Modélisation de pharmacophores pour des cibles dotées de vastes bibliothèques de ligands : une étude de cas sur le SARS-CoV-2 Mpro

Résumé

Cet article présente un protocole pour construire un modèle de pharmacophore consensuel en intégrant des caractéristiques moléculaires de plusieurs ligands. Cette méthode est applicable aux efforts de découverte de médicaments ciblant toute cible biologique avec des conformations liées au ligand connues, permettant l’identification de caractéristiques d’interaction clés pour le criblage virtuel et la conception rationnelle de médicaments.

Résumé

Un pharmacophore définit l’agencement spatial des caractéristiques moléculaires nécessaires aux interactions optimales entre un composé et sa cible biologique. Ces modèles peuvent être dérivés en analysant les interactions intermoléculaires entre une cible et un ensemble de ligands connus dans leurs conformations de liaison. Un pharmacophore consensuel intègre les caractéristiques communes de plusieurs ligands, réduisant ainsi le biais du modèle et améliorant le pouvoir prédictif. Cependant, la production d’un pharmacophore consensuel solide à partir d’un ensemble de ligands vaste et chimiquement diversifié présente des défis techniques.

Ici, nous présentons un protocole pour la construction de pharmacophores consensuels à l’aide de ConPhar, un outil informatique open source conçu pour identifier et regrouper les caractéristiques pharmacophoriques dans plusieurs complexes liés à des ligands. Le protocole comprend la génération de modèles, le perfectionnement et l’application au criblage virtuel de banques moléculaires ultra-larges. À titre d’étude de cas, nous avons appliqué la méthode à la protéase principale du SARS-CoV-2 (Mpro), en utilisant une centaine d’inhibiteurs non covalents cocristallisés avec la cible. Le modèle de pharmacophore qui en a résulté a permis de capturer les principales caractéristiques d’interaction dans la région catalytique de Mpro et d’identifier de nouveaux ligands potentiels.

Cette stratégie est largement applicable à toute cible biologique pour laquelle des conformations liées à des ligands sont disponibles. Il est particulièrement précieux pour les cibles disposant de vastes ensembles de données de ligands et soutient la découverte rationnelle de médicaments en rationalisant l’identification de nouveaux candidats avec les profils d’interaction souhaités.

Introduction

La modélisation pharmacophore est une technique fondamentale dans la conception de médicaments assistée par ordinateur, permettant d’identifier les caractéristiques moléculaires essentielles responsables de l’activité biologique ^1,2. Un pharmacophore définit l’agencement spatial des caractéristiques, telles que les donneurs de liaisons hydrogène, les accepteurs, les cycles aromatiques et les régions hydrophobes, nécessaires à l’interaction moléculaire entre un ligand et une cible biologique³. Lorsque plusieurs complexes ligand-cible sont disponibles, que ce soit à partir de la cristallographie expérimentale ou de la modélisation moléculaire, les modèles d’interaction partagés peuvent être intégrés dans des modèles de pharmacophore consensuels, ce qui augmente la robustesse du modèle et améliore la précision du dépistage virtuel ^4,5.

Malgré l’utilité des pharmacophores consensuels, leur génération reste techniquement difficile, en particulier lorsque les ligands sont structurellement diversifiés. Plusieurs outils logiciels sont disponibles pour générer des pharmacophores à partir de ligands individuels, mais il n’existe pas de procédures normalisées pour intégrer plusieurs ensembles de caractéristiques dans un modèle cohérent ^6,7. De plus, peu de plates-formes proposent des flux de travail de bout en bout qui prennent en charge le regroupement, le filtrage et l’exportation de fonctionnalités dans des formats compatibles avec les outils de dépistage et de visualisation⁸. Ces limites ont limité l’adoption généralisée de pharmacophores consensuels dans les efforts de découverte de médicaments à grande échelle.

