Modélisation de pharmacophores pour des cibles dotées de vastes bibliothèques de ligands : une étude de cas sur le SARS-CoV-2 Mpro
26 septembre 2025
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.
Notre recherche explore la modélisation des pharmacophores avec de grandes bibliothèques de ligands. Dans cette étude, nous nous concentrons sur le SARS-CoV-2 Mpro pour identifier les modèles structurels qui guident la découverte de médicaments. Les progrès récents dans la modélisation des pharmacophores utilisent des ensembles de données plus vastes et plus diversifiés, ce qui améliore la précision de l’identification des principaux alimentateurs moléculaires pour la découverte de médicaments.
Les simulations de dynamique moléculaire et l’apprentissage automatique sont actuellement utilisés pour faire progresser la modélisation des pharmacophores et améliorer les résultats de la découverte de médicaments. L’un des principaux défis consiste à gérer des ensembles de données de ligands vastes et diversifiés, tout en améliorant la précision de l’extraction future et en réduisant les coûts de calcul. Nous avons montré que les banques de ligands coûteuses améliorent la précision future des pharmacophores, permettant des prédictions plus fiables et une meilleure identification des candidats médicaments potentiels.
Pour commencer, lancez le logiciel PyMOL. Alignez tous les complexes de ligands protéiques sur le logiciel. Pour chaque complexe aligné, extrayez le ligand conformateur et enregistrez-le dans un fichier séparé au format SDF.
Téléchargez chaque fichier de ligand individuellement pour le farmer, à l’aide de l’option Charger les entités. Après le chargement, utilisez l’option Enregistrer la session pour télécharger le fichier de pharmacophore au format JSON. Stockez tous les fichiers JSON de pharmacophore téléchargés dans un seul dossier pour une utilisation ultérieure dans l’environnement Google Colab.
Lancez Google Colab dans un navigateur Web et créez un nouveau carnet. Installez Conda et PyMOL, puis exécutez la cellule en cliquant sur l’icône de lecture ou en appuyant sur Maj et Entrée pour vérifier la réussite de l’exécution. Une barre verte apparaîtra au-dessus de la cellule si elle est correctement remplie.
Maintenant, installez le paquet Python CANFAR et importez les modules requis. Exécutez la cellule en cliquant sur l’icône de lecture pour confirmer la réussite de l’installation. Un message de confirmation s’affichera une fois l’exécution réussie.
Ensuite, créez un nouveau dossier pour stocker les fichiers JSON de pharmacophore. Ouvrez le dossier, faites un clic droit à l’intérieur et sélectionnez télécharger pour télécharger les fichiers JSON. Pour analyser et consolider les caractéristiques du pharmacophore, extrayez-les de tous les fichiers téléchargés.
Cliquez sur l’icône de lecture pour exécuter la cellule et générer un bloc de données consolidé contenant les caractéristiques de chaque ligand individuel. Affichez tous les descripteurs de pharmacophore, puis exécutez la cellule pour afficher les modèles de regroupement. Maintenant, enregistrez le modèle de pharmacophore au format PyMOL.
Exécutez la cellule pour générer un fichier PSE, puis enregistrez le modèle en tant que fichier JSON en exécutant la cellule de code correspondante. Générez des sorties et des dendogrammes en cluster de caractéristiques à l’aide du code fourni. Cliquez sur play et exportez les données du pharmacophore consensuel dans un fichier CSV en exécutant la commande d’exportation.
Utilisez le modèle de pharmacophore consensuel généré pour le dépistage virtuel. 100 principaux complexes de protéase ou de Mpro cocristallisés avec différents inhibiteurs non covalents ont été alignés pour visualiser la diversité des ligands dans la poche de liaison. Chaque ligand a été extrait individuellement des complexes alignés afin de générer des fichiers distincts pour le criblage virtuel.
