Automated dataset integrating structural and bioactivity data for structure-based drug discovery

Imaginez que vous essayez d'apprendre à un robot comment concevoir une nouvelle clé qui s'insère parfaitement dans une serrure spécifique. Dans le monde de la médecine, les « serrures » sont des protéines à l'intérieur de nos corps qui causent des maladies, et les « clés » sont de minuscules molécules médicamenteuses. Pendant des décennies, les scientifiques ont essayé de construire un robot super intelligent (en utilisant l'apprentissage automatique) capable de prédire exactement si une clé s'insérera bien dans une serrure simplement en regardant leurs formes. Mais il y a un énorme problème : le robot a faim de données, et les données dont il a besoin sont éparpillées partout. Certains scientifiques possèdent la forme de la serrure, d'autres possèdent les mesures de la manière dont une clé tourne, mais elles ne se trouvent que rarement au même endroit. C'est comme essayer d'apprendre à un chef à cuisiner un repas parfait quand la recette est dans un livre, la photo des ingrédients dans un autre, et les résultats du test de goût dans un troisième. Sans une bibliothèque massive et organisée qui relie la forme de la serrure à la force exacte de la prise de la clé, le robot ne peut pas apprendre efficacement.

C'est là que commence l'histoire de DockTData. Une équipe de chercheurs du Laboratoire National de Calcul Scientifique du Brésil a décidé de construire cette bibliothèque manquante. Ils n'ont pas seulement rassemblé quelques recettes ; ils ont construit une usine automatisée qui parcourt Internet pour trouver chaque information disponible sur les serrures protéiques et les clés médicamenteuses, les assemble et les organise en un seul, gigantesque jeu de données. Considérez cela comme un service de « matchmaking » numérique massif. Il prend les plans 3D des protéines de la Protein Data Bank (PDB) et les lie aux résultats des tests du monde réel provenant de bases de données comme BindingDB et ChEMBL. Le résultat est un trésor de plus de 24 719 complexes protéine-ligand uniques. Ce n'est pas seulement une liste de chiffres ; c'est une collection où chaque molécule médicamenteuse est directement liée à sa structure 3D et à sa force mesurée (la force de son adhérence), standardisée pour qu'un ordinateur puisse tout lire d'un coup. En rendant ces données ouvertes et gratuites pour tous, les auteurs espèrent donner à la prochaine génération de robots de découverte de médicaments le carburant nécessaire pour apprendre plus vite et plus intelligemment, menant potentiellement à de nouveaux médicaments pour des maladies qui n'ont actuellement aucun remède.

La mission centrale du papier : Construire l'ultime bibliothèque de conception de médicaments

Le papier présente DockTData, un nouveau jeu de données disponible librement, conçu pour booster la « découverte de médicaments basée sur la structure ». En termes simples, il s'agit du processus de conception de médicaments en observant la forme 3D de la protéine cible et en déterminant quelles molécules s'y inséreront le mieux. Les auteurs ont créé ce jeu de données en construisant un pipeline automatisé qui agit comme un bibliothécaire super efficace. Ce bibliothécaire part vers trois sources massives — la Protein Data Bank (PDB), qui détient les structures 3D des protéines ; BindingDB ; et ChEMBL, qui détiennent les mesures de la façon dont les médicaments se lient aux protéines — et rassemble tout.

La magie de DockTData réside dans sa capacité à relier les points. Avant cela, un scientifique pouvait avoir l'image d'une protéine avec un médicament coincé dedans, mais il ne savait pas exactement quelle était la force de cette liaison, ou il pouvait trouver la mesure de force dans une base de données différente sans l'image. DockTData résout cela en liant les 24 719 complexes protéine-ligand (les « serrures » avec leurs « clés ») directement à 45 331 mesures de bioactivité. Ces mesures incluent des valeurs telles que Kd, Ki, IC50 et EC50, qui sont toutes des façons de dire « à quel point ce médicament colle ? ». Les auteurs ont standardisé toutes ces valeurs en nanomolaire (nM), afin qu'elles puissent être comparées équitablement.

Comment ils ont fait : La machine de matchmaking automatisée

Les chercheurs n'ont pas simplement fait du copier-coller ; ils ont construit un système sophistiqué pour garantir que les correspondances soient parfaites. Ils ont utilisé quelques astuces ingénieuses pour s'assurer que les données soient propres et fiables :