Pour combler cette lacune, ConPhar a été développé en tant que nouvel outil open source conçu spécifiquement pour l’extraction systématique, le regroupement et la modélisation consensuelle de caractéristiques pharmacophoriques à partir d’ensembles étendus de complexes ligand-cible pré-alignés. Contrairement aux logiciels existants, ConPhar offre un réglage flexible des paramètres, une intégration automatisée des fonctionnalités et une compatibilité avec plusieurs formats de sortie, facilitant la génération de modèles de consensus robustes adaptés aux pipelines de criblage virtuel. Cet outil permet ainsi de surmonter les goulets d’étranglement précédents dans la gestion de banques de ligands importantes et chimiquement diverses, améliorant ainsi la reproductibilité et l’évolutivité des flux de travail de modélisation de pharmacophores.

Pour démontrer cette approche, nous présentons un protocole reproductible pour construire des modèles de pharmacophores consensuels à partir de collections de complexes ligand-cible. Le flux de travail intègre des outils open source pour l’extraction de caractéristiques de pharmacophore, le clustering, la visualisation et les applications en aval. À titre d’étude de cas, nous avons appliqué le protocole à la protéase principale du SARS-CoV-2 (Mpro), une cible thérapeutique critique pour laquelle des données structurales sont étendues⁹. Nous avons organisé un ensemble de données de 100 ligands non covalents cocristallisés avec Mpro (entrées PDB au 27 mai 2025), à l’exclusion des formes apo et des complexes redondants. Les caractéristiques pharmacophoriques individuelles ont été extraites et fusionnées dans un modèle de consensus à l’aide de ConPhar, un outil spécialement conçu pour le regroupement de caractéristiques¹⁰. Ce cas illustre la capacité du protocole à révéler des modèles d’interaction conservés et à soutenir un criblage rationnel de banques ultra-larges.

Protocole

1. Méthode 1

1. Préparer les ligands pour la génération d’un pharmacophore consensuel
   1. Alignez tous les complexes protéine-ligand à l’aide du logiciel PyMOL¹¹.
   2. Extrayez chaque ligand conformateur aligné et enregistrez-le dans un fichier séparé au format SDF.
      REMARQUE : D’autres formats tels que MOL, MOL2 et PDB peuvent également être utilisés pour le protocole décrit ici.
2. Générer des fichiers JSON de pharmacophore à l’aide de Pharmit¹²
   1. Téléchargez chaque fichier de ligand individuellement sur Pharmit à l’aide de l’option Charger les fonctionnalités (voir la Table des matériaux pour un lien vers Pharmit).
   2. Utilisez l’option Enregistrer la session pour télécharger le fichier JSON de pharmacophore correspondant.
3. Organiser les fichiers JSON pour les utiliser dans ConPhar
   1. Stockez tous les fichiers JSON téléchargés dans un seul dossier. Ces fichiers seront téléchargés dans l’environnement Google Colab lors de la méthode suivante.

