Un flux de travail computationnel bilingue pour identifier les inhibiteurs potentiels de PLK1 en langue des signes américaine et en anglais

Résumé

Ce protocole bilingue fournit un flux de travail computationnel de découverte de médicaments évaluant les interactions protéine-ligand des kinases de type Polo 1 à 3 (PLK1–3) et des propriétés d’absorption, distribution, métabolisme, excrétion, toxicité et stabilité (ADMET-S) des molécules naturelles issues de bases de données.

Résumé

La kinase de type polo 1 (PLK1) joue un rôle essentiel dans les phases S, G2 et M du cycle cellulaire, et sa surexpression est fréquemment observée dans plusieurs cancers, y compris le cancer du sein, où elle contribue à l’instabilité génomique et à une apoptose dérégulée. Contrairement aux inhibiteurs ATP-compétitifs conventionnels qui ciblent le domaine kinase, l’inhibition sélective du domaine polo-box (PBD) de PLK1 offre une stratégie prometteuse pour perturber les interactions protéine-ligand essentielles à la progression mitotique, déclenchant ainsi l’apoptose dans les cellules cancéreuses. Cependant, la forte similarité structurelle entre PLK1 et ses homologues (PLK2 et PLK3), qui sont respectivement essentiels à la fonction neurologique et à la réponse au stress, nécessite une sélectivité exceptionnelle pour éviter des effets hors cible. Pour relever ce défi, le protocole implique un flux de travail computationnel bilingue (American Sign Language et English) qui intègre le dépistage virtuel, le clustering structurel, l’amarrage protéine-ligand, la prédiction d’affinité de liaison, le profilage ADMET-S et l’analyse de stabilité de la mécanique quantique (QM). À partir de la base de données SuperNatural 3.0 sur les produits naturels, les composés ont été filtrés selon des critères de pertinence pour le cancer du sein et de similarité avec un médicament, regroupés pour assurer la diversité chimique, et évalués leurs interactions avec les structures PLK1-, PLK2- et PLK3-PBD. Bien que les évaluations ADMET-S en silice et virtuelles ne puissent pas confirmer de manière définitive la sélectivité ou le mécanisme d’action, cette étude génère des hypothèses testables et priorise un ensemble ciblé de candidats dérivés de produits naturels pour de futures simulations de dynamique moléculaire, la validation biochimique ou le dépistage expérimental.

Introduction

Les kinases de type polo (PLK) sont une famille de kinases protéiques structurellement composées d’un domaine N-terminal et d’un C-terminal composé d’un ou deux domaines polo-box (PBD)^1,2.  Le nombre et la diversité fonctionnelle de ces domaines de boîtes à polo varient selon les membres de la famille PLK. PLK1 est impliqué dans les phases S, G2 et M de la division cellulaire. Dans le cycle cellulaire, PLK1 agit comme un point de contrôle des dommages à l’ADN en phase S et comme régulateur de la condensation chromosomique et de la maturation du centrosome en phase G2. PLK1 favorise également l’entrée mitotique dans la phase M, suivie de l’assemblage du fuseau, de l’entrée anaphasique et de la cytokinèse ^3,4. La surexpression de PLK1 entraîne une instabilité génétique due à une formation anormale de centrosomes, entraînant des cycles cellulaires dysfonctionnels qui empêchent les cellules de réguler l’apoptose.  Une telle surexpression est observée dans les cancers du poumon, de la tête et du cou, de l’œsophage, du gastrique, du colorectal et du^{sein 4}. Ainsi, l’inhibition de PLK1 par des agents ciblant le PBD pourrait déclencher une apoptose ^5,6. Ce flux de travail vise à atteindre une grande sélectivité pour éviter d’inhiber PLK2 et PLK3, qui sont essentiels à la fonction neurologique et à la gestion du stress^{génotoxique 3}.

PLK2 agit comme un suppresseur tumoral dans certains contextes, régulant la transition G1/S et favorisant la dégradation de la cycline E afin de prévenir une prolifération cellulaire incontrôlée. PLK3 joue un rôle complexe à la fois dans la régulation du cycle cellulaire et dans la réponse au stress génotoxique, contribuant au maintien de l’intégrité du génome grâce à son implication dans l’activation des points de contrôle des dommages à l’ADN et l’induction^{de l’apoptose.} Il est important de noter que, bien que l’inhibition de PLK1 soit apparue comme une stratégie thérapeutique prometteuse pour le traitement du cancer, les rôles essentiels de PLK2 et PLK3 dans le fonctionnement neurologique et la réponse au stress nécessitent le développement d’inhibiteurs hautement sélectifs pour minimiser les effets hors cible sur ces kinases^{cruciales 3}. Ce contexte biologique et les similitudes structurelles supérieures à 38 ^%3 soulignent l’importance d’identifier les composés qui ciblent spécifiquement le domaine polo-box (PBD) de PLK1 sans interférer avec les fonctions protectrices de PLK2 et PLK3 en physiologie cellulaire normale.

Les inhibiteurs connus de la kinase de type polo (PLK), en particulier ceux ciblant PLK1, ont été largement étudiés en raison de leurs applications thérapeutiques potentielles dans le traitement du cancer. Plusieurs composés, dont BI 2536, volasertib (BI 6727), onvansertib (NMS-1286937) et GSK461364, ont été développés et mis en place dans des essais cliniques, souvent sous forme d’inhibiteurs ATP-compétitifs ^8,9,10. D’autres types d’inhibiteurs ciblent la DBP, notamment la thymoquinone (TQ)^11,12, la poloxine^13,14 et l’allopole-A¹⁵. Bien que cela semble prometteur, il n’existe actuellement aucun inhibiteur spécifique à la PBD approuvé ni essais cliniques en phase avancée en raison de défis, notamment des propriétés ADMET-S sous-optimales et des effets hors cible⁶. Par exemple, plusieurs inhibiteurs de PLK1-PBD seraient des alkylateurs protéiques^{non spécifiques 16}, limitant leur applicabilité clinique. Par conséquent, améliorer la sélectivité et les profils ADMET-S des inhibiteurs potentiels de PLK1-PBD reste un objectif crucial dans la découverte de médicaments.

L’objectif de cette étude est d’explorer des inhibiteurs potentiels de PLK1-PBD avec des propriétés ADMET-S en utilisant le dépistage virtuel, le filtrage par similarité structurelle, le docking, les calculs d’énergie de liaison et l’évaluation ADMET-S. PLK2 et PLK3 ont été soumis aux mêmes protocoles pour évaluer la sélectivité potentielle. Bien que de nombreux pipelines informatiques existent pour la découverte d’inhibiteurs de kinases, peu intègrent un criblage de sélectivité concurrent entre les PBD PLK1–3 avec des analyses complètes ADMET-S et de stabilité quantique, notamment en utilisant des bibliothèques de produits naturels. Le flux de travail s’appuie sur les paradigmes établis de sélection virtuelle mais est adapté à l’accessibilité éducative et à la génération d’hypothèses en phase initiale. Le protocole ne nécessite qu’un ordinateur portable standard (8 Go de RAM), un logiciel académique gratuit et aucune expertise préalable en programmation, ce qui le rend adapté aux milieux de lycée, de premier cycle et de master, y compris les expériences de recherche de premier cycle (CUREs) basées sur des cours.

La chaîne de calcul de ce travail commence par la préparation des protéines, où les structures de PLK1-PBD, PLK2-PBD et PLK3-PBD sont extraites de la Protein Data Bank (PDB) ou modélisées et traitées pour résoudre les écarts structurels. Ensuite, un criblage de base de données de produits naturels a été réalisé, filtrant les composés selon leur potentiel comme anti-cancer du sein et selon la conformité à la règle de cinq de Lipinski. Les étapes suivantes consistent à se regrouper en 50 structures représentatives basées sur l’empreinte moléculaire et la similarité. Ces représentants ont subi des calculs d’amarrage protéine-ligand et d’affinité de liaison, générant des données d’interaction pour les trois PLK. Par la suite, les propriétés ADMET-S sont évaluées à l’aide de trois serveurs web différents pour prédire la pharmacocinétique, la ressemblance des médicaments, la toxicité et la stabilité métabolique. Les calculs de MQ ont été utilisés pour évaluer la stabilité moléculaire via l’analyse de l’orbitale moléculaire la plus occupée (HOMO) et de l’orbitale moléculaire la plus basse inoccupée (LUMO) de l’écart HOMO–LUMO. Enfin, les données ADMET-S ont été analysées pour filtrer et classer les composés selon des critères physicochimiques, d’absorption, de distribution, de métabolisme, d’excrétion, de toxicité et de stabilité comme inhibiteurs potentiels et sélectifs de PLK1-PBD.