• La correspondance des protéines : Ils ont utilisé un outil appelé MMseqs2 pour comparer les séquences de protéines. Ils ont établi une règle stipulant qu'une protéine issue d'un test de médicament doit être au moins 85 % identique à la protéine de la structure 3D pour compter comme une correspondance. C'est comme dire : « Si la serrure ressemble à 85 % à celle de la photo, nous supposerons qu'il s'agit de la même serrure ». Ce seuil a été choisi pour inclure des variations utiles (comme des versions légèrement différentes de la même protéine) sans inclure des protéines totalement différentes.
• La correspondance des médicaments : Pour les molécules médicamenteuses, ils ont utilisé ce qu'on appelle un InChIKey. Voyez cela comme un code-barres unique de 27 caractères pour chaque structure chimique. En recalculant ces codes-barres à l'aide d'un outil standard (RDKit) pour chaque entrée, ils se sont assurés que le même médicament n'était pas listé deux fois sous des noms différents ou avec de petites différences déroutantes.
• La règle « Une clé, une serrure » : Ils ont été très stricts sur l'appariement. Si une structure de protéine présentait deux médicaments différents attachés en même temps, ils l'excluaient. Ils n'ont conservé que les complexes où il y avait exactement une molécule de médicament associée à une structure protéique. Cela évite la confusion lors de l'entraînement des modèles informatiques.

Que contient la boîte ?

Le jeu de données résultant est une collection massive d'informations, organisée en tableaux faciles à utiliser. Voici ce que vous obtenez :

• 24 719 complexes protéine-ligand uniques.
• 11 742 molécules médicamenteuses (ligands) distinctes.
• 17 732 structures protéiques uniques issues de la PDB.
• 2 163 cibles protéiques différentes (les « serrures »).
• Un mélange de petites molécules (le type de médicament classique, constituant 24 378 des entrées), de peptides (271 entrées) et même de certains oligosaccharides (70 entrées).

Les auteurs notent que leur collection de petites molécules est 46 % plus grande que la partie dédiée aux petites molécules de la version 2020 du célèbre ensemble général PDBbind, qui comptait 16 744 entrées. Cela signifie que DockTData offre un terrain de jeu nettement plus vaste pour les scientifiques testant leurs idées.

Pourquoi cela importe : Plus que de simples chiffres

Le papier souligne que la qualité et la taille des données d'entraînement sont les plus grands goulots d'étranglement pour l'apprentissage automatique dans la découverte de médicaments. Si vous entraînez un robot sur un petit jeu de données désordonné, il prendra de mauvaises habitudes. DockTData offre un jeu de données plus « propre », plus grand et plus transparent. Parce que les auteurs ont suivi précisément la provenance de chaque donnée, les scientifiques peuvent remonter n'importe quel chiffre à sa source originale, vérifier les erreurs et comprendre le contexte.

Le jeu de données comprend une grande variété de types de mesures : 58,8 % sont des valeurs IC50, 20,3 % sont des Ki, 11,3 % sont des Kd, et 9,7 % sont des EC50. Cette diversité est importante car différents types de mesures racontent légèrement différentes histoires sur le fonctionnement d'un médicament. En ayant tout au même endroit, standardisé en unités nanomolaires, les chercheurs peuvent choisir le type de données spécifique qui convient à leurs besoins.

Les zones d'exclusion : Ce que le papier écarte

Il est important de noter ce que DockTData n'est pas. Les auteurs déclarent explicitement qu'ils n'incluent pas les structures qui n'ont été que prédites par ordinateur (comme celles d'AlphaFold) sans preuve expérimentale. Ils n'ont inclus que les structures qui ont été réellement résolues en laboratoire par rayons X, RMN ou cryo-microscopie électronique. Cela signifie que le jeu de données est strictement ancré dans la réalité expérimentale, et non dans des simulations informatiques.

De plus, le papier écarte les appariements ambigus. Si une structure de protéine possédait plusieurs médicaments différents attachés, ou si le lien entre la séquence de la protéine et la mesure du médicament était trop faible (inférieur au seuil d'identité de 85 %), cette donnée était rejetée. Les auteurs soutiennent que cette rigueur est nécessaire pour éviter le « bruit » qui pourrait confondre les modèles d'apprentissage automatique. Ils notent également que, bien qu'ils disposent de beaucoup de données, ils ne prétendent pas avoir résolu le problème de la découverte de médicaments. Au lieu de cela, ils fournissent une meilleure fondation — une « ressource transparente, réutilisable et en expansion continue » — sur laquelle d'autres peuvent bâtir.

La conclusion finale

DockTData est un cadeau pour la communauté scientifique. C'est une bibliothèque massive, organisée et gratuite qui connecte les formes 3D des protéines à la force réelle des interactions médicamenteuses. En automatisant le processus de collecte et de nettoyage de ces données, les auteurs ont créé une ressource plus grande et plus diversifiée que de nombreuses collections précédentes. Ils ont rendu possible pour les chercheurs d'entraîner des modèles d'IA plus intelligents, de tester de nouvelles théories sur la façon dont les médicaments se lient aux protéines, et finalement, d'accélérer la découverte de nouveaux médicaments. Le jeu de données est disponible sous une licence Creative Commons Attribution 4.0 International, ce qui signifie que quiconque peut l'utiliser, le partager et l'exploiter, à condition de citer la source. C'est une étape claire vers la transformation du monde chaotique des données de découverte de médicaments en un langage structuré et apprenable pour les machines.