2. Méthode 2

1. Configurer l’environnement Google Colab
   1. Lancer un nouveau bloc-notes Google Colab : ouvrez Google Colab dans le navigateur Web, créez un nouveau bloc-notes et ajustez les paramètres pour utiliser une version antérieure en sélectionnant Exécution → Modifier le runtime → la version d’exécution 2025.07.
   2. Installez Conda et PyMOL. Le code requis pour installer Conda et PyMOL dans Google Colab est fourni ici en italique à titre de référence, et le script exécutable complet est également disponible dans le fichier de support 1.
      # Installer CondaColab : Active la prise en charge de l’environnement Conda dans Google Colab
      à partir de IPython.utils import io
      Importer tqdm.notebook
      Importer le système d’exploitation
      total = 100
      avec tqdm.notebook.tqdm(total=total) comme barre :
      avec io.capture_output() tel que capturé :
      # Installer CondaColab
      !pip install -q condacolab
      Importer CondacoLab
      condacolab.install()
      pbar.update(10)
      # Mettre à jour le chemin Python pour localiser les paquets installés
      Importer sys
      sys.path.append('/usr/local/lib/python3.7/site-packages/')
      pbar.update(20)
      # Installer le bundle PyMOL à l’aide de mamba à partir du canal Schrödinger
      %shell mamba install -c schrödinger pymol-bundle --yes
      pbar.update(90)
   3. Vérifier la réussite de l’exécution : Exécutez la cellule en cliquant sur l’icône de lecture ou en appuyant sur Maj + Entrée. Une barre verte horizontale apparaîtra au-dessus de la cellule une fois l’exécution réussie (voir Figure 1).
2. Installez le package Python ConPhar et importez les modules requis
   1. Installez et importez ConPhar. Le code requis pour installer le package ConPhar et importer les modules nécessaires dans Google Colab est fourni ici en italique à titre de référence, et le script exécutable complet est également disponible dans le fichier de support 1.
      # Installer le package d’analyse du pharmacophore ConPhar
      Importer Pymol
      !pip install conphar
      De Conphar. Pharmacophores d’importation parse_json_pharmacophore, show_pharmacophoric_descriptors, save_pharmacophore_to_pymol, save_pharmacophore_to_json, compute_concensus_pharmacophore
      Importer le système d’exploitation
      Importer des pandas en tant que
      REMARQUE : La déclaration d’importation de conphar. Les pharmacophores sont divisés en plusieurs lignes pour plus de clarté, mais ils doivent être saisis sur une seule ligne continue. L’outil ConPhar (https://github.com/AngelRuizMoreno/ConcensusPharmacophore) est en cours de développement actif. Le protocole actuel utilise une version stable (0.1.2), qui a été validée pour la procédure décrite. Les utilisateurs sont encouragés à utiliser cette version pour assurer la reproductibilité.
   2. Confirmer la réussite de l’installation : Exécutez la cellule en cliquant sur l’icône de lecture ou en appuyant sur Maj + Entrée. Un message de confirmation s’affichera une fois l’installation et l’importation réussies des outils ConPhar (voir Figure 2).
3. Charger des modèles de pharmacophore individuels à partir de fichiers JSON
   1. Créez un dossier pour les fichiers JSON de pharmacophore. Le code requis pour créer un dossier permettant de stocker les fichiers d’entrée du pharmacophore dans Google Colab est fourni ici en italique à titre de référence, et le script exécutable complet est également disponible dans le fichier de support 1.
      # Créez un dossier pour stocker les fichiers JSON d’entrée
      os.makedirs(« JSON_FOLDER », exist_ok=True)
      REMARQUE : Cette commande crée automatiquement le dossier s’il n’existe pas déjà.
   2. Charger des fichiers JSON dans le dossier : cliquez sur l’icône du dossier dans le panneau de gauche de Colab, ouvrez le dossier nouvellement créé et cliquez avec le bouton droit de la souris pour sélectionner Télécharger. Ajoutez les fichiers JSON requis (voir Figure 3).
      REMARQUE : Assurez-vous que les fichiers suivent le format attendu généré par Pharmit.
4. Analyser et consolider les caractéristiques pharmacophoriques
   1. Extrayez les caractéristiques pharmacophoriques des fichiers téléchargés. Le code requis pour analyser les fichiers JSON téléchargés, extraire les caractéristiques pharmacophoriques et les stocker dans un seul DataFrame dans Google Colab est fourni ici sous forme italique à titre de référence, et le script exécutable complet est également disponible dans le fichier de support 1.
      p4_table=. DataFrame()
      pour le fichier dans os.listdir('/content/JSON_FOLDER') :
      si '.json' dans le fichier :
      essayer:
      p4,lig,rec=parse_json_pharmacophore(f"/content/JSON_FOLDER/{file} »)
      p4['ligand']=file.replace('.json','')
      p4_table=.concat([p4_table,p4],ignore_index=Vrai)
      sauf exception :
      passer
      p4_table
   2. Exécutez la cellule en cliquant sur l’icône de lecture ou en appuyant sur Maj + Entrée pour générer le DataFrame consolidé (voir Figure 4). Le DataFrame consolidé qui en résulte compile toutes les caractéristiques pharmacophoriques extraites de ligands individuels dans un tableau unifié, facilitant le regroupement en aval et l’analyse statistique.