Protocole

Les identifiants de ressources de recherche (RRID) et les numéros de version de tous les outils logiciels utilisés sont fournis dans le tableau des matériaux.

1. Préparation des protéines ciblées

1. Créez un répertoire fonctionnel pour ce projet où les fichiers structurels et les résultats computationnels pourront être stockés.
2. Visitez la Protein Data Bank pour récupérer l’identifiant de la protéine cible PLK1-PBD (4HCO¹¹) et relancez avec le service de chimie à HARvard Molecular Mechanics - Interface graphique utilisateur (^{CHARMM-GUI 17,18}) afin de résoudre d’éventuelles divergences structurelles.
   1. Visitez CHARMM-GUI et inscrivez-vous sur un compte académique. Lors de l’enregistrement d’un compte académique, cliquez sur le générateur d’entrée, puis sur PDB Reader, entrez l’ID PDB 4HCO, puis cliquez sur l’étape suivante.
   2. Sur la page suivante, assurez-vous que seule PROA – chaîne protéique A est sélectionnée et cliquez sur l’étape suivante pour les deux pages suivantes.
   3. Téléchargez step1_pdbreader.pdb dans un répertoire, renommez le fichier en 4hco ou préféré, et utilisez un éditeur de texte ou un code pour renommer les occurrences d’histidine (HSD) en (HIS).
3. Répétez la procédure pour le PLK2-PBD (identifiant PDB : 4XB0¹⁹) en utilisant CHARMM-GUI.
   REMARQUE : Pour les structures sans identifiants PDB, telles que le PLK3-PBD, utilisez des structures modélisées par homologie ou Alphafold²⁰. Assurez la précision des séquences à partir de^{l’Uniprot 21}.

2. Dépistage des bases de données de produits naturels

1. Visitez la base de données SuperNatural 3.0 Library des produits naturels et sélectionnez la sous-page²² des maladies.
   1. Sélectionnez le cancer du sein avec ou aucune limite de confiance, car l’ensemble des résultats devra être filtré par programmation, puis cliquez sur Rechercher. Cliquez sur Télécharger le fichier complet des résultats pour enregistrer les résultats dans un répertoire préféré en tant que .csv. Ensuite, utilisez le code pour filtrer ceux ayant des limites de confiance de 0,900–1,000 (n = 1 193 sur 73 406).
      REMARQUE : Sinon, l’identifiant KEGG (Kyoto Encyclopedia of Genes and Genomes) pour le cancer du sein peut être saisi à la sous-page²³ des voies.
   2. Allez à la sous-page de la FAQ , en bas, trouvez l’ensemble de données disponible en téléchargement sous forme de fichier .csv. Téléchargez ceci et utilisez un script pour faire correspondre les chaînes SMILES, issues du jeu de données avec les identifiants SuperNatural des 1 193 molécules, et préparez une liste de leurs chaînes SMILES (smiles.csv).

3. Échantillonnage en cluster

1. Téléchargez une distribution Anaconda (https://www.anaconda.com/download) contenant presque tous les paquets open source, ou téléchargez individuellement un environnement de développement intégré (IDE) tel que RStudio (RStudio Desktop - Posit) ou Jupyter (Jupyter Notebook). Installez^{RDKit 24}, un logiciel open source de chimio-informatique et d’apprentissage automatique utilisant Conda.
   REMARQUE : Les instructions pour installer Conda et créer un environnement Conda se trouvent à la documentation de conda 25.9.2.dev31. Pour l’installation et la configuration du module RDKit dans l’environnement, voir Installation — La documentation RDKit 2025.03.6.
2. Placez le script « Lipinski.py » dans le fichier supplémentaire 1 dans le même dossier que « smiles.csv » et exécutez-le. Le script ouvre l’environnement Conda, charge les modules, lit le fichier de chaînes MILES, applique un filtre basé sur la règle de 5 de Lipinski pour estimer la biodisponibilité et l’absorption (n = 999 sur 1 193), et sauvegarde une liste de chaînes SMILES comme « all.csv ».
   REMARQUE : Confirmez que « all.csv » a été généré et contient ~999 composés (sous-ensemble filtré). Ouvrez le fichier pour vérifier que chaque entrée contient une chaîne SMILES valide. Python s’exécute dans RStudio après avoir exécuté ce qui suit dans la console : library(reticulate) ; Réticulation :use_condaenv(nom de condaenv)
3. Placez le script « Clustering.py » (Fichier Supplémentaire 1) dans le même dossier que « all.csv » et exécutez-le dans l’IDE préféré. Les scripts chargent des modules de clustering, lisent le fichier de chaînes SMILES et regroupent les composés en 50 clusters basés sur l’empreinte moléculaire et la similarité de Tenomo.
   REMARQUE : 50 structures représentatives (rep_struct.csv, dans le fichier supplémentaire 1) sont sauvegardées dans le répertoire sous forme de liste de chaînes MILES. La similarité de Tanimoto (également connue sous le nom d’indice de Jaccard en chimichimie)²⁵ est une métrique utilisée pour quantifier la similarité structurelle entre deux molécules à partir de leurs empreintes moléculaires, avec un coefficient de Tanimoto allant de 0 (sans similarité) à 1 (empreintes identiques). Assurez-vous que « rep_struct.csv » comporte exactement 50 entrées SMILES uniques représentant chaque cluster.

4. Calcul de l’affinité d’amarrage protéine-ligand

1. Visitez le serveur web Blind Docking guidé par détection de cavités basé sur AutoDock Vina (CB-Dock2)²⁶.
   1. Allez dans l’onglet d’accueil et téléchargez la protéine 4HCO.
   2. Pour télécharger le ligand, cliquez sur dessiner un ligand et collez un ligand depuis la liste des chaînes SMILES (rep_struct.csv, Fichier Supplémentaire 1). Saisissez une adresse e-mail dans le champ suivant pour une collecte de données plus facile, puis cliquez sur Amarrage automatique à l’aveugle. Répétez pour les 49 représentants restants de petits groupes de molécules, en les marquant lig1, lig2, ..., lig50.
2. Allez dans le résultat envoyé par email et téléchargez les dossiers zip dans un sous-répertoire intitulé 4HCO, en les intitulant de manière ordinaire (4hco_lig1, 4hco_lig2, ..., 4hco_lig50).
   1. Décompressez les dossiers et supprimez tous les fichiers sauf les fichiers complexes protéine-ligand se terminant par « .complex.pdb ».
      REMARQUE : Vérifiez que chaque répertoire ligand (4hco_lig1 à 4hco_lig50) contient le fichier correspondant « .complex.pdb ».
   2. Ouvrez un fichier d’exemple .complex.pdb avec un éditeur de texte pour noter soigneusement l’ID de la chaîne protéique : P et l’ID du ligand : A :UNL, puis recompressez les dossiers à l’aide d’un utilitaire de compression de fichiers.
   3. Visitez le serveur web PROtein binDing enerGY prediction (PRODIGY) pour évaluer la sélectivité et l’affinité de liaison^{protéine-ligand 27}.
      1. Cliquez sur l’onglet PRODIGY-lig (protéine-petite molécule) pour télécharger un dossier compressé contenant plusieurs complexes protéine-ligand simultanément (comme 4hco_lig1). Saisissez les identifiants de chaîne protéique et de ligand, effectuez la vérification du captcha, puis cliquez sur Soumettre Prodigy-Ligand.
      2. Une fois les données traitées, cliquez sur le fichier d’archive de toutes les sorties (.zip) pour télécharger les résultats. Répétez l’étape précédente et la collecte des résultats pour tous les sous-répertoires jusqu’à 4hco_lig50.
   4. Répétez toutes les étapes pour les protéines 4XB0 et PLK3 avec une attention prudente à la nomenclature des fichiers (comme 4xb0_lig1 ou plk2_lig1).
      REMARQUE : Confirmez que les CSV de sortie pour tous les complexes protéine-ligand sont téléchargés et contiennent à la fois des colonnes de données ΔG et résidus d’interface.

