utilisant pour prédire quelles molécules pourraient fonctionner avant qu'un seul atome ne soit physiquement assemblé. Cependant, ces prédictions informatiques ont souvent été trop imprécises pour être fiables à elles seules, amenant les chercheurs à perdre du temps à synthétiser des composés qui s'avèrent finalement inutiles. Le défi consistait à créer un système qui soit à la fois assez rapide pour explorer de vastes nouveaux territoires chimiques et assez précis pour distinguer un véritable gagnant d'un échec de peu.
Dans une étude récente, des chercheurs ont réussi à combiner deux puissantes techniques informatiques pour résoudre ce problème, créant un flux de travail qui passe de l'imagination numérique à la réalité physique avec une efficacité remarquable. Ils ont concentré leurs efforts sur une bactérie dangereuse appelée Pseudomonas aeruginosa, une cause fréquente d'infections hospitalières graves qui devient de plus en plus difficile à traiter avec les antibiotiques existants. Cette bactérie repose sur une protéine spécifique, une machine moléculaire connue sous le nom de LasB, pour décomposer les tissus humains et propager l'infection. Comme cette protéine est sécrétée à l'extérieur de la cellule bactérienne, elle est plus facile à atteindre avec un médicament qu'un ciblage caché à l'intérieur de la coque externe robuste de la bactérie. L'objectif était de concevoir une nouvelle molécule capable de se verrouiller sur cette protéine et d'empêcher son fonctionnement, neutralisant ainsi la bactérie sans la tuer, une stratégie qui pourrait réduire les chances que la bactérie développe une résistance.
L'équipe a commencé avec trois molécules connues qui montraient déjà une certaine capacité à se lier à la protéine LasB, mais qui n'étaient pas parfaites. En utilisant un programme informatique conçu pour générer de nouvelles structures moléculaires, ils sont partis de ces trois « graines » et ont demandé au logiciel d'imaginer des milliers de variations. Le programme ne se contentait pas de mélanger des atomes de manière aléatoire ; il était guidé par des règles favorisant les molécules susceptibles d'être des médicaments efficaces et faciles à fabriquer en laboratoire. Au fil de plusieurs cycles d'évolution numérique, le logiciel a généré près de 40 000 molécules candidates uniques. À partir de cette immense bibliothèque numérique, les chercheurs ont sélectionné un groupe restreint et diversifié de 50 composés qui semblaient les plus prometteurs en fonction de leur forme et de leurs propriétés chimiques.
Pour s'assurer que ces 50 candidats valaient réellement le coût de leur fabrication, l'équipe a appliqué un second test informatique plus rigoureux. Cette étape consistait à simuler les forces physiques entre le candidat médicament et la protéine avec une précision extrême, en calculant exactement la force de leur liaison. Cette méthode, appelée calcul d'énergie libre, est coûteuse en ressources de calcul mais bien plus précise que les méthodes de criblage standard. Les résultats de cette simulation ont permis à l'équipe de classer les 50 candidats et de choisir les meilleurs pour la synthèse physique. Ils ont fabriqué six de ces molécules les mieux classées en laboratoire et les ont testées contre la protéine bactérienne.
Le résultat fut un succès manifeste pour cette approche intégrée. Trois des molécules nouvellement créées se sont révélées être des inhibiteurs puissants, stoppant la protéine bactérienne avec une grande efficacité à des concentrations aussi basses que 22 à 53 nanomolaires. Ces composés étaient non seulement puissants, mais ils présentaient également une excellente stabilité lors des tests sanguins et métaboliques, ce qui signifie qu'ils survivraient probablement assez longtemps dans l'organisme pour accomplir leur tâche. Bien que les nouveaux médicaments aient montré une certaine toxicité pour les cellules humaines en culture, leur forte capacité à cibler la protéine bactérienne suggère une voie viable pour un développement ultérieur. L'étude démontre qu'en liant la conception générative, qui crée de nouvelles idées, avec un classement basé sur la physique rigoureuse, qui teste ces idées avec une haute précision, les scientifiques peuvent naviguer dans le vaste océan des possibilités chimiques et trouver des trésors précieux sans s'y perdre.
Les chercheurs ont également tiré des leçons importantes sur les limites de leur méthode. Ils ont constaté que, si les prédictions informatiques étaient excellentes pour classer les molécules les unes par rapport aux autres, elles surestimaient parfois l'intensité exacte de la liaison. Cette divergence provient probablement du fait que l'ordinateur devait deviner la position initiale des nouvelles molécules avant de lancer la simulation détaillée, et qu'une petite erreur dans cette supposition pouvait fausser le calcul final. Malgré cela, le système a suffisamment bien fonctionné pour identifier trois inhibiteurs entièrement nouveaux et hautement efficaces parmi un pool de milliers, prouvant que cette stratégie axée sur le numérique peut guider le travail expérimental plus efficacement que les essais traditionnels par tâtonnement. L'étude conclut que cette approche offre un cadre évolutif et en libre accès (open-source) que d'autres scientifiques peuvent utiliser pour relever des défis similaires, accélérant potentiellement la découverte de médicaments pour d'autres maladies difficiles.
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.