      REMARQUE : Le script inclut la gestion des exceptions de base pour contourner les fichiers JSON mal formés pendant le traitement afin d’éviter l’interruption du flux de travail. Compte tenu du grand nombre de fichiers, il n’est pas pratique de vérifier chacun d’entre eux au préalable. Au lieu de cela, le script peut être modifié pour imprimer le nom de tout fichier qui ne se charge pas, afin que l’utilisateur puisse l’inspecter et le corriger individuellement.
5. Générer et enregistrer le pharmacophore consensuel
   1. Afficher tous les descripteurs pharmacophoriques. Le code requis pour visualiser les descripteurs pharmacophoriques extraits des fichiers d’entrée dans Google Colab est fourni ici en italique à titre de référence, et le script exécutable complet est également disponible dans le fichier de support 1.
      show_pharmacophoric_descriptors(p4_table)
   2. Exécutez la cellule en cliquant sur l’icône de lecture ou en appuyant sur Maj + Entrée pour visualiser le regroupement des caractéristiques pharmacophoriques (voir Figure 5). Les sorties regroupées en caractéristiques regroupent des caractéristiques pharmacophoriques similaires sur plusieurs ligands en fonction de leurs positions spatiales, ce qui permet d’identifier des modèles d’interaction conservés.
   3. Enregistrez le modèle de pharmacophore au format PyMOL. Le code requis pour générer et enregistrer le modèle de pharmacophore consensuel dans un format compatible avec PyMOL dans Google Colab est fourni ici en italique à titre de référence, et le script exécutable complet est également disponible dans le fichier de support 1.
      save_pharmacophore_to_pymol(p4_table, out_file='ConPhar_pymol.pse')
   4. Exécutez la cellule pour produire le fichier .pse correspondant (voir Figure 6).
   5. Enregistrez le modèle de pharmacophore au format JSON. Le code requis pour générer et enregistrer le modèle de pharmacophore consensuel dans un format compatible avec Pharmit dans Google Colab est fourni ici en italique à titre de référence, et le script exécutable complet est également disponible dans le fichier de support 1.
      ​save_pharmacophore_to_json(p4_table,out_file=
      'ConPhar_pharmit.json')
   6. Exécutez la cellule pour produire le fichier .json correspondant (voir Figure 6).
   7. Générez des sorties et des dendrogrammes en cluster de fonctionnalités. Le code requis pour générer des fichiers de pharmacophore de consensus regroupés par type de fonctionnalité, y compris les formats compatibles avec PyMOL et Pharmit, et les visualisations de dendrogrammes dans Google Colab est fourni ici sous forme italique à titre de référence, et le script exécutable complet est également disponible dans le fichier de support 1.
      concensus,links=compute_concensus_pharmacophore
      (p4_table,save_data_per_descriptor=Vrai,out_folder='/content')
   8. Exécutez la cellule en cliquant sur l’icône de lecture ou en appuyant sur Maj + Entrée (voir Figure 7). Les résultats affichent des visualisations de dendrogrammes, qui, sous la forme d’un arbre, représentent les relations hiérarchiques entre les caractéristiques pharmacophoriques groupées, aidant les utilisateurs à interpréter le degré de similitude et de proximité spatiale entre les clusters.
      REMARQUE : Cette étape enregistre plusieurs fichiers de sortie et figures dans le dossier spécifié.
   9. Exportez les résultats du pharmacophore consensuel dans un fichier CSV. Le code requis pour enregistrer le tableau final des pharmacophores consensuels au format CSV dans Google Colab est fourni ici en italique à titre de référence, et le script exécutable complet est également disponible dans le fichier de support 1.
      concensus.to_csv('consensus_result.csv', index=Faux)
   10. Exécutez la cellule en cliquant sur l’icône de lecture ou en appuyant sur Maj + Entrée pour exporter les données du pharmacophore consensuel dans un fichier CSV nommé consensus_result.csv pour une analyse plus approfondie (voir la figure 8).
       REMARQUE : Le fichier CSV facilite les applications en aval telles que l’analyse statistique ou la visualisation dans un tableur.
6. Utiliser le pharmacophore consensuel pour le dépistage virtuel
   1. Exporter le pharmacophore consensuel au format JSON. Assurez-vous que le fichier inclut les coordonnées spatiales de toutes les entités. Ce format est directement compatible avec les outils de dépistage en ligne tels que Pharmit¹². Pour effectuer un dépistage virtuel, téléchargez le fichier JSON du pharmacophore sur le serveur Pharmit via l’option Charger les fonctionnalités . Le serveur permet d’affiner le modèle en modifiant, en ajoutant ou en supprimant des fonctionnalités, ainsi qu’en le comparant à de grandes bibliothèques de composés, telles que PubChem¹³ou ZINC¹⁴.
      REMARQUE : Tous les scripts nécessaires à la reproduction des analyses décrites dans cette étude sont fournis dans le dossier d’appui 1 et peuvent également être consultés de manière interactive via https://colab.research.google.com/drive/1Zj8DjazV6mJM-we9iOpoGTZt8JfW4I7D?usp=sharing. Les lecteurs sont encouragés à créer une copie personnelle du cahier Colab pour exécuter et modifier les analyses sans altérer le script original.

Figure 1 : Capture d’écran du premier bloc de code utilisé pour configurer l’environnement Google Colab en installant CondaColab. Une barre de progression bleue horizontale apparaît au-dessus de la cellule pendant l’exécution et devient verte une fois l’exécution réussie. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 2 : Capture d’écran du deuxième bloc de code utilisé pour installer le package ConPhar dans Google Colab. Veuillez cliquer ici pour voir une version plus grande de cette figure.

Figure 3 : Capture d’écran montrant les fichiers JSON du pharmacophore téléchargés avec succès dans le dossier désigné dans Google Colab. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 4 : Capture d’écran montrant le code utilisé pour extraire les caractéristiques pharmacophoriques des fichiers JSON et les consolider en un seul DataFrame. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 5 : Visualisation du regroupement des caractéristiques pharmacophoriques générées lors de la construction du modèle de pharmacophore consensuel. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 6 : Capture d’écran montrant la génération réussie des fichiers de pharmacophore consensuels dans les formats compatibles avec PyMOL et Pharmit. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 7 : Capture d’écran montrant la génération de fichiers de pharmacophore consensuels regroupés par type de caractéristique, y compris les sorties pour les visualisations PyMOL, Pharmit et dendrogramme. Veuillez cliquer ici pour voir une version plus grande de cette figure.

Figure 8 : Capture d’écran montrant l’exportation réussie des données du pharmacophore consensuel vers le fichier consensus_result.csv. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Résultats

Une centaine de complexes Mpro cocristallisés avec différents inhibiteurs non covalents ont été alignés, comme l’illustre la figure 9A. Chaque ligand a ensuite été extrait sous forme de fichier individuel (Figure 9B) puis téléchargé sur le serveur Pharmit. La session a été sauvegardée pour générer un fichier JSON correspondant (voir Figure 9C).

Figure 9 : Préparation du ligand pour la modélisation de pharmacophore consensuel. (A) Alignement structurel de trois complexes représentatifs de Mpro cocristallisés avec des inhibiteurs non covalents. (B) Superposition des 100 ligands inclus dans cette étude. (C) Téléchargement de chaque ligand sur le serveur Pharmit à l’aide de l’option « Charger les fonctionnalités », suivi de la génération de fichiers JSON via l’option « Enregistrer la session ». Les deux options sont indiquées par des flèches rouges. Veuillez cliquer ici pour voir une version agrandie de cette figure.

L’ensemble complet des fichiers JSON a été utilisé pour générer le modèle de pharmacophore consensuel, qui comprenait 1450 caractéristiques pharmacophoriques regroupées en 110 groupes : 23 aromatiques (Aro), 30 accepteurs de liaisons hydrogène (HBA), 16 donneurs de liaisons hydrogène (HBD), 36 hydrophobes (Hyd) et 5 groupes chargés négativement (Anion) (Figure 10A, tableau supplémentaire 1). Nous avons identifié les plus grands groupes pour chaque caractéristique afin de les intégrer dans le modèle de consensus. Parmi les grappes d’Aro, nous avons sélectionné celles comportant plus de 20 éléments. Des groupes HBA, HBD et Hyd, nous avons retenu des clusters avec au moins 50 éléments. Aucun des clusters d’anions n’avait plus de 4 membres, ils ont donc été exclus du modèle de consensus (Figure 10B). Ces seuils numériques (>20 membres pour Aro ; ≥50 pour HBA, HBD et Hyd) ont été définis empiriquement sur la base de la distribution des tailles de cluster afin de hiérarchiser les modèles d’interaction les plus conservés et les plus densément peuplés.

Figure 10 : Regroupement de caractéristiques pharmacophoriques à partir de 100 complexes de ligands Mpro.(A) Distribution de 1450 caractéristiques pharmacophoriques : aromatique (Aro) en violet, accepteur de liaisons hydrogène (HBA) en orange, donneur de liaisons hydrogène (HBD) en blanc, hydrophobe (Hyd) en vert et chargé négativement (Anion) en rouge. (B) Les grappes contenant ≥10 membres sont affichées pour Aro, HBA, HBD et Hyd ; tous les clusters d’anions sont affichés. Les plus grands groupes, définis comme ceux avec ≥20 membres pour Aro, et ≥50 membres pour HBA, HBD et Hyd, et ≥4 membres pour Anion, sont mis en évidence par des sphères pointillées. Le nombre de membres dans chacun des plus grands groupes est explicitement indiqué. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Ainsi, notre modèle de pharmacophore consensuel comprenait 11 caractéristiques : 3 caractéristiques aromatiques (Aro), Aro 1, 2 et 3, dérivées de grappes de 20, 24 et 45 membres, respectivement ; 4 accepteurs de liaisons hydrogène (HBA), HBA 1, 2, 3 et 4, provenant de grappes de 51, 55, 77 et 81 membres, respectivement ; 2 donneurs de liaisons hydrogène (DBB) provenant de grappes de 51 et 71 membres, respectivement ; et 2 caractéristiques hydrophobes (Hyd) provenant d’amas de 50 et 52 membres, respectivement (voir la figure 11A).

Le modèle de pharmacophore a été utilisé pour effectuer une recherche dans la base de données de PubChem à l’aide de la stratégie précédemment décrite¹⁰, mais aucune correspondance n’a été trouvée. Pour augmenter la flexibilité de la recherche, la caractéristique aromatique Aro 1 - dérivée du groupe le plus petit et le moins représentatif - a été supprimée. Cet ajustement a permis d’identifier deux correspondances, y compris une conformité du composé avec les CID de PubChem 101267741, et 10285538 (voir la figure 11B). La structure chimique 2D du composé 101267741 est illustrée à la figure 11C. Il est intéressant de noter que ce composé identifié s’insère bien dans la poche de liaison Mpro. Une analyse comparative avec le ligand cocristallisé 38a¹⁵ (ID PDB : 9HAJ) montre que le conformateur de 101267741 correspondant au pharmacophore est enfoui encore plus profondément que 38a dans les sous-poches S1 et S2 de Mpro. Cependant, 38a occupe une région plus large de la poche, principalement en raison de sa chaîne latérale d’éthylcarboxamide, qui s’étend vers la poche S1′. Néanmoins, les interactions intermoléculaires clés de 38a impliquent d’autres fractions que cette chaîne latérale. En revanche, le composé 101267741 forme 11 interactions intermoléculaires, dont sept liaisons hydrogène et quatre contacts hydrophobes. Par rapport aux trois liaisons hydrogène et aux deux interactions hydrophobes formées par 38a, le mode de liaison du composé 101 semble plus fort (Figure 11D).

Figure 11 : Recherche de pharmacophore dans la base de données PubChem. (A) Le modèle complet de pharmacophore consensuel contient 11 caractéristiques : 3 aromatiques (violets), 4 accepteurs de liaisons hydrogène (orange), 2 donneurs de liaisons hydrogène (blanc) et 2 hydrophobes (verts). (B) Le conformateur du composé PubChem 101267741 aligné avec le modèle de pharmacophore réduit après l’élimination de la caractéristique Aro 1, et (C) Structure chimique bidimensionnelle du composé identifiée. (D) Analyse comparative des modes de liaison du composé 38a (magenta ; d’après l’ID PDB : 9HAJ) et du composé PubChem CID 101267741 (vert) à la poche catalytique Mpro du SRAS-CoV-2. Les interactions intermoléculaires correspondantes pour chaque composé sont illustrées à droite. Les liaisons hydrogène et les interactions hydrophobes sont représentées par des lignes pointillées en bleu et en gris, respectivement. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Fichier de support 1 : Script de flux de travail du pharmacophore. Veuillez cliquer ici pour télécharger ce fichier.

Tableau 1 : Résumé de l’agrégation des caractéristiques pharmacophoriques. Nombre de grappes, membres par grappe, coordonnées centroïdes et rayons de grappe Veuillez cliquer ici pour télécharger ce fichier.

Discussion

La modélisation pharmacophore aide à la découverte rationnelle de médicaments¹⁶. Le protocole décrit en détail ici a été utilisé pour la génération d’un pharmacophore consensuel pour la protéase principale du SRAS-CoV-2 (Mpro) à partir de dizaines d’inhibiteurs non covalents, mais il peut être appliqué à n’importe quelle cible biologique avec des conformations liées au ligand connues, en particulier celles avec des ensembles de données de ligands étendus. Par rapport à des modèles de pharmacophore individuels ou à des modèles purement basés sur des ligands, cette approche consensuelle améliore la robustesse et réduit les biais en intégrant plusieurs conformations de ligands. Le modèle de pharmacophore consensuel généré par ce protocole peut être appliqué à diverses bibliothèques moléculaires, y compris des bases de données publiques telles que ChEMBL¹⁷et ZINC¹⁴, des collections commerciales et des bibliothèques de composés internes exclusives. Cette polyvalence permet d’explorer des espaces chimiques vastes et diversifiés dans le cadre de campagnes de criblage virtuel, augmentant ainsi la probabilité d’identifier de nouveaux composés bioactifs. Ainsi, ce flux de travail prend en charge l’identification de nouveaux composés bioactifs avec les profils d’interaction souhaités.

Une étape critique de ce protocole implique une préparation et un alignement précis des complexes ligand-cible. Un pré-alignement précis des ligands dans leurs conformations bioactives est essentiel pour assurer une intégration significative et fiable des caractéristiques, car un désalignement peut affaiblir le pouvoir prédictif du modèle¹⁰. Pour obtenir un alignement optimal, nous recommandons d’effectuer une superposition structurelle à l’aide de résidus de site de liaison aux protéines conservés ou d’atomes de squelette. Pour les ensembles de données comportant des ligands divers, l’alignement des points d’interaction clés ou des caractéristiques pharmacophoriques améliore la cohérence dans l’ensemble de l’ensemble. De plus, il est conseillé d’inspecter et de corriger manuellement les conformations des ligands aberrants afin d’éviter les artefacts qui pourraient diminuer la précision du modèle. De plus, la nature open-source de ConPhar facilite l’intégration dans d’autres flux de travail de calcul ainsi que des ajustements avancés dans les paramètres de clustering. Les utilisateurs expérimentés peuvent modifier les paramètres de regroupement des caractéristiques pharmacophoriques pour obtenir un équilibre entre la généralité et la spécificité du modèle. Ces modifications peuvent être dictées par la taille de l’ensemble de données de ligand, la diversité chimique ou la complexité de la cible. Par exemple, lorsqu’il s’agit de ligands très divers, le clustering par étapes ou l’analyse de sous-groupes peuvent mieux capturer les caractéristiques pertinentes¹⁸.

L’outil ConPhar est actuellement en cours de développement actif. Cela offre une flexibilité significative aux utilisateurs souhaitant adapter l’outil à des besoins de recherche spécifiques, y compris l’intégration avec des pipelines logiciels complémentaires. Cependant, étant donné que le logiciel peut encore subir des modifications, les utilisateurs sont encouragés à surveiller les mises à jour officielles et à consulter la documentation spécifique à la version. Le signalement des problèmes rencontrés contribuera à son amélioration continue et à sa validation par la communauté. Notre protocole construira des modèles avec des modèles d’interaction complets, et ainsi, ils pourront être utilisés dans le criblage virtuel de grandes bibliothèques. Dans nos résultats représentatifs, nous avons utilisé le pharmacophore obtenu dans l’identification de deux nouveaux ligands potentiels pour la région catalytique de Mpro. En fin de compte, cette méthode de pharmacophore consensuelle rationalise l’identification des résultats et accélère l’optimisation des prospects.

Cependant, nous identifions les limites suivantes du protocole : i) dépendance à l’égard de structures liées à des ligands de haute qualité, car les données à faible résolution peuvent réduire la précision du modèle ; ii) le risque de négliger des interactions uniques et importantes cruciales pour des ligands spécifiques, puisque le pharmacophore consensuel met l’accent sur les caractéristiques partagées ; et iii) la reproductibilité peut être affectée par différentes définitions de fonctionnalités entre différents outils logiciels¹⁹. Cependant, ces limites peuvent être surmontées en affinant la structure d’un système protéine-ligand par des simulations de dynamique moléculaire²⁰, la rétention des grappes basée sur les connaissances de l’utilisateur et l’utilisation cohérente de logiciels pour l’identification des caractéristiques pharmacophoriques.

Bien que le modèle de pharmacophore consensuel de ce protocole n’ait pas été validé à l’aide de mesures binaires classiques, sa capacité prédictive a été démontrée dans une étude précédente¹⁰. Dans ce travail, un ensemble de tests indépendants de 78 ligands chimiquement divers a été utilisé pour valider un pharmacophore consensuel généré avec la même méthodologie. L’ensemble de validation comprenait des ligands présentant une similitude Tanimoto de ≤0,5, des masses moléculaires comprises entre 200 et 700 g/mol, des liaisons rotatives ≤17 et au moins trois caractéristiques pharmacophoriques. Le modèle a réussi à identifier des actifs connus, ce qui confirme son applicabilité dans les flux de travail de dépistage virtuel et sa robustesse sur des candidats chimiquement divers.

Le protocole présenté ici permet de construire des modèles de pharmacophore qui capturent des modèles d’interaction complets caractéristiques de la cible. Ceci est particulièrement précieux pour les cibles disposant de données de ligands étendues, telles que les protéases virales, les kinases et les récepteurs nucléaires²¹. Les modèles générés sont adaptés au criblage virtuel de grandes banques de composés, facilitant ainsi l’identification de nouveaux candidats bioactifs. En mettant en évidence les caractéristiques conservées et fonctionnellement pertinentes, l’approche du pharmacophore consensuel soutient à la fois la découverte précoce des résultats et l’optimisation ultérieure des leads.

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Google Colab	Google LLC	https://colab.google	Plate-forme Web pour l’exécution de blocs-notes Python ; utilisé ici pour exécuter des scripts ConPhar et PyMOL pour la modélisation de pharmacophores de consensus.
Pharmit	Laboratoire Koes à l’Université de Pittsburgh	https://pharmit.csb.pitt.edu/search.html	Plate-forme Web pour le criblage virtuel interactif de pharmacophores et l’exploration de l’espace chimique, permettant le téléchargement de fichiers de ligands et la génération de fonctionnalités de pharmacophore
PyMOL	Schrö ; dinger, Inc.	https://www.pymol.org	Logiciel de visualisation moléculaire et d’alignement structurel utilisé pour les protéines&ndash ; Superposition et analyse de ligands complexes
Fichier de support 1 Script de flux de travail du pharmacophore	Google LLC	https://colab.research.google.com/drive/1Zj8DjazV6mJM-we9iOpoGTZt8JfW4I7D?usp=sharing	Script exécutable complet pour l’installation de Conda, PyMOL et l’exécution du flux de travail du pharmacophore dans Google Colab. Également fourni en tant que fichier d’appui 1.