Integrated Machine Learning and Structure-Based Computational Prioritization of KIF11 Inhibitor Candidates for CNS-Oriented Drug Discovery
Cette étude présente un flux de travail computationnel intégré, combinant l'apprentissage automatique et la modélisation basée sur la structure, qui a permis de prioriser avec succès cinq candidats inhibiteurs de KIF11 structurellement diversifiés présentant une forte puissance prédite et une perméabilité de la barrière hémato-encéphalique pour une utilisation dans la découverte de médicaments oncologiques orientés vers le SNC.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Le cancer est une maladie de croissance incontrôlée, où les cellules se divisent sans s'arrêter. Pour stopper ce processus effréné, les scientifiques cherchent souvent des moyens de perturber la machinerie qui permet aux cellules de se diviser en deux. Une pièce critique de cette machinerie est une protéine appelée KIF11, qui agit comme un moteur moléculaire pour organiser l'échafaudage interne nécessaire à la division cellulaire. Lorsqu'on bloque cette protéine, la cellule ne peut plus se diviser correctement et finit par mourir. Cela fait de KIF11 une cible prometteuse pour de nouveaux médicaments anticancéreux. Cependant, traiter les cancers qui prennent naissance dans le cerveau, comme le glioblastome, présente un défi unique. Le cerveau est protégé par une barrière biologique qui maintient la plupart des substances à l'extérieur, ce qui signifie qu'un médicament doit être spécifiquement conçu pour franchir ce mur afin d'atteindre la tumeur. Trouver une molécule qui soit à la fois assez puissante pour arrêter le cancer et assez petite pour pénétrer dans le cerveau est un équilibre difficile à trouver pour les chercheurs.
Dans une étude récente, une équipe de scientifiques de l'Inde a développé une nouvelle stratégie informatique pour trouver des médicaments potentiels capables de résoudre ce problème. Au lieu de tester des milliers de produits chimiques un par un en laboratoire, ce qui est lent et coûteux, ils ont utilisé des programmes informatiques avancés pour simuler la façon dont différentes molécules pourraient interagir avec la protéine KIF11. Les chercheurs ont commencé par rassembler une vaste collection de données existantes sur la façon dont diverses substances chimiques affectent KIF11, en nettoyant les informations pour garantir qu'elles soient précises et cohérentes. Ils ont ensuite appris à un système informatique à reconnaître des motifs dans les formes et les propriétés chimiques de ces molécules, permettant au système de prédire quels nouveaux produits chimiques non testés pourraient être des inhibiteurs efficaces. Pour s'assurer que leurs prédictions étaient fiables, ils ont utilisé une méthode rigoureuse où l'ordinateur apprenait à partir d'un groupe de substances chimiques et était testé sur un groupe complètement distinct qu'il n'avait jamais vu auparavant, empêchant ainsi le système de simplement mémoriser les réponses.
Le modèle informatique a identifié avec succès plusieurs candidats prometteurs, mais les chercheurs ne se sont pas arrêtés là. Ils voulaient savoir si ces molécules pouvaient réellement s'insérer dans la poche spécifique de la protéine KIF11 où elles doivent se lier pour accomplir leur travail. En utilisant une technique appelée docking moléculaire, ils ont simulé l'interaction physique entre les meilleurs candidats et la structure de la protéine. Ce processus revient à essayer de faire entrer une clé dans une serrure pour voir si la forme correspond, mais entièrement réalisé dans un ordinateur. Les simulations ont montré que les molécules sélectionnées pouvaient effectivement se loger au bon endroit sur la protéine. L'équipe a également effectué des vérifications pour voir si ces molécules seraient capables de traverser la barrière hémato-encéphalique et d'atteindre le cerveau, ainsi que si elles seraient sûres pour l'organisme. Ils ont constaté que les meilleurs candidats avaient une probabilité très élevée de pénétrer dans le cerveau, ce qui est une exigence cruciale pour traiter les tumeurs cérébrales.
Parmi les molécules identifiées, l'une d'entre elles s'est distinguée comme étant la plus prometteuse. Ce composé, connu sous le code CHEMBL392148, a été prédit comme étant hautement efficace pour arrêter la protéine KIF11 et possédait une excellente chance de traverser dans le cerveau. Les chercheurs ont également examiné de près la structure chimique de cette molécule et des autres pour s'assurer qu'elles ne contenaient pas de parties connues pour être toxiques ou instables. Bien qu'un des candidats ait présenté un léger signal d'alarme concernant une caractéristique chimique spécifique, le premier choix semblait propre et sûr selon les modèles informatiques. L'étude a également mis en évidence une préoccupation potentielle de sécurité : les cinq meilleurs candidats présentaient tous un signal indiquant qu'ils pourraient affecter le système électrique du cœur, un risque qui devra être testé dans un véritable laboratoire avant toute utilisation humaine.
Les chercheurs soulignent que ces résultats sont un point de départ, et non un produit fini. Les molécules qu'ils ont identifiées ne sont encore que des prédictions informatiques. La prochaine étape consisterait à synthétiser ces substances chimiques en laboratoire et à les tester sur des protéines et des cellules réelles pour voir si elles se comportent comme l'ordinateur l'a prédit. L'étude offre une voie claire et rationnelle, proposant une liste restreinte de structures chimiques spécifiques qui méritent d'être étudiées plus en détail. En combinant l'apprentissage automatique et une analyse structurelle détaillée, l'équipe a réduit la recherche d'un nouveau médicament contre le cancer du cerveau à une poignée de candidats de haute qualité, économisant ainsi du temps et des ressources tout en concentrant les efforts sur les solutions les plus probables.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.