Les ligands extraits ont été téléchargés sur le serveur pharmit et utilisés pour générer des fichiers JSON structurés pour la modélisation de la pharmacophore. Les fichiers JSON ont produit 1 450 caractéristiques de pharmacophore, regroupées en 110 groupes, dont 23 aromatiques, 30 accepteurs de liaisons hydrogène, 16 donneurs de liaisons hydrogène, 36 hydrophobes et cinq groupes d’anions. Pour construire le modèle de consensus, seuls les groupes les plus densément peuplés ont été retenus, tandis que les groupes d’anions ont été exclus, en raison d’un nombre insuffisant de membres.
Le modèle final de pharmacophore consensuel comprenait 11 caractéristiques, dont trois aromatiques, pour les accepteurs de liaisons hydrogène, deux donneurs de liaisons hydrogène et deux caractéristiques hydrophobes. Après avoir éliminé la caractéristique aromatique la moins représentative, aro un, deux composés candidats ont été identifiés. La structure chimique bidimensionnelle du composé 101 267 741 a été visualisée pour confirmer sa compatibilité avec le modèle de pharmacophore.
Le composé 101 267 741 s’insère profondément dans la poche de liaison Mpro, occupant les sous-poches S1 et S2 plus efficacement que le ligand de référence 38a, qui s’étend vers la poche S1. Le composé 101 267 741 a formé 11 interactions intermoléculaires, sept liaisons hydrogène et quatre contacts hydrophobes.
Aperçu
Cet article présente un protocole de construction d'un modèle pharmacophorique consensuel par intégration de caractéristiques moléculaires provenant de plusieurs ligands, en se concentrant spécifiquement sur la protéase Mpro du SARS-CoV-2. Cette méthode améliore les efforts de découverte de médicaments en identifiant des caractéristiques d'interaction clés pour le criblage virtuel et la conception rationnelle de médicaments.
Composantes clés de l'étude
Domaine scientifique
- Modélisation pharmacophorique
- Découverte de médicaments
- Biologie structurale
Contexte
- La modélisation pharmacophorique utilise de grandes bibliothèques de ligands pour identifier des motifs structuraux.
- Les progrès dans la modélisation améliorent la précision de l'identification des caractéristiques moléculaires clés.
- Les défis incluent la gestion de jeux de données diversifiés et la réduction des coûts computationnels.
- Des études récentes montrent que des bibliothèques de ligands plus vastes renforcent la fiabilité des prédictions.
Objectif de l'étude
- Élaborer un modèle pharmacophore consensuel pour la protéase Mpro du SARS-CoV-2.
- Améliorer les résultats de la découverte de médicaments grâce à des techniques de modélisation avancées.
- Faciliter l'extraction et l'analyse des caractéristiques pharmacophoriques.
Méthodes utilisées
- Utilisé PyMOL pour aligner les complexes protéine-ligand.
- Extrait les conformères du ligand et les enregistrés au format SDF.
- Transféré les fichiers de ligand pour générer des fichiers JSON de pharmacophore.
- Utilisé Google Colab pour le traitement des données et l'extraction de caractéristiques.
Résultats principaux
- Génération de 1 450 caractéristiques pharmacophoriques regroupées en 110 grappes.
- Le modèle de consensus final comprenait 11 caractéristiques, incluant des interactions aromatiques et des liaisons hydrogène.
- Identification du composé 101267741 comme candidat médicament potentiel.
- Visualisation des interactions du composé au sein du site de fixation de la Mpro.
Conclusions
- Le modèle pharmacophorique consensuel oriente efficacement le criblage virtuel.
- Une précision accrue dans la modélisation pharmacophorique améliore l'identification des candidats médicaments.
- Les études futures pourraient se concentrer sur l'optimisation des méthodes d'extraction et de l'efficacité computationnelle.
