Computational Design and Evaluation of De Novo Protein Minibinders Targeting Specific Sites of STAT3

Au cœur de la machinerie microscopique d'une cellule vivante, une protéine appelée STAT3 agit comme un interrupteur maître, activant les gènes qui ordonnent aux cellules de croître et de se diviser. Dans un corps sain, cet interrupteur est étroitement régulé, mais dans de nombreux types de cancer, il reste bloqué sur la position « marche », entraînant une croissance incontrôlée et la propagation de tumeurs. Les scientifiques tentent depuis longtemps de concevoir des médicaments pour éteindre cet interrupteur, mais l'approche habituelle — utiliser de petites molécules chimiques pour bloquer le mécanisme — a échoué de manière répétée lors d'essais cliniques. La surface de la protéine STAT3 est souvent trop plate ou trop similaire à d'autres protéines pour que ces petites molécules puissent s'y agripper avec suffisamment de précision. Cela a poussé les chercheurs à chercher un type d'outil différent, plus grand et plus spécifique, capable de se fixer sur la protéine avec la certitude d'une clé s'insérant dans une serrure.

Une équipe de chercheurs s'est maintenant tournée vers l'intelligence artificielle pour concevoir ces nouveaux outils à partir de zéro. Au lieu d'emprunter à la bibliothèque existante de protéines de la nature, ils ont utilisé un programme informatique pour inventer des structures protéiques entièrement nouvelles et minuscules, conçues pour se lier à des points spécifiques de la surface de STAT3. L'objectif était de créer des « minibinders » (mini-liants) — de petits fragments de protéines stables qui pourraient se fixer à STAT3 et potentiellement stopper son travail nocif. En ciblant différentes régions de la protéine, y compris des zones difficiles d'accès pour les médicaments traditionnels, l'équipe espérait générer un nouvel ensemble de candidats qui pourraient être testés en laboratoire pour voir s'ils peuvent bloquer efficacement la protéine motrice du cancer.

Les chercheurs ont commencé par identifier sept « points chauds » spécifiques sur la protéine STAT3, qui sont de petits amas d'acides aminés situés sur différentes parties de la molécule. Ces points ont été choisis car ils sont accessibles et jouent des rôères importants dans le fonctionnement de la protéine, comme aider à l'adhérence aux récepteurs cellulaires ou à la liaison avec l'ADN. À l'aide d'un outil de conception par IA moderne appelé BindCraft, l'équipe a généré des milliers de séquences protéiques potentielles, chacune étant une tentative unique d'envelopper l'un de ces points chauds. Le programme informatique a agi comme un architecte virtuel, esquissant des formes qui s'adapteraient théoriquement à la cible, tout en filtrant les conceptions qui semblaient instables ou peu susceptibles de se lier. À partir d'un groupe initial de 139 conceptions ayant passé les premières vérifications informatiques, l'équipe a réduit son champ d'action aux candidats les plus prometteurs.

Pour s'assurer que ces conceptions numériques fonctionneraient réellement dans le monde réel, les chercheurs les ont soumises à une seconde évaluation rigoureuse à l'aide d'un système d'IA plus avancé connu sous le nom d'AlphaFold3. Ce système est particulièrement performant pour prédire comment les protéines se replient en formes tridimensionnelles et comment elles interagissent entre elles. L'équipe a recherché les conceptions montrant un haut degré de confiance dans leur capacité à s'amarrer à la protéine STAT3. Onze conceptions sont apparues comme les meilleures candidates, toutes étant prédites comme se liant étroitement à leurs cibles respectives. Ces onze minibinders ont été conçus pour se fixer à cinq des sept points chauds originaux, couvrant des régions de leurs domaines coiled-coil, SH2 et de liaison à l'ADN. Les simulations ont suggéré que ces minuscules protéines se positionneraient fermement sur la surface de STAT3, recouvrant souvent les acides aminés spécifiques que les chercheurs visaient.

Au-delà de la simple fixation à la protéine, les chercheurs ont examiné si ces nouveaux liants étaient de véritables créations inédites. Ils ont passé les séquences des onze meilleurs liants dans une base de données massive de toutes les protéines connues pour voir si l'une d'entre elles ressemblait à quelque chose qui existe déjà dans la nature. Les résultats ont été frappants : six des liants n'avaient aucune correspondance dans la base de données, ce qui signifie qu'ils étaient des séquences entièrement nouvelles, jamais vues auparavant dans aucun organisme vivant. Les cinq autres liants ne présentaient que des similitudes très faibles ou insignifiantes avec des protéines bactériennes obscures, confirmant que les conceptions n'étaient pas des copies accidentelles de composants biologiques existants. Cela suggère que l'IA a réussi à inventer des formes moléculaires uniques plutôt que de simplement réorganiser des éléments connus.

L'étude a également révélé que certains de ces minibinders pourraient potentiellement travailler ensemble. Comme les liants se fixent à des zones différentes et non chevauchantes de la protéine STAT3, il est possible d'en utiliser deux simultanément pour prendre la cible en sandwich. Par exemple, les simulations ont montré qu'un liant conçu pour une région pourrait se placer confortablement aux côtés d'un autre liant conçu pour une région différente, sans s'entrechoquer. Cela ouvre la porte à une nouvelle stratégie où deux petites protéines pourraient clamper (serrer) STAT3 simultanément, rendant potentiellement plus difficile pour la cellule cancéreuse de contourner le blocage. Bien que les chercheurs soulignent que ces résultats reposent actuellement sur des simulations informatiques et n'ont pas encore été testés en laboratoire, les scores de confiance élevés des modèles d'IA fournissent une base solide pour l'étape suivante.

Ce travail représente une avancée significative dans l'utilisation de l'intelligence artificielle pour s'attaquer à des cibles thérapeutiques difficiles. En réussissant à concevoir des protéines prédites pour se lier à des points spécifiques et complexes d'une protéine liée au cancer, l'équipe a fourni à la communauté scientifique une liste concrète de candidats pour des tests expérimentaux. Les onze séquences décrites dans l'article sont désormais disponibles pour que d'autres scientifiques puissent les synthétiser et les étudier en laboratoire. Si ces prédictions numériques se confirment lors d'expériences physiques, elles pourraient offrir une nouvelle voie pour traiter les cancers pilotés par STAT3, dépassant les limites des médicaments chimiques classiques pour entrer dans une nouvelle ère de la thérapeutique protéique de précision.