Facilitating the identification of cryo-EM hit matter in drug discovery with Astex-Faro

Dans la quête de conception de nouveaux médicaments, les scientifiques commencent souvent par trouver de minuscules fragments chimiques qui se fixent à une protéine spécifique, un peu comme une clé trouvant la bonne serrure. Ces fragments sont généralement très petits et ne se lient que faiblement, ce qui les rend difficiles à repérer. Pour observer ces interactions, les chercheurs utilisent une technique d'imagerie puissante appelée cryo-microscopie électronique, qui gèle les protéines dans une fine couche de glace et prend des milliers de photos pour construire un modèle 3D. Cependant, lorsqu'un fragment ne se lie qu'à quelques molécules de protéines dans un échantillon, son signal se perd dans le bruit, apparaissant comme une tache floue et ténue plutôt que comme une forme claire. Cela rend difficile de déterminer si un candidat médicament a réellement fonctionné ou si l'image est le résultat d'une variation expérimentale.

Une équipe de chercheurs a développé une nouvelle méthode appelée Astex-Faro pour résoudre ce problème de détection de signaux faibles dans un champ encombré. Au lieu d'examiner une image de manière isolée, la méthode compare une nouvelle image à une vaste collection d'images de référence prises sur la même protéine lorsqu'elle n'a aucun médicament attaché. En analysant les différences entre la nouvelle image et l'ensemble du groupe de référence, le système peut identifier mathématiquement quelles parties de la structure sont réellement différentes. Cela permet au logiciel de mettre en évidence les minuscules et faibles points où un fragment de médicament pourrait se lier, même s'il n'est présent que dans une petite fraction des échantillons. Les chercheurs ont testé cette approche sur trois protéines différentes, dont une située à l'intérieur des membranes cellulaires, et ont constaté qu'elle pouvait détecter de manière fiable ces interactions faibles et les rendre plus claires à l'œil humain.

Le cœur de cette nouvelle approche repose sur un cadre statistique qui traite un groupe d'images de protéines comme une population unique et cohérente. Avant de chercher un médicament, les chercheurs établissent d'abord ce à quoi ressemble la protéine lorsqu'elle est vide, ou « apo », en rassemblant un ensemble de nombreuses reconstructions différentes de cette même protéine vide. Comme aucune deux images de microscope ne sont exactement identiques en raison des variations naturelles de l'expérience, l'équipe avait besoin d'un moyen de mesurer la cohérence de ces images entre elles. Ils ont introduit une nouvelle métrique, qu'ils appellent Cohérence de Coque de Fourier (Fourier Shell Coherence), pour vérifier si le groupe d'images s'accorde sur les détails de la structure jusqu'à un certain niveau de netteté. Cela garantit que les différences trouvées plus tard sont de réels changements dans la protéine et non simplement du bruit aléatoire ou des incohérences dans la façon dont les images ont été prises.

Une fois que l'équipe a établi cette base fiable de ce à quoi ressemble la protéine vide, elle a pu la tester contre une nouvelle image où un médicament pourrait être présent. Le logiciel calcule un score pour chaque minuscule point du modèle 3D, mesurant à quel point ce point dévie de la moyenne du groupe de la protéine vide. Si un point est significativement différent, il est signalé comme un site de liaison potentiel. Lors de tests sur une protéine appelée bêta-galactosidase, la méthode a réussi à mettre en évidence une molécule de médicament et a même montré comment les propres parties de la protéine se déplacent légèrement pour accueillir le nouvel invité. Les chercheurs ont également observé ces déplacements dans les chaînes latérales de la protéine, qui sont les petits bras qui aident à maintenir le médicament en place, confirmant que les changements étaient biologiquement significatifs et non de simples erreurs aléatoires.