5. Évaluation ADMET-S

1. Visitez la plateforme²⁸ d’ADMETlab3 3.0.
   1. Cliquez sur COMMENCER sous « ADMET Screening » et entrez une liste de SMILES.
      1. Ouvrez rep_struct.csv dans un répertoire pour coller l’intégralité de la liste des chaînes SMILES dans le champ texte et soumettez.
      2. Évaluer la pharmacocinétique et les propriétés de ressemblance aux médicaments en utilisant le système de notation codé par couleur de la plateforme et télécharger les résultats de l’évaluation sous forme de fichier .csv pour une analyse approfondie.
      3. Naviguez vers l’outil^{SwissADME 29}.
2. Collez la liste des chaînes SMILES pour les 50 molécules dans le champ d’entrée.
   1. Cliquez sur Exécuter pour calculer les propriétés de biodisponibilité et de perméabilité, y compris la pénétration du BBB.
   2. Téléchargez la sortie sous forme de fichier .csv pour l’intégrer aux autres résultats ADMET.
3. Téléchargez et installez ToxTree³⁰ (Toxic Hazard Estimation by a decision tree approach) compatible avec le système d’exploitation de l’utilisateur.
   1. Ouvrez le logiciel via le terminal en utilisant la commande : sh Toxtree.sh
   2. Entrez les chaînes SMILES individuellement dans ToxTree pour classer la toxicité selon les règles de Cramer.
   3. Exportez les résultats sous forme de fichier .csv pour l’intégration avec d’autres données ADMET.
      REMARQUE : Vérifiez que les CSV de sortie ADMETLab3 et SwissADME correspondent au nombre de ligands (n = 50) et que les résultats de Toxtree classifient chaque composé selon les règles de Cramer (I–III).
4. Après avoir installé ORCA³¹, créez un dossier nommé stabilité dans le répertoire de travail et des sous-dossiers pour chaque molécule (par exemple, plk1_lig1, plk1_lig2, ..., plk1_lig50).
   1. Utilisez Avogadro (Avogadro) pour construire chaque molécule à partir de sa chaîne SMILES : Allez dans l’onglet Extensions et cliquez sur Optimiser la géométrie pour optimiser la molécule. Générez des fichiers d’entrée ORCA via des extensions > ORCA > générez des entrées ORCA et appliquez les paramètres suivants :
      ! B3LYP OPT FREQ def2-TZVP
      %maxcore 4000
      %pal
      NCRS 1
      Fin
   2. Modifiez le fichier de .sh de tâche téléchargé pour chaque ligand afin d’inclure des noms de poste uniques et une adresse e-mail. Ensuite, transférez le répertoire « stabilité » vers un système de calcul haute performance (HPC) en utilisant les commandes suivantes :
      Ssh xsedeu0000@darwin.hpc.udel.edu
      MKDIR ~/4hco
      SCP -r /local/path/to/stability xsedeu0000@darwin.hpc.udel.edu :~/4hco
   3. Exécutez les tâches via Simple Linux Utility for Resource Management (gestionnaire de charges de travail SLURM pour les clusters HPC) avec un script de boucle :
      pour i dans {1..50} ; do
      cd ~/4hco/stabilité/plk1_lig${i}
      chmod +x job_lig${i}.sh
      sbatch job_lig${i}.sh
      Fait
   4. Après avoir reçu les emails de fin de tâche, naviguez dans les dossiers ligands et ouvrez les fichiers de sortie pour revoir les données et noter les valeurs HOMO et LUMO :
      CD ~/4hco/stabilité/plk1_lig1
      nano lig1.out

6. Analyse des données ADMET-S

1. Combinez les données de propriétés physicochimiques issues des cartes radar de biodisponibilité et de perméabilité SwissADME dans un fichier .csv.
   1. Sauvegardez le fichier .csv depuis SwissADME et nomme-le « Physiochemical.csv ».
   2. Placez le script « Physiochemical.py » (Fichier supplémentaire 1) dans le même dossier que « Physiochemical.csv » et exécutez-le.
   3. Appliquer les critères suivants : nHD : 0–7, nHA : 0–12, nStéréo : <2, LogP : 0–3, LogD : 1–3, LogS : –4 à 0,5, Fsp3 : >0,41, et nHet : 1–15.
2. Extraire les données d’absorption et de distribution à partir de SwissADME.
   1. Photographiez et sauvegardez^{le graphique} 32 de l’œuf BOUILLI dans SwissADME.
   2. Appliquez les critères suivants : les molécules doivent se situer dans la région de l'« œuf » et agir comme inhibiteurs de la p-glycoprotéine, car les points rouges sont préférés.
3. Obtenir les données métaboliques d’ADMETlab3.0 pour le substrat cytochrome (CYP) et les inhibiteurs.
   1. Sauvegardez .csv fichier d’ADMETlab3.0 et nomme-le « Metabolism.csv ».
   2. Modifie le fichier .csv et ne garde que les colonnes de CYP-inh et CYP-sub.
   3. Placez le script « Metabolism.R » (Fichier supplémentaire 1) dans le même dossier que « Metabolism.csv » et exécutez-le.
   4. Appliquer les critères suivants : l’inhibiteur CYP p450 et le non-substrat en catégorie 0 sont préférés.
4. Obtenir les données d’excrétion d’ADMETlab3.0 pour la clairance du plasma et la demi-vie.
   1. Sauvegardez .csv fichier depuis ADMETlab3.0 et nomme-le « Excretion.csv ».
   2. Modifie le fichier .csv et ne garde que les colonnes de cl-plasma et t0.5.
   3. Placez le script « Excretion.py » (Fichier supplémentaire 1) dans le même dossier que « Excretion.csv » et exécutez-le.
   4. Appliquez les critères suivants : dégagement plasma : 0,01–5 ml/min/kg.
   5. nDonnées de toxicité de Toxtree pour la classe de toxicité et ADMETlab3.0 pour le nombre de toxicophores.
      1. Sauvegardez .csv d’ADMETlab3.0 et nomme-la « Toxicity.csv ».
      2. Modifier le fichier .csv, ne conservant que la colonne Toxicophore, et ajouter une nouvelle colonne enregistrant la classe de toxicité de chaque ligand depuis Toxtree.
      3. Placez le script « Toxicity.py » (Fichier supplémentaire 1) dans le même dossier que « Toxicity.csv » et exécutez-le.
      4. Appliquer le critère suivant : nombre de toxicophores à 0–2.
   6. Dérivez les données de stabilité à partir des fichiers de sortie ORCA. Les (« ÉNERGIES ORBITALES », plus précisément les valeurs d’énergie HUMO et LUMO).
      1. Créez un tableau Excel enregistrant les énergies HUMO et LUMO de chaque ligand sous forme de colonnes séparées.
      2. Ajouter une nouvelle colonne calculant le gap de bande interdit (HUMO–LUMO = gap de bande).
      3. Enregistrez le graphique Excel en « Stability.csv ».
      4. Placez le script « Stability.py » (Fichier supplémentaire 1) dans le même dossier que « Stability.csv » et exécutez-le.
      5. Appliquez les critères suivants : différence de bande interdite entre 3,6 et 5 eV.

Résultats

Le protocole du fichier de structure des protéines cibles garantit que le fichier des protéines cibles est optimisé pour l’analyse et l’amarrage basé sur la structure. Le fichier de structure résultant, au format PDB, est exempt de résidus et d’hydrogènes manquants, de types d’atomes manquants, et de composants inutiles tels que des molécules d’eau et des ligands co-cristallisés. Les figures 1A, B illustrent les différences visuelles (visualisées par Mol*^{Viewer 33}) dans les structures avant et après la préparation. Si des problèmes de formatage résiduels subsistent (comme des noms d’atomes non reconnus ou des résidus incomplets), CB-Dock2 émet généralement une erreur lors de l’upload. À ce moment-là, des corrections manuelles mineures, comme renommer HSD en HIS ou retirer les résidus non standards, peuvent être appliquées avant de recommencer l’étape d’amarrage.

La figure 2 montre les résultats du regroupement par analyse des composantes principales (ACP) basée sur l’empreinte moléculaire et la similarité de Tanivoto. Dans la figure, chaque groupe est regroupé par un ovale gris contenant des points de couleur similaire, qui représentent les molécules de ces groupes.  Les composantes PCA 1 et 2 sur les axes fournissent une représentation linéaire bidimensionnelle de la réduction à partir des éléments de haute dimension dans les matrices de Tanomo. Dans cette étude, la similarité Tanimoto est utilisée lors de l’étape d’échantillonnage en grappe afin de réduire la redondance et d’améliorer la diversité chimique parmi les 999 produits naturels conformes à Lipinski. En calculant les similarités par paires de Tanimoto à l’aide d’empreintes moléculaires, le jeu de données est partitionné en 50 groupes de composés structurellement apparentés. Une molécule représentative unique est ensuite sélectionnée dans chaque cluster, garantissant que l’ensemble final de 50 ligands capture un large espace chimique tout en minimisant la redondance computationnelle dans les analyses d’amarrage en aval et ADMET-S. Cette stratégie améliore l’efficacité et la représentativité du dépistage virtuel, en particulier lorsqu’il s’agit de grandes bibliothèques de produits naturels telles que SuperNatural 3.0. (voir Figure 2).