Questions fréquemment posées
Pertinence professionnelle pour l'industrie
La modélisation de pharmacophores consensuels à l'aide de bibliothèques de ligands étendues permet d'obtenir une confiance prédictive plus élevée en phase précoce de la découverte de médicaments, en particulier pour des cibles comme la protéase Mpro du SARS-CoV-2. L'intégration de conformations liées à des ligands variés réduit les biais du modèle et soutient un criblage virtuel robuste, ayant un impact direct sur l'identification des candidats leaders et le tri des portefeuilles. Cette approche rationalise la sélection de candidats pour des cibles disposant de données structurales riches, améliorant ainsi l'efficacité des activités de R&D en entreprise.
Applications stratégiques en recherche et développement biopharmaceutique
Découverte précoce et validation de cibles
- Permet d'interroger des hypothèses thérapeutiques en capturant des caractéristiques d'interaction conservées parmi des ligands variés.
- Facilite la validation fonctionnelle de cibles en identifiant les déterminants moléculaires clés de la liaison dans la région catalytique.
- Améliore la confiance prédictive pour le tri des portefeuilles en réduisant les biais de modèle grâce à l'intégration de caractéristiques consensuelles.
Développement de criblages et de tests
- Prépare des modèles de pharmacophores validés pour le criblage virtuel évolutif de bibliothèques de composés ultra-larges.
- Facilite la standardisation des tests en définissant des caractéristiques d'interaction quantitatives pour l'évaluation en aval.
- Permet des flux de travail de criblage reproductibles et indépendants de la plateforme grâce à des outils informatiques open source.
Recherche translationnelle et préclinique
- Aligne la sélection des candidats avec les caractéristiques des sites de liaison pertinents pour la maladie, favorisant ainsi la continuité translationnelle.
- Permet une détection mécanistique des risques en cartographiant les interactions des ligands avec les sous-poches structurales de la cible.
- Facilite les décisions d'avancement ajustées au risque en priorisant les composés présentant un ajustement optimal au pharmacophore.
Intégration des pipelines et des flux de travail
Ce protocole de modélisation pharmacophorique consensuelle s'applique dès la phase de découverte jusqu'à l'identification de composés leaders, en s'appuyant sur la biologie structurale et l'infodématique pour guider le criblage virtuel et la priorisation des candidats.
- Biologie de la découverte : Intègre les conformations liées au ligand pour clarifier les voies de liaison et réduire les risques liés à l'engagement de la cible.
- Criblage : Fournit des modèles pharmacophoriques quantitatifs et reproductibles destinés au criblage virtuel à haut débit.
- Analytique : Propose des sorties de caractéristiques regroupées et des descripteurs statistiques permettant de comparer les interactions des ligands.
- Recherche translationnelle : Garantit que les candidats correspondent aux caractéristiques pertinentes de la cible dans le contexte de la maladie, facilitant ainsi leur progression en préclinique.
- Réutilisation en entreprise : Offre un flux de travail évolutif et open source, adaptable à toute cible disposant de données ligand suffisantes.
Impact opérationnel et organisationnel
- Valeur scientifique : Accroît la confiance prédictive et réduit l'ambiguïté mécanistique des interactions cible-ligand.
- Valeur opérationnelle : Normalise la modélisation pharmacophorique et permet un criblage reproductible et évolutif.
- Valeur stratégique : Soutient des décisions éclairées de poursuite ou d'abandon et une hiérarchisation efficace des composés candidats.
- Impact sur le portefeuille : Facilite l'avancement ajusté au risque et la réutilisation croisée des modèles entre projets.
Considérations relatives à la mise en œuvre
- Nécessite une expertise en biologie structurale, en chimioinformatique et en modélisation de pharmacophores.
- Dépend de l'accès à des outils de visualisation moléculaire (par exemple, PyMOL) et à une infrastructure informatique (par exemple, Google Colab).
- Exige des protocoles standardisés de préparation des ligands et d'extraction des caractéristiques, communs à toutes les équipes.
- Adaptable à diverses cibles pour lesquelles existent des structures complexes avec ligands, mais limité par la qualité et la diversité des jeux de données.
- Le coût computationnel et les seuils de regroupement des caractéristiques doivent être gérés dