Scaffold-tuner: a property-directed compound editing tool for scaffold-preserving structural optimization

Dans le monde de la découverte de médicaments à enjeux élevés, les scientifiques sont souvent confrontés à un casse-tête qui ressemble à une tentative de régler une radio sur une fréquence spécifique sans changer de station. Ils possèdent une molécule prometteuse, une structure chimique qui montre un potentiel pour combattre une maladie, mais elle nécessite un ajustement précis. Pour qu'un médicament fonctionne mieux dans le corps humain, les chercheurs doivent ajuster des traits physiques spécifiques, tels que le nombre de liaisons hydrogène que la molécule peut former, le nombre de structures en forme d'anneau qu'elle contient ou le nombre de parties de celle-ci qui peuvent pivoter et tourner. Ces ajustements sont critiques car ils déterminent si un médicament peut être absorbé par le corps ou s'il passera simplement à travers. Cependant, effectuer ces changements est notoirement difficile. Si un scientifique tente de modifier une partie de la molécule pour améliorer son absorption, il risque souvent de briser accidentellement une autre partie, ruinant ainsi la capacité du médicament à se lier à sa cible. Le défi consiste à effectuer des éditions précises et contrôlées d'une structure chimique complexe sans démanteler son identité fondamentale.

Pour résoudre ce problème, un chercheur de l'Université de Shiga a développé un nouvel outil numérique appelé Scaffold-tuner. Considérez une molécule comme une maison avec des fondations solides et un toit unique ; les fondations sont la structure centrale qui définit le type de bâtiment, tandis que le toit et les murs peuvent être modifiés. En chimie, ce noyau immuable est appelé l'échafaudage (scaffold). L'objectif est de maintenir cet échafaudage intact tout en remplaçant les « murs » pour changer les propriétés de la maison. Les méthodes précédentes pour y parvenir étaient souvent comparables à un lancer de fléchettes dans l'obscurité : elles généraient des milliers de variations aléatoires, espérant tomber par hasard sur une version qui fonctionnerait, ou elles reposaient sur une intelligence artificielle complexe qui modifiait parfois la fondation en même temps que les murs, créant ainsi un bâtiment complètement différent. Ces approches étaient inefficaces et produisaient souvent des résultats trop différents du médicament original pour être utiles.

Le nouvel outil, Scaffold-tuner, adopte une approche différente, plus délibérée. Au lieu de deviner ou d'utiliser un algorithme de type « boîte noire », il utilise une bibliothèque organisée de fragments chimiques — de petites pièces de molécules pré-testées, connues pour accomplir des tâches spécifiques. Si un chercheur doit ajouter un donneur de liaison hydrogène, l'outil sélectionne un fragment conçu spécement pour cette tâche. S'il doit supprimer une liaison rotatable, il choisit un fragment qui verrouille la structure en place. En combinant ces fragments ciblés avec l'échafaudage central de la molécule originale, l'outil génère de nouveaux composés candidats qui garantissent la préservation du cœur de la structure originale tout en atteignant les changements physiques souhaités. C'est une méthode d'édition qui privilégie le contrôle et la prévisibilité plutôt que le volume pur.

Pour tester si cette méthode fonctionnait réellement, le chercheur l'a soumise à un essai rigoureux utilisant mille composés de type médicament provenant d'une base de données publique appelée ChEMBL. Ces composés servaient de point de départ, ou de « parents », pour l'expérience. L'outil devait effectuer huit types d'éditions différents, tels que l'ajout ou la suppression d'un donneur de liaison hydrogène, l'ajout ou la suppression d'un cycle aromatique, ou le changement du nombre de liaisons rotatables. À des fins de comparaison, les mêmes composés de départ ont été soumis à trois autres méthodes : un outil d'édition aléatoire simple, une méthode appelée CReM qui effectue des changements chimiquement raisonnables mais non guidés, et un système d'intelligence artificielle sophistiqué connu sous le nom de REINVENT4. Le but était de voir quelle méthode pouvait créer avec succès une nouvelle molécule répondant au changement spécifique demandé tout en restant fidèle à la structure originale.

Les résultats ont montré que Scaffold-tuner excellait dans la précision, particulièrement lorsque les chercheurs ne pouvaient examiner qu'un petit nombre d'options. Dans un scénario où seul le tout premier candidat généré par chaque méthode était considéré, Scaffold-tuner a réussi à créer le changement souhaité dans 42,3 % des cas. C'était nettement plus élevé que les autres méthodes, qui n'ont réussi que dans 13,9 %, 15,6 % et 17,1 % des cas, respectivement. Cette conclusion suggère que lorsqu'un scientifique a besoin d'une suggestion rapide et fiable pour faire progresser un projet, Scaffold-tuner est beaucoup plus susceptible de fournir une réponse utile immédiatement. Bien que l'outil d'intelligence artificielle ait fini par rattraper son retard et ait produit une plus grande variété de changements réussis lorsqu'on lui permettait de générer jusqu'à cent candidats, il l'a fait en effectuant des changements beaucoup plus importants et drastiques sur les molécules. Ces molécules générées par l'IA avaient souvent un aspect très différent de l'original, ce qui rendait plus difficile pour les scientifiques de comprendre comment les changements affectaient le comportement du médicament.

En revanche, les molécules produites par Scaffold-tuner restaient très similaires à leurs composés parents. En moyenne, les candidats réussis conservaient environ 75 % de la structure de l'échafaudage central d'origine, et leur similitude globale avec la molécule de départ était élevée. C'est un avantage crucial car, dans le développement de médicaments, les scientifiques doivent savoir exactement quel changement a provoqué un changement d'activité. Si la structure est trop différente, il devient impossible de déterminer si la nouvelle propriété provient de la modification prévue ou d'un tout nouvel arrangement d'atomes. L'étude a révélé que Scaffold-tuner était particulièrement efficace pour ajouter des cycles aromatiques, une tâche où les autres méthodes ont échoué ou ont presque totalement échoué. Il a également réussi à augmenter ou diminuer le nombre de liaisons rotatables avec un taux de réussite qui, bien que non parfait, était constant et fiable.

Cependant, l'outil n'est pas exempt de limites. L'étude a noté que le succès des éditions dépendait fortement du type de changement demandé. Par exemple, alors que l'outil était excellent pour ajouter des cycles, il peinait à les supprimer, atteignant un taux de réussite de zéro pour cette tâche spécifique. De même, augmenter le nombre de liaisons rotatables était difficile, avec un taux de réussite de seulement 15,2 %. Cela indique que l'outil n'est pas une solution universelle, mais plutôt un instrument spécialisé qui fonctionne mieux pour certains types d'ajustements structurels. Les chercheurs ont également observé que, bien qu'ils puissent modifier avec succès une propriété, il était souvent difficile de le faire sans altérer accidentellement d'autres propriétés en même temps. Par exemple, changer le nombre de liaisons rotatables entraînait souvent des changements involontaires dans d'autres parties de la molécule, un défi qui reste difficile à surmonter totalement pour n'importe quel outil d'édition.

Malgré ces contraintes, l'étude conclut que Scaffold-tuner offre un nouveau cadre précieux pour traduire des objectifs chimiques abstraits en structures moléculaires concrètes. Il comble le fossé entre les modèles théoriques, qui prédisent comment un médicament devrait se comporter, et la réalité pratique de la construction de ce médicament. En fournissant un moyen d'effectuer des changements spécifiques et interprétables tout en préservant l'identité centrale de la molécule, il permet aux chercheurs d'explorer la relation entre structure et fonction avec une plus grande clarté. L'outil ne remplace pas le besoin de méthodes plus larges et exploratoires, mais il occupe une niche spécifique où la précision et la rapidité sont primordiales. Pour les scientifiques cherchant à affiner un composé chef de file (lead compound), il offre un moyen d'obtenir rapidement un petit nombre d'options hautement pertinentes, plutôt que de passer au crible des milliers de variations aléatoires. Le code source de l'outil est désormais disponible pour que d'autres puissent l'utiliser et l'améliorer, suggérant que cette approche dirigée par les propriétés pourrait devenir un standard du kit d'outils de découverte de médicaments, aidant à transformer l'art complexe de l'édition moléculaire en une science plus prévisible et efficace.