Les postures optimales pour chaque complexe protéine-ligand sont simulées, accompagnées d’affinités prédites sous forme de scores de Vina parmi les cinq postures CurPocket de la protéine PLK1 dans CB-Dock2, en tenant compte des forces de van der Waals et des liaisons hydrogène.  Un exemple de simulation du ligand 1 dans la Figure 3 montre la meilleure fixation à la deuxième pose CurPocket (C2), avec le score Vina le plus bas de –7,5 kcal/mol, comparé aux quatre autres poses du dessus. L’amarrage moléculaire avec CB-Dock2 se fait via une fonction de notation basée sur des paramètres empiriques et un algorithme d’optimisation globale stochastique. CB-Dock2 a été rigoureusement validé et a démontré des performances supérieures à d’autres outils d’amarrage aveugle de pointe, ce qui en fait un excellent choix pour les études^{d’amarrage 26,34}. Le serveur atteint un taux de réussite d’environ 85 % pour la prédiction de la pose de liaison (RMSD <2 Å), surpassant les outils populaires, y compris la première version CB-Dock, SwissDock, COACH-D et MTiAutoDock³⁴. Cette grande précision est attribuée à l’intégration innovante de CB-Dock2 de deux schémas d’amarrage complémentaires : les approches basées sur la structure et les approches basées sur des modèles.

La figure 4 illustre une carte thermique des affinités moyennes prédites pour chaque combinaison protéine-ligand à l’aide des affinités prédites par le serveur web PRODIGY.  Des affinités plus élevées, signalées par des énergies molaires plus basses (kcal/mol) et des teintes de carte thermique plus vertes, sont des affinités de liaison favorables. En revanche, les affinités plus faibles, indiquées par des énergies molaires plus élevées et des teintes de carte thermique plus rouges, sont moins favorables. D’un point de vue sélectif, il est idéal d’avoir des composés ayant des affinités favorables pour la protéine cible (PLK1) par rapport aux homologues (PLK2–3). Par exemple, le ligand 27 est un ligand sélectif PLK1-PBD par rapport au ligand 45, qui présente des affinités similaires entre les trois protéines. Bien que les résultats 3, 5, 6, 7, 27, 28, 34, 35 et 49 montrent une affinité plus élevée pour PLK1-PBD que PLK2/3, ils sont chimiquement divers dans l’espace des empreintes digitales 2D (moyenne ECFP4 Tanimoto ≈ 0,135, pas de paire ≥ 0,50), ce qui suggère que toute spécificité plus large est probablement due à une géométrie de poche PBD conservée et à des schémas partagés de pharmacophore/interaction 3D plutôt que par une identité d’échafaudage. Les recommandations incluent la comparaison interaction-empreinte digitale et la cartographie pharmacophore pour identifier les déterminants structurels de la reconnaissance PLK1-PBD.

Les résultats de l’évaluation physico-chimique des propriétés sont présentés dans un tableau radar (Figure 5). Les propriétés évaluées incluent les interactions atomiques, la solubilité et la biodisponibilité. Certains composés se distinguent par leurs propriétés physicochimiques plus souhaitables avec des plages acceptables : nHD = 0–7, nHA = 0–12, nStereo < 2, LogP = 0–3, LogD = 1–3, LogS = –4 à 0,5, Fsp3 > 0,41, et nHet = 1–15. Ce tableau radar offre une visualisation complète et multidimensionnelle des propriétés physico-chimiques des 50 ligands représentatifs identifiés dans le flux de travail de criblage computationnel. Il est conçu pour évaluer dans quelle mesure chaque composé respecte les critères prédéfinis de « type médicament » en traçant ses propriétés par rapport aux limites inférieures et supérieures établies. Le tableau présente dix descripteurs moléculaires clés disposés autour de l’axe polaire, incluant pKa acide et pKa basique. La zone ombragée entre le polygone vert (Limite inférieure) et le polygone bleu (Limite supérieure) marquait la plage idéale ou acceptable pour chaque propriété, basée sur les seuils fournis dans le protocole. Les limites supérieures et inférieures de l’acide pKa (2–12 et pKa base (3–10)) ont été attribuées sur la base des revues de^{littérature 35, 36, 37}, puisqu’il n’existe pas de limite supérieure et inférieure unique pour le pKa dans la découverte de médicaments. Chaque ligne colorée représente l’un des 50 ligands. La forme formée en connectant les points de données d’un seul ligand montre son profil à travers les dix propriétés sélectionnées simultanément. La grande majorité des 50 ligands se situe dans ou très près de la région acceptable définie par les polygones vert et bleu. Cela indique que les premières étapes de filtrage, en particulier l’application de la règle de Lipinski et le regroupement basé sur la similarité de Tenomo, ont été très efficaces pour enrichir l’ensemble de données avec des molécules possédant des propriétés favorables à celles des médicaments. La représentation complète des valeurs documentées pour tous les paramètres est recommandée.

La figure 6A–C illustre les composantes des données ADME issues d’ADMETlab3.0 et SwissADME. En commençant par l’absorption et la distribution, le modèle³⁸ de l’œuf BOUILLI dans la Figure 6A de SwissADME représente l’absorption et la distribution des médicaments via la lipophilicité et la perméabilité, comme l’indiquent les ellipses jaunes et blanches sur le graphique. Elle inclut les substrats et inhibiteurs de la P-gp, représentés respectivement par des points bleus et rouges, où inhiber la P-gp est crucial pour des taux d’absorption plus élevés. À la Figure 6B, la carte thermique du métabolisme visualise l’inhibition et le substrat d’environ 7 variétés d’enzymes cytochrome p450 CYP. Le résultat souhaité pour les ligands est de servir comme non-inhibiteurs du CYP et non-substrats (vert), avec des résultats souhaités confirmant un profil de sécurité sûr du médicament sans ou faible interaction. La figure 6C représente les données d’excrétion du dégagement et de la demi-vie du médicament. L’excrétion peut être distinguée par la clairance optimale du plasma (<5 mL/min/kg). La demi-vie de tous les médicaments anticancéreux dépend du mécanisme d’action, de la toxicité et de la cible du médicament. La demi-vie idéale équilibre le maintien des concentrations de médicaments dans une fenêtre thérapeutique tout en minimisant la toxicité et en permettant des schémas de dosage pratiques^39,40.

La combinaison de deux types d’évaluations de toxicité est représentée. À la Figure 7A, le nombre de toxicophores identifiés par ADMETlab3.0 est montré pour chaque ligand.  Il n’existe pas de seuil précis ni d’information sur les plages acceptables des toxicophores.  Dans la Figure 7B, l’application de Toxtree fournit des informations relatives à la classe de toxicité (I-III) ainsi qu’aux violations et au respect de la règle de Cramer. Le résultat de l’échantillon pour le ligand 1 montre les résultats de toxicité et son code SMILES dans la barre supérieure, avec la structure dans la fenêtre en bas à gauche. L’identification de la toxicité de classe dans la fenêtre en haut à droite indique une toxicité élevée (Classe III) basée sur les règles de Cramer pour le ligand 1, plutôt que sur d’autres possibilités telles que la Classe II (toxicité moyenne) ou la Classe I (faible toxicité).  La fenêtre en bas à droite montre le raisonnement écrit de l’identification des classes basé sur l’arbre de décision de la règle de Cramer.

Les calculs ORCA QM de fréquence vibratoire pour des structures optimisées calculent les valeurs d’énergie orbitale pour déterminer la bande interdite. La figure 8 montre la bande interdite (eV) de chaque ligand dérivée de la différence entre l’HOMO et le LUMO. La plage de seuils est représentée dans la région ombragée entre 3,6 eV et 5,0 eV, où chaque point de la région ombragée satisfait les niveaux d’énergie associés à une stabilité et une réactivité plus souhaitables. Un aperçu de l’ensemble du flux de travail computationnel est résumé à la Figure 9, qui illustre les étapes séquentielles allant de la préparation des protéines cibles et du criblage de la base de données de produits naturels jusqu’à l’évaluation ADMET-S, conçue pour identifier les inhibiteurs sélectifs de PLK1-PBD tout en garantissant des propriétés similaires aux médicaments et une stabilité chimique. Cette feuille de route visuelle souligne la modularité, l’accessibilité et l’adéquation du protocole pour la mise en œuvre éducative.

Le tableau 1 met en œuvre le protocole en le transformant d’une séquence linéaire d’instructions en un pipeline robuste et sensible aux erreurs, adapté à un usage en classe et en recherche indépendante. Il aborde explicitement la reproductibilité, un défi connu dans la découverte computationnelle de médicaments, en intégrant des critères de validation à des points clés de transition. Par exemple, confirmer que les résidus d’histidine sont uniformément étiquetés comme « HIS » après le traitement CHARMM-GUI évite les pannes silencieuses lors de l’amarrage en aval, tout en validant l’intégrité SMILES avant le regroupement évite des erreurs en cascade dans la prédiction ADMET. Le tableau met également en avant la conception pédagogique, chaque astuce de dépannage étant exploitable avec un minimum de connaissances en informatique (par exemple, « ouvrir .complex.pdb dans un éditeur de texte pour vérifier les identifiants de chaîne de vérification »), en accord avec l’objectif du manuscrit d’accessibilité pour les sourds, étudiants de premier cycle/master et lycéens. De plus, en signalant les étapes où les résultats influencent de manière disproportionnée les résultats, comme l’évaluation de la sélectivité via un score PRODIGY comparé, le tableau aide les utilisateurs à prioriser l’attention et les ressources.

