SynNat-BERT: An interpretable dual-modal BERT framework for blood–brain barrier permeability prediction and novel scaffold discovery

Le cerveau humain est protégé par un gardien redoutable connu sous le nom de barrière hémato-encéphalique. Ce mur mince et sélectif tapisse les vaisseaux sanguins du cerveau et agit comme un filtre strict, ne laissant passer que des substances spécifiques du flux sanguin vers le tissu cérébral, tout en bloquant tout le reste. Bien que cette défense soit vitale pour protéger le cerveau des toxines et des infections, elle représente également un obstacle massif pour la médecine. Environ quatre-vingt-dix-huit pour cent des candidats médicaments potentiels ne peuvent pas franchir cette barrière, ce qui les rend inutiles pour traiter des pathologies comme Alzheimer, Parkinson ou les tumeurs cérébrales, quelle que soit leur efficacité dans un tube à essai. Pendant des décennies, les scientifiques ont lutté pour prédire quelles molécules peuvent se faufiler à travers cette porte et lesquelles seront arrêtées à l'entrée. Les méthodes traditionnelles reposent sur des tests de substances chimiques dans des cellules vivantes ou des animaux, un processus lent, coûteux et qui échoue souvent à couvrir la vaste diversité des structures chimiques existant dans la nature.

Une équipe de chercheurs a désormais développé un nouvel outil informatique conçu pour résoudre ce problème de prédiction avec plus de rapidité et de clarté. Ils ont créé un système appelé SynNat-BERT, qui fonctionne comme un modèle de langage sophistiqué pour la chimie. Au lieu d'apprendre à partir d'un petit ensemble de médicaments connus, ce système a été entraîné sur une bibliothèque massive de 1,7 million de molécules, puisant à la fois dans des produits chimiques synthétiques créés en laboratoire et dans des produits naturels trouvés dans les plantes et les champignons. Le système apprend la « grammaire » des molécules en les décomposant en morceaux de sous-structures significatifs plutôt qu'en simples atomes individuels, ce qui lui permet de comprendre comment différentes parties chimiques s'assemblent. Crucialement, les chercheurs ont combiné cette compréhension structurelle avec sept propriétés physiques spécifiques des molécules, telles que leur taille, leur interaction avec l'eau et leur capacité à former des liaisons. En fusionnant ces deux types d'informations, le système peut non seulement prédire si une molécule franchira la barrière hémato-encéphalique, mais aussi expliquer exactement quelles parties de la molécule sont responsables de cette capacité.

Les chercheurs ont testé ce nouveau cadre en demandant au système de passer au crible leur bibliothèque de produits naturels pour débusquer des joyaux cachés : des molécules capables de pénétrer le cerveau mais qui n'avaient jamais été identifiées comme telles auparavant. Le système a réussi à classer des milliers de candidats, en privilégiant ceux possédant les bonnes caractéristiques physiques pour franchir la barillère. Pour vérifier si ces prédictions informatiques étaient réelles, l'équipe a sélectionné cinq composés alcaloïdes distincts, une classe de substances chimiques naturelles, et les a testés en laboratoire en utilisant des cellules cérébrales humaines cultivées en boîte. Les résultats ont été frappants : trois des cinq candidats ont réussi à franchir la barrière cellulaire, l'un d'eux performant même mieux qu'un médicament standard utilisé comme témoin positif. Cela a confirmé que le modèle informatique avait correctement identifié de nouvelles structures perméables qui avaient été précédemment négligées.

Au-delà de la simple découverte de nouveaux candidats, l'étude a révélé pourquoi ces molécules fonctionnaient. L'analyse interne du système a désigné une caractéristique structurelle spécifique : une structure cyclique hydrogénée et flexible connue sous le nom de squelette de berbine. Lorsque les chercheurs ont comparé cette forme flexible à une version aromatique rigide de la même structure, ils ont constaté que la version rigide ne parvenait pas à franchir la barrière. Cette distinction a été confirmée par des simulations informatiques détaillées modélisant le mouvement des molécules à travers une membrane lipidique, montrant que la forme flexible permettait à la molécule de diffuser plus facilement. L'étude soutient explicitement l'idée que les structures plates et rigides ne sont pas toujours les meilleures pour la pénétration cérébrale, démontrant au contraire que la flexibilité joue un rôle critique.

Ce travail a également remis en question les limites des modèles d'intelligence artificielle précédents dans ce domaine. De nombreux systèmes antérieurs reposaient sur des ensembles de données massifs contenant des centaines de millions de molécules, mais les traitaient souvent comme de simples chaînes de caractères, manquant ainsi le contexte chimique profond. Les chercheurs ont découvert que leur ensemble de données plus restreint et plus ciblé de 1,7 million de molécules, associé à leur approche axée sur les sous-structures, était en réalité plus performant que ces modèles plus vastes et moins interprétables. Ils ont démontré que l'ajout de descripteurs physiques spécifiques et compréhensibles au modèle était essentiel ; le retrait de ces descripteurs entraînait une chute significative de la précision des prédictions. Cela suggère que pour des tâches complexes comme la prédiction de la perméabilité cérébrale, un modèle qui comprend à la fois la forme de la molécule et son comportement physique est supérieur à un modèle qui ne voit que les données brutes.

En fin de compte, cette recherche offre une voie concrète pour la découverte de médicaments. En combinant une compréhension profonde de la structure moléculaire avec des règles physiques claires, le cadre SynNat-BERT peut passer au crible de vastes bibliothèques de produits naturels pour trouver de nouvelles pistes de traitement pour les maladies cérébrales. L'étude n'a pas seulement prédit un résultat ; elle a fourni un mécanisme vérifié, démontrant par des expériences de laboratoire et des simulations informatiques que des structures flexibles spécifiques sont la clé pour franchir la barrière hémato-encéphalique. Cette approche offre un moyen fiable d'identifier des candidats médicaments prometteurs qui étaient auparavant cachés à la vue de tous, offrant ainsi un nouvel outil aux scientifiques pour concevoir des médicaments capables de finalement atteindre le cerveau.