La puissance de cette méthode devient encore plus évidente lorsqu'on traite des cibles difficiles, telles que les protéines enchâssées dans les membranes cellulaires. Ces structures sont naturellement plus complexes et variables, ce qui rend plus difficile la visualisation de petites molécules de médicaments. Lorsque l'équipe a appliqué sa méthode à une protéine membranaire appelée TRPML1, elle a été capable de trouver un médicament se liant profondément dans la membrane, une région qui est habituellement très bruitée et difficile à interpréter. Même si le signal du médicament était faible et fragmenté, l'analyse statistique l'a identifié comme un changement significatif par rapport à la protéine vide. La méthode a également révélé que la structure de la protéine se réorganisait autour du médicament, fournissant une image claire de la manière dont l'interaction fonctionne malgré l'environnement difficile.

L'aspect le plus précieux d'Astex-Faro est sa capacité à récupérer des signaux qui seraient normalement invisibles car trop faibles. Cela se produit lorsqu'un médicament ne se lie qu'à un petit pourcentage des protéines dans un échantillon, une situation connue sous le nom d'occupation partielle. Dans ces cas, la densité du médicament est diluée par les nombreuses protéines vides, ce qui la fait disparaître dans l'arrière-plan. Les chercheurs ont montré que leur méthode pouvait calculer un facteur de pondération spécifique pour supprimer mathématiquement le signal « vide » de l'image. Lorsqu'ils ont appliqué cette correction à un ensemble de données où le médicament n'était présent que dans une petite fraction des molécules, les lignes ténues et brisées du médicament sont soudainement devenues une forme continue et claire. Cette amélioration a été si efficace qu'elle a permis de voir la structure du médicament avec des niveaux de détail plus élevés que ce qui était possible avec les données originales non traitées.

Pour prouver que cette amélioration était réelle et non un artefact du logiciel, l'équipe a créé des ensembles de données artificiels en mélangeant des images générées par ordinateur de protéines vides avec des images de protéines liées à des médicaments selon des ratios connus. Ils ont constaté qu'à mesure qu'ils réduisaient la quantité de protéine liée au médicament, le signal s'affaiblissait, mais que la méthode pouvait toujours récupérer la forme du médicament jusqu'à un point où seulement 20 % à 30 % des molécules étaient liées. Même dans ces scénarios difficiles, le logiciel pouvait distinguer le médicament du bruit de fond et affiner l'image pour voir la connexion entre le médicament et la protéine. Cela suggère que la méthode est suffisamment robuste pour gérer la réalité désordonnée des expériences réelles, où la liaison du médicament est souvent incomplète et les images sont pleines de bruit.

Les chercheurs ont également comparé leur nouvel outil aux méthodes existantes qui tentent d'améliorer la clarté des images. Bien que d'autres techniques puissent lisser les images ou normaliser le contraste, elles n'ont pas la capacité d'identifier statistiquement quelles parties d'une image sont réellement différentes d'un groupe de référence. La nouvelle méthode se distingue car elle recherche spécifiquement des valeurs aberrantes — des parties de la structure qui ne correspondent pas au modèle de la protéine vide. Cette approche ciblée signifie qu'elle peut trouver un événement de liaison de médicament sans être distraite par le reste de la protéine, ce qui en fait un outil plus précis pour la découverte de médicaments. L'équipe a confirmé que ses résultats étaient cohérents à travers différents types de protéines et conditions expérimentales, des échantillons simples et uniformes aux protéines membranaires complexes à faible occupation de médicament.

En fin de compte, ce travail fournit un cadre pratique pour le criblage de grands nombres de candidats médicaments potentiels en utilisant la cryo-microscopie électronique. En facilitant la détection des événements de liaison faibles et partiels, la méthode réduit le risque de manquer un candidat médicament prometteur simplement parce que le signal était trop faible pour être vu. Elle augmente la confiance des scientifiques dans leurs découvertes, garantissant que lorsqu'ils identifient un résultat positif, il s'agit d'une interaction réelle et non d'une fausse alerte. Alors que le domaine de la découverte de médicaments évolue vers l'analyse de centaines de jeux de données pour trouver la prochaine génération de médicaments, des outils comme celui-ci seront essentiels pour transformer de vastes quantités de données brutes en informations claires et exploitables sur la manière dont les médicaments interagissent avec leurs cibles.