Une force clé de ce flux de travail intégré est sa capacité à révéler des divergences entre prédictions computationnelles complémentaires, révélant des cas limites qui soulignent les limites d’une méthode individuelle. Par exemple, le ligand 5 pour PLK1-PBD présentait un score Vina CB-Dock2 fort (−7,9 kcal/mol) et une affinité PRODIGY favorable (ΔG = −9 kcal/mol, Figure 4) mais a échoué plusieurs filtres ADMET. Il ne correspondait pas au modèle d’absorption-distribution des œufs BOUILLIS, montrait une valeur de clairance plasmaque moins souhaitable (9,3 mL/min/kg, Figure 6), suggérant une élimination rapide, et a été classé comme Cramer de classe III (haute toxicité) par Toxtree contenant cinq toxicophores (Figure 7A). Inversement, le ligand 33 présentait une affinité PLK1 modérée prédite par PRODIGY (−5,4 kcal/mol) mais remplissait tous les critères ADMET, montrant une faible toxicité (classe I), un LogP optimal (0,7), ainsi qu’une répartition favorable de l’absorption et une élimination du plasma. Malgré son affinité plus faible, le ligand 33 est un candidat plus proche d’un médicament. Ce contraste illustre un principe fondamental dans la découverte de médicaments à un stade précoce : une forte affinité de liaison seule est insuffisante sans pharmacocinétique et sécurité favorables. Parallèlement, des composés comme le ligand 5, bien que faibles en ADMET, peuvent encore fournir des idées précieuses pour une optimisation future afin d’améliorer la sécurité ou la stabilité métabolique sans compromettre leur puissance.

Bien que les premiers filtres de ce flux de travail soient destinés au triage et à la priorisation, et non à l’exclusion permanente, une simplification supplémentaire des 50 candidats en désigne certains comme « top hit » en appliquant des limites souhaitables disponibles via les outils ADMET et la littérature. Sur les 50 ligands criblés évalués sur 114 descripteurs liés à ADMET et électroniques, 13 satisfaisaient au moins 95 des critères de propriété souhaitables. Parmi eux, six composés (10, 13, 14, 32, 43 et 47) ont démontré à la fois des profils ADMET-S favorables et des affinités de liaison plus élevées pour PLK1-PBD que PLK2/3 et sont donc désignés comme principaux inhibiteurs candidats (Figure 10). Les analyses comparatives structural-fonctionnelles et quantitatives de similarité ont révélé que les coups identifiés partagent des caractéristiques pharmacophoriques clés avec des inhibiteurs connus de PLK1-PBD, suggérant une convergence potentielle dans le comportement de liaison. Tous les résultats contenaient des échafaudages aromatiques ou hétéroaromatiques qui reflètent les systèmes hydrophobes des anneaux TQ, Poloxin et Allopole-A, permettant des interactions π–π et hydrophobes au sein de la poche PBD. Un chevauchement fonctionnel était évident grâce à des motifs conservés de liaisons hydrogène (carboxyle, amide et groupes carbonyle) analogues à ceux qui médient les contacts polaires clés dans les inhibiteurs de référence. Les lieurs aliphatiques et cycliques flexibles présents dans plusieurs coups font écho à l’adaptabilité conformationnelle des analogues de la Poloxine, facilitant l’orientation vers les résidus de liaison essentiels. Quantitativement, les scores de similarité de Tanimoto (0,36–0,54) ont confirmé une ressemblance structurelle modérée entre les HS et les inhibiteurs connus, les Hits 10, 13 et 14 étant les plus proches de la Poloxine, les Hits 32 à TQ, et les Hits 43 et 47 à l’Allopole-A. Collectivement, ces résultats mettent en lumière un chevauchement clair entre structure et fonction, indiquant que les résultats imitent probablement la topologie de liaison et les schémas d’interaction des inhibiteurs validés de PLK1-PBD tout en conservant suffisamment de nouveauté pour une optimisation ultérieure (Figure 10).

Pour évaluer la robustesse du flux de travail computationnel, des inhibiteurs connus de PLK1-PBD (Poloxinpan¹⁴ et Allopole-A¹⁵) ont été analysés comme témoins positifs, avec la Metformine et l’Imeglimine (deux agents antidiabétiques structurellement non apparentés sans activité rapportée de PLK1-PBD) comme témoins négatifs dans les analyses d’affinité ADMET-S, d’amarrage et de liaison. Les témoins positifs présentaient respectivement des affinités de liaison de –5,8 et –5,6 kcal/mol, tandis que les témoins négatifs présentaient des affinités plus faibles de –5,1 kcal/mol (Metformine) et –4,8 kcal/mol (Imeglimin), ce qui correspondait à leur absence d’activité de liaison à la PBD. Fait intéressant, l’évaluation ADMET-S a révélé que les témoins négatifs répondaient à des descripteurs plus désirables (88 sur 114 propriétés) que les témoins positifs (80 sur 114), validant ainsi la capacité du flux de travail à distinguer la favorabilité pharmacocinétique du potentiel de liaison spécifique à la cible. Ces liaisons renforcent l’importance de maintenir une perspective équilibrée : les composés ne doivent pas être écartés prématurément uniquement sur la base de prédictions ADMET sous-optimales s’ils présentent une forte affinité cible, car de tels échafaudages peuvent encore offrir des points de départ précieux pour l’optimisation. Inversement, des molécules dotées d’excellentes propriétés pharmacocinétiques mais d’une liaison faible peuvent servir de modèles à faible risque pour le développement d’analogies. Une validation biochimique et cellulaire supplémentaire est nécessaire pour confirmer ces observations computationnelles et affiner les critères de priorisation.

Figure 1 : Comparaisons structurelles entre une structure 4HCO non préparée et une structure 4HCO préparée par CHARMM-GUI. (A) Structure 4HCO téléchargée directement depuis le PDB, mettant en évidence les résidus manquants. (B) Structure 4HCO après le protocole de préparation CHARMM-GUI. 4HCO (PLK1-PBD lié à TQ) a été sélectionné car il fait partie des rares cristaux PLK1-PBD à avoir une liaison organique au ligand, ce qui le rend directement applicable à cette découverte d’inhibiteurs de petites molécules basée sur la structure. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 2 : Analyse en composantes principales (PCA) de 999 produits naturels conformes à Lipinski suite au regroupement K-means basé sur l’empreinte moléculaire et la similarité de Tenomo. Chaque point représente un composé, coloré par son groupe assigné (1–50), avec des groupes groupés par des ellipses grises pour souligner la similarité chimique. Le regroupement serré au sein des clusters et la séparation entre les clusters indiquent que le clustering basé sur Tamimoto a réussi à réduire la redondance structurelle tout en préservant la diversité chimique à travers l’ensemble des données. Cette diversité garantit que les 50 ligands représentatifs sélectionnés pour l’amarrage en aval couvrent une large région de l’espace chimique, améliorant la robustesse et la généralisation des résultats du dépistage virtuel. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 3 : Le docking aveugle CB-Dock2 identifie une pose de liaison à haute affinité du ligand 1 au sein du domaine de la boîte à polo PLK1 (PBD). La conformation C2 de CurPocket affichée (score Vina = −7,5 kcal/mol) représente la pose optimale parmi cinq sites de liaison prédits, caractérisée par des contacts de van der Waals favorables et des liaisons hydrogène avec des résidus clés de PBD (Trp414, His538 et Lys540). Ce résultat valide l’utilisation d’un amarrage aveugle basé sur la structure pour localiser des poches de liaison biologiquement pertinentes en l’absence de ligand co-cristallisé, démontrant comment le flux de travail priorise les poses ayant la plus forte énergie de liaison prédite pour l’analyse de sélectivité en aval. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 4 : Carte thermique du serveur web PRODIGY prédit les affinités par combinaison protéine-ligand. La carte thermique traite directement du chevauchement entre les ligands lorsqu’ils sont liés à PLK1, PLK2 et PLK3. Alors que certains ligands (dont le ligand 45) présentent des affinités de liaison comparables sur les trois isoformes PLK, suggérant une faible sélectivité, d’autres (notamment les ligands 3, 5, 6, 7, 27, 28, 34, 35 et 49) présentent une forte préférence pour PLK1 (ΔΔG ≥ 3,0 kcal/mol vs. PLK2/PLK3), ce qui correspond à l’objectif d’inhibition sélective pour PBD. Quantitativement, 20 des 50 ligands présentent une sélectivité presque double fois supérieure à PLK1 sur PLK2 et PLK3, basée sur les valeurs de ΔG prédites par PRODIGY. Cette liaison différentielle est attribuée à des variations subtiles dans les poches de liaison PBD, que le protocole d’amarrage aveugle capture. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 5 : Représentation des propriétés physicochimiques combinées à partir d’ADMETlab3.0 et SwissADME. Les paramètres sont nHD = nombre de donneurs d’hydrogène, nHA = nombre d’accepteurs d’hydrogène, pKa basique, pka acide, nStereo = nombre de stéréocentres, LogP = n-octanol/coefficient de distribution d’eau, LogD = n-octanol/coefficient de distribution d’eau à pH=7,4, LogS = valeur de solubilité aqueuse, Fsp3 = nombre de carbones hybridés sp3/nombre total de carbones, et nHet = nombre d’hétéroatomes. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 6 : Une combinaison des résultats ADME d’ADMETlab3.0 et de SwissADME. (A) Tableau des œufs BOUILLIS de Wildman-Crippin LogP (WLOGP) vs. La surface polaire topologique (TPSA) de SwissADME représente la perméabilité de la barrière hémato-encéphalique (BBB) d’absorption et de distribution, la perméabilité de la barrière hémato-encéphalique (BBB) dans la région jaune (jaune), l’absorption par le tractus gastro-intestinal (HIA) dans l’ellipse blanche, les substrats P-glycoprotéines et les non-substrats aux points bleus et rouges respectivement. Les molécules situées à l’extérieur de « l’œuf » sont considérées comme ayant une mauvaise absorption et une mauvaise distribution. (B) Carte thermique du métabolisme avec divers identifiants Cytochrome P450 (CYPs) impliquant la stabilité du métabolisme du foie humain (HLM), où le rouge sert d’inhibiteurs/substrats et le vert de non-inhibiteurs/non-substrats, laissant le vert comme désirable. (C) L’excrétion implique les paramètres, la dégagement du plasma et la demi-vie. La ligne rouge pointillée indique un dégagement plasma souhaitable (<5 mL/min/kg), tandis que 5-15 mL/min/kg et >15 mL/min/kg indiquent respectivement un dégagement modéré et élevé.  Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 7 : Le profilage intégré de la toxicité révèle des risques critiques de sécurité parmi les ligands criblés. (A) Répartition des comptages de toxicophores parmi les 50 produits naturels représentatifs, telle que prédite par ADMETlab3.0. (B) Résultats de toxicité d’échantillon pour le ligand 1, indiquant la toxicité de classe III surlignée en rouge, avec une explication verbeuse des règles de Cramer associées listées dans la boîte de texte ci-dessous. Cette approche à double évaluation (toxicophores + classe de Cramer) permet un triage précoce des composés à haut risque. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 8 : Énergies de bande interdite HOMO–LUMO (en eV) pour les 50 ligands représentatifs dérivés du produit naturel, calculés à l’aide de l’ORCA au niveau théorique B3LYP/def2-TZVP. La région ombragée (3,6 à 5,0 eV) indique la fenêtre de stabilité optimale : les bandes interdites inférieures à 3,6 eV suggèrent une forte réactivité chimique ou une photodégradation potentielle, tandis que des valeurs supérieures à 5,0 eV peuvent indiquer une faible polarisation électronique et une adaptabilité de liaison réduite. Les ligands se situant dans cette plage présentent un équilibre favorable entre stabilité cinétique et réactivité moléculaire, ce qui soutient leur priorisation comme candidats potentiels inhibiteurs de PLK1-PBD. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 9 : Organigramme du flux de travail bilingue de découverte de médicaments par ordinateur. La chaîne commence par la préparation des structures PBD PLK1-PLK3, suivie d’un criblage axé sur la maladie de la base de données SuperNatural 3.0 et d’un filtrage via la règle de cinq de Lipinski (poids moléculaire ≤ 500 Da, donneurs de liaisons hydrogène ≤ 5, accepteurs ≤ 10, LogP ≤ 5). Les composés représentatifs sont sélectionnés après regroupement puis évalués par docking protéine-ligand, prédiction d’affinité de liaison et profilage ADMET-S complet, incluant l’absorption, la distribution, le métabolisme, l’excrétion, la toxicité et l’évaluation de la stabilité de la MQ. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 10 : Chevauchement structurel et fonctionnel comparatif entre les ligands candidats principaux et les inhibiteurs connus de PLK1-PBD. La figure met en lumière les six principaux composés candidats (10, 13, 14, 32, 43 et 47) identifiés à partir des analyses combinées de criblage virtuel, de regroupement, d’affinité de liaison et de profilage ADMET-S. Ces ligands satisfaisaient au moins 95 des 114 descripteurs physicochimiques et pharmacocinétiques souhaitables et présentaient des affinités de liaison plus élevées pour PLK1-PBD par rapport à PLK2/3. Pour évaluer la convergence structurelle et fonctionnelle potentielle, chaque ligand a été comparé aux inhibiteurs connus de PLK1-PBD TQ, Poloxine et Allopole-A, sur la base de motifs pharmacophoriques centraux partagés et des coefficients de similarité par paires de Tanimoto (empreintes ECFP4). Des scores de similarité modérés (0,36–0,54) et des groupes fonctionnels courants tels que les anneaux aromatiques ou hétéroaromatiques, les paires donneur/accepteur liaison hydrogène et les lieurs hydrophobes indiquent un chevauchement partiel des caractéristiques de liaison. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Étape du flux de travail	Point de contrôle intermédiaire (comment confirmer le succès)	Étape critique (pourquoi elle détermine le succès ou l’échec)	Problèmes courants et conseils pour le dépannage
1. Préparation des protéines ciblées	• Le fichier PDB se charge sans erreurs dans la vue Mol*. • Aucun résidu manquant dans la poche de liaison (inspection visuelle). • Résidus d’histidine identifiés comme « HIS » (pas HSD/HSE)	Structure protéique inexacte → fausses poches de liaison → des poses d’amarrage trompeuses. CHARMM-GUI assure une protonation correcte, un placement de l’hydrogène et l’élimination des eaux/ligands.	Problème : CB-Dock2 rejette le fichier PDB. Correction : Supprimer les résidus non standardisés, s’assurer que seule la chaîne protéique est présente, et standardiser les noms atomes/résidus à l’aide d’un éditeur de texte.
2. Filtrage des produits naturels (règle de 5 de Lipinski)	• « all.csv » ne contient que des SMILES valides (non blancs, chimiquement analysables). • Nombre de matchs attendus (par exemple, 999/1 193).	Un SMILES invalide fait planter RDKit, les serveurs d’accueil et les outils ADMET. Le filtrage doit préserver la validité chimique.	Problème : Le script échoue pendant le clustering. Correctif : Ajouter la validation SMILES en utilisant Chem.MolFromSmiles (smiles, sanitize=Vrai) en Python ; Enregistrez et supprimez les entrées invalides avant de continuer.
3. Échantillonnage en grappes	• 50 SMILES uniques en « rep_struct.txt ». • Le graphique PCA (Fig. 2) montre une séparation claire des grappes.	Un mauvais regroupement → des représentants redondants ou peu diversifiés → un criblage inefficace.	Problème : Toutes les molécules se regroupent en un seul groupe. Correction : Vérifier le type d’empreinte digitale (par exemple, Morgan/ECFP4), le seuil de Tanimoto et la standardisation MILES. Envisagez d’augmenter le nombre de grappes si la diversité est faible.
4. Amarrage protéine-ligand (CB-Dock2)	• Chaque ligand renvoie ≥1 fichier « .complex.pdb ». • Les scores Vina sont négatifs (par exemple, ≤ −5 kcal/mol). • Le ligand est positionné dans CurPocket (et non en surface).	L’amarrage définit la posture de liaison et l’affinité. Une mauvaise posture → fausses prédictions PRODIGY.	Problème : Le travail échoue, ou le ligand n’est pas docké. Correction : Re-tirer le ligand dans CB-Dock2 à l’aide de SMILES ; s’assurer qu’aucun caractère particulier n’apparaît dans le nom du fichier ; Vérifiez l’e-mail pour connaître le statut du poste. Si c’est persistant, essayez SwissDock comme solution de secours.
5. Affinité de liaison (PRODIGY)	• PRODIGY renvoie des valeurs ΔG pour tous les complexes. • Les affinités corrèlent avec les scores CB-Dock (Vina) (cohérence de tendance).	L’évaluation de la sélectivité dépend de la précision de ΔG pour PLK1 par rapport à PLK2/PLK3. Des IDs de chaînes/ligands mal attribués → de mauvaises prédictions.	Problème : erreur « Chaîne non trouvée ». Correction : Ouvrir .complex.pdb dans un éditeur de texte ; confirmer l’identification de la chaîne protéique (par exemple, « P ») et le nom du résidu du ligand (par exemple, « UNL ») ; Entrée correcte dans PRODIGY.
6. Évaluation ADMET-S	• Les 50 SMILES fournissent tous les résultats dans SwissADME, ADMETlab3.0 et ToxTree. • Aucune ligne « N/A » ou « Erreur » dans les CSV de sortie.	Des données ADMET incohérentes → un classement des candidats défaillants. Les plateformes peuvent tomber en panne sur des échafaudages à produits naturels exotiques.	Problème : ADMETlab3.0 rejette SMILES. Correction : Canoniser SMILES avec RDKit (MolToSmiles(MolFromSmiles(...))). Pour ToxTree, introduisez une molécule à la fois et vérifiez le rendu de la structure.
7. Stabilité quantique (ORCA)	• Chaque tâche ORCA s’achève sans « SCF non convergé » ni « erreur de géométrie ». • Valeurs HOMO/LUMO présentes dans le fichier de sortie (.out).	La bande interdite détermine la stabilité/réactivité chimique. Tâches ratées = données manquantes pour le filtre de clé.	Problème : Un problème de travail chez ORCA s’effondre. Correction : Réoptimiser la géométrie dans Avogadro ; assurez-vous de ne pas dupliquer d’atomes ; augmenter le %maxcore ou passer à la base def2-SVP pour les grosses molécules.
8. Filtrage ADMET-S intégré	• La liste finale des ligands satisfait à tous les critères (par exemple, LogP 0–3, bande interdite 3,6–5 eV, classe de Cramer I/II). • Le ligand ≥1 montre une sélectivité PLK1 (ΔΔG ≥ 2 kcal/mol contre PLK2/3).	Des seuils trop stricts ou incohérents éliminent les pistes viables ; Des seuils trop souples favorisent les composés toxiques ou instables.	Problème : Aucun ligand ne passe sur tous les filtres. Correction : Assouplir un critère à la fois (par exemple, autoriser LogP ≤ 4 ou 3 toxicophores) et documenter les compromis. Comparez avec des médicaments connus pour le benchmarking.

Tableau 1 : Points de contrôle critiques du contrôle qualité, points de décision à fort impact et stratégies de dépannage à travers le flux de travail computationnel bilingue en huit étapes pour identifier les inhibiteurs sélectifs de PLK1-PBD. Chaque ligne correspond à une phase majeure du protocole, de la préparation des protéines au filtrage ADMET-S intégré, et précise (i) comment vérifier la réussite de l’achèvement (point de contrôle intermédiaire), (ii) pourquoi l’étape est déterminante au succès ou à l’échec global (justification de l’étape critique), et (iii) des solutions pratiques aux défaillances techniques courantes (guide de dépannage). Ce tableau sert à la fois de feuille de route de validation et d’outil pédagogique pour les étudiants et chercheurs mettant en œuvre le protocole dans des contextes académiques ou à ressources limitées.

Fichier supplémentaire 1 : scripts Python. Contient le script Python pour l’application des règles Lipinski ; le script Python utilisé pour l’analyse de clustering ; le script Python pour les calculs de propriétés physicochimiques ; le script R pour l’analyse du métabolisme ; le script Python pour l’analyse de l’excrétion ; le script Python pour la prédiction de toxicité ; le script Python pour l’évaluation de la stabilité ; et les chaînes SMILES des 50 composés analysés. Veuillez cliquer ici pour télécharger ce fichier.

Discussion

Cette étude se concentre sur un flux de travail computationnel exploratoire visant à identifier et évaluer les inhibiteurs potentiels de PLK1-PBD grâce au dépistage virtuel, au docking et à l’analyse ADMET-S. La chaîne priorise efficacement les composés en fonction des tendances de liaison prédites et des propriétés pharmacocinétiques. Dans ce protocole, un ensemble d’inhibiteurs potentiels de PLK1 est identifié, et leurs propriétés ADMET ainsi que leurs affinités de liaison pour les protéines PLK1–3 sont évaluées. Le protocole utilise une approche centrée sur la maladie pour identifier 50 molécules à partir d’une base de données d’environ 73 400 (Figure 9). Ensuite, ces 50 molécules ont été soumises à une évaluation ADMET-S, au cours de laquelle leurs propriétés pharmacocinétiques et pharmacodynamiques, leur ressemblance et leur stabilité ont été calculées. De plus, leur affinité de liaison aux protéines PLK1–3 a été calculée afin d’évaluer leur puissance inhibitrice face à PLK1 et leur sélectivité. D’après les résultats, plusieurs molécules ont montré des propriétés plus souhaitables. Les études de découverte ultérieure de médicaments peuvent choisir d’éliminer certaines molécules et de se concentrer sur quelques-unes issues de cette exploration, ou bien s’abstenir d’une élimination précoce et utiliser ces résultats plus tard dans le processus de conception du médicament pour optimiser les propriétés ADMET.

La raison biologique de se concentrer sur PLK1, PLK2 et PLK3 tout en excluant PLK4 et PLK5 repose à la fois sur des considérations structurelles et fonctionnelles. PLK4 et PLK5 sont exclus de ce travail en raison de leurs différences structurelles et fonctionnelles distinctes avec PLK1 et de leur pertinence limitée pour la thérapie du cancer. PLK1, caractérisé par son domaine kinase et son domaine de la boîte à polo (PBD), joue un rôle crucial dans la régulation des événements mitotiques, ce qui en fait une cible clé pour le traitement^{du cancer 41}. En revanche, PLK4 et PLK5 sont structurellement divergentes : PLK4 contient une boîte à polo cryptique (CPB) plutôt qu’une PBD canonique et fonctionne principalement dans la duplication des centrioles. En même temps, PLK5 ne possède pas de domaine kinase fonctionnel et s’exprime presque exclusivement dans le^{cerveau 3}. Compte tenu de leur faible chevauchement structurel avec PLK1-PBD et de leur pertinence limitée pour la dysrégulation mitotique dans le cancer, leur inclusion n’informerait pas de manière significative la sélectivité des inhibiteurs de PLK1-PBD. Ainsi, la stratégie de dépistage offre un cadre biologiquement pertinent et computationnellement maniable pour évaluer la sélectivité. Il est important de noter que les six principaux ligands candidats (10, 13, 14, 32, 43 et 47) présentaient des énergies de liaison et des profils ADMET-S encore plus favorables que les inhibiteurs connus TQ et Allopole-A, les mettant en évidence comme modulateurs potentiels PLK1-PBD.

Pour soutenir une mise en œuvre robuste, en particulier par les étudiants ou chercheurs débutants dans les outils de découverte de médicaments computationnels, un résumé des points de contrôle clés (également dans la section Protocole), des étapes critiques et des conseils de dépannage pour le flux de travail est fourni dans le Tableau 1. The Table soutient l’adaptabilité ; par exemple, si un utilisateur n’a pas accès HPC, il peut noter que l’analyse de stabilité ORCA est différée, et si un serveur web est hors service, des alternatives comme SwissDock sont suggérées. Cette flexibilité garantit que le flux de travail reste viable dans divers contextes institutionnels tout en maintenant la rigueur scientifique et en renforçant la nouveauté de l’étude en tant que contribution inclusive, bilingue et orientée vers l’éducation à la découverte de médicaments en phase précoce. Bien que l’ensemble du flux de travail soit conçu comme un pipeline intégré, plusieurs étapes cruciales déterminent fondamentalement son succès ou son échec (voir Tableau 1). De plus, la vidéo accompagnante présente des légendes synchronisées en anglais et un signe en langue des signes américaine (ASL), conçus pour offrir un accès équitable sans distraction. Les instructions du signataire sont alignées temporellement avec les actions à l’écran, par exemple, signer « suivant », puis s’arrêter lorsque le curseur clique sur le bouton « Suivant ». Lors de l’étape de préparation 4HCO, le signataire utilise l’étiquetage au doigt (« A » et « B ») pour guider la sélection de la chaîne, précisément reflétée dans l’enregistrement à l’écran. Dans le segment d’écran SuperNatural 3.0, la fenêtre du signataire se redimensionne et se déplace en haut à droite tout en dirigeant l’attention vers l’icône du « chemin », s’arrêtant alors que le curseur suit. Ces choix de conception garantissent aux spectateurs sourds et malentendants les mêmes conseils intégrés en temps réel que les utilisateurs entendants, reproduisant efficacement une expérience de laboratoire en personne, dirigée par un instructeur.

Au-delà des avantages, il existe de nombreuses façons d’améliorer le flux de travail. Premièrement, le filtrage initial peut être modifié ; Au lieu de méthodes axées sur les maladies et par échantillonnage en cluster, on pourrait commencer par des simulations d’amarrage de toutes les molécules de la base de données des produits naturels afin d’identifier quels composés sont les mieux adaptés à la liaison des protéines cibles ligand. De plus, des estimations plus détaillées sont nécessaires pour une prédiction précise de l’affinité de liaison.  Les calculs « non électrostatiques » de PRODIGY concernant l’affinité protéine-ligand consistent à ajuster les comptes des types catégorisés de contacts atomiques impliqués dans l’interaction (carbone-carbone, azote-azote, oxygène-oxygène et autres atomes) dans un modèle de régression linéaire multiple entraîné avec validation croisée à quatre fois, et cette méthode a été significativement corrélée à diverses occasions avec des affinités^{expérimentales 42,43}.  Des approches alternatives, telles que FoldX⁴⁴, fastDRH⁴⁵, les modèles^{d’apprentissage profond 46} et MD avec échantillonnage avancé, peuvent être employées, et des degrés variables d’accord dans les prédictions sont attendus selon la précision de chaque^{méthode 47}.

Un autre aspect est que les différents outils logiciels utilisés dans l’évaluation ADMET-S génèrent de nombreux indicateurs, et comprendre chaque indicateur utilisé pour évaluer la candidature au médicament est essentiel. Une façon d’assurer la précision pourrait être de soumettre plusieurs médicaments sur le marché au protocole afin de déterminer comment ils atteignent les seuils.  Dans ce contexte, la toxicité nécessite des recherches supplémentaires, car les molécules ne sont pas rejetées uniquement sur la base des profils de toxicité issus d’arbres décisionnels nuancés tels que les règles de Cramer, car de nombreux médicaments disponibles portent des classifications similaires.  Le nombre de toxicophores n’est pas non plus complètement informatif sur la toxicité, même en lien avec les profils de toxicité.  Dans ce contexte, une extension de ce flux de travail consisterait à effectuer des revues comparatives d’échantillons de petites molécules avec les médicaments disponibles afin d’éclairer les interprétations.  Par exemple, les chercheurs se sont référés à la littérature antérieure documentant l’application et les observations des calculs de DFT dans des médicaments actuels contre le cancer du sein tels que le^{Tamoxifène 48}, le Letrozole⁴⁹ et le Cisplatine⁵⁰lorsqu’ils interprétaient la stabilité déterminée par des calculs de MQ des valeurs de bande interdite HOMO–LUMO. Auparavant, des flux de travail similaires ont été adoptés pour identifier les inhibiteurs potentiels de diverses cibles de maladies/troubles⁵¹. Récemment, Stafford et ^al.6 ont passé en revue les stratégies de conception des inhibiteurs PLK1-PBD et les opportunités thérapeutiques dans le cancer. Les études les plus récentes ont identifié des inhibiteurs à double ciblage contre PLK1-PBD et PLK4-PB3 en utilisant la modélisation du pharmacophore guidé par structure, le dépistage virtuel, le docking moléculaire, la simulation de dynamique moléculaire (MD) et l’évaluation^{biologique 52}. Zhou et al. ont également identifié des inhibiteurs PLK1-PBD à partir de la bibliothèque de produits naturels marins en utilisant le pharmacophore QSAR 3D, ADMET, le saut d’échafaudage, le docking moléculaire et MD⁵³.

Dans l’ensemble, la nouveauté de cette étude est quadruple. Premièrement, il s’agit d’un protocole computationnel bilingue, dispensé à la fois en langue des signes américaine et en anglais, favorisant ainsi l’accessibilité et l’inclusion dans les STEM, en particulier pour les étudiants sourds et malentendants ainsi que les chercheurs. Cette prestation bilingue est rare dans la découverte computationnelle de médicaments et s’inscrit dans la mission de l’Université Gallaudet de promouvoir une éducation scientifique équitable. Deuxièmement, bien que PLK1 reste une cible anticancéreuse convaincante, les études computationnelles rigoureuses évaluant la sélectivité entre PLK1, PLK2 et PLK3 en utilisant des critères structurels, énergétiques et ADMET-S intégrés sont rares. La plupart des efforts antérieurs se concentrent uniquement sur l’inhibition du domaine kinase ou manquent de profilage de sélectivité comparatif. Ce travail comble cette lacune en fournissant un protocole initial exploratoire de dépistage concurrent contre trois PLK-PBD, avec des filtres qui privilégient les composés en fonction d’une forte affinité PLK1 et d’un minimum de liaison hors cible. Troisièmement, le flux de travail a été conçu en tenant compte de l’efficacité et de l’utilisabilité, en particulier pour les environnements éducatifs et aux ressources limitées. L’ensemble du pipeline, du filtrage des bases de données à l’évaluation ADMET-S, peut être complété en deux semaines sur un matériel académique standard (un ordinateur portable de 8 Go de RAM), en utilisant des logiciels web gratuits (CB-Dock2, PRODIGY, SwissADME, ADMETlab). Les calculs d’affinité d’amarrage et de liaison ne sont pas des étapes chronophages (~30 secondes par ligand). L’étape la plus chronophage est l’analyse de stabilité de la MQ avec ORCA, qui peut être reportée à des étapes ultérieures ou exécutée sur des ressources informatiques haute performance, comme démontré. Les scripts sont modulaires et ne nécessitent que des modifications basiques en ligne de commande ou dans Jupyter Notebook, permettant une intégration fluide dans les programmes existants. Le temps d’exécution est modeste, le filtrage des bases de données et la conformité Lipinski prenant quelques minutes ; Le regroupement de ~1 000 molécules se termine en moins de 30 minutes sur un bureau typique. Tous les outils logiciels sont librement accessibles à un usage académique, multiplateforme (Windows, macOS, Linux), et ne nécessitent pas de licences commerciales, ce qui réduit considérablement les barrières à l’entrée. Quatrièmement, les ligands identifiés présentent des affinités de liaison prometteuses compatibles avec les interactions de la gamme des nanomolaires, associées à une ressemblance favorable avec le médicament, une stabilité métabolique et des profils de toxicité faibles. Plusieurs candidats émergent comme des liants solides et sélectifs PLK1-PBD avec des propriétés ADMET-S souhaitables, nécessitant une validation supplémentaire via des simulations de dynamique moléculaire ou des tests in vitro .

Ainsi, au-delà de son utilité méthodologique, cette étude illustre comment des outils informatiques accessibles, open source et efficaces peuvent être exploités comme point de départ pour relever un défi biomédical à forte valeur ajoutée tout en favorisant une formation scientifique inclusive. À mesure que les inhibiteurs de PLK1-PBD continuent de gagner en popularité en oncologie, ce flux de travail offre un plan reproductible et adapté à l’éducation pour la découverte de médicaments à un stade précoce. Sa polyvalence le rend adapté aux milieux de lycée, de premier cycle et de master, et il constitue une excellente base pour les CURE qui offrent aux étudiants des opportunités de recherche authentiques et pratiques. Contrairement aux pipelines reposant uniquement sur l’amarrage par domaine kinase ou le criblage à une seule protéine, cette approche évalue simultanément la sélectivité des PBD sur PLK1–3, une nécessité compte tenu de leur homologie structurelle >38 % et de leurs rôles biologiques divergents. De plus, en combinant clustering, ADMET-S et stabilité de la gestion quantique dans un cadre en accès ouvert, la redondance et le risque d’attrition ont été réduits par rapport au criblage virtuel par force brute.

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
ADMETLab3	Simulations Plus. Inc	V3.0	Propriétés ADMET
Alphafold	Cherchez DeepMind & Cherche sur Google Isomorphic Labs (filiales d’Alphabet)	V3.0.1	Modélisation 3D des protéines
Anaconda/Conda	Anaconda, Inc.	V24.9.2	Système de gestion de paquets open source   ;
CB-Dock2	Laboratoire Yang Cao	V2.0	Amarrage aveugle protéine-ligand
CHARMM-GUI	Université de Lehigh	V3.8	Manipulation et simulation biomoléculaires
DARWIN sur ACCESS	Université du Delaware	N/A	Calcul haute performance
ORCA	FAccTs GmbH	V6.1.0	Ensemble de chimie quantique
Banque de données protéiques	Banque mondiale de données sur les protéines	RRID : SCR_006555	Base de données des protéines
RDKit	Open source	RRID : SCR_014274	Programmation en chimistique
SuperNatural 3.0	Institut de physiologie et de science-IT (Berlin)	V3.0	Bibliothèque de molécules naturelles
SwissADME	Institut suisse de bioinformatique	RRID : SCR_017865	Propriétés ADME
Toxtree	Ideaconsult Ltd	V3.1.0	Classification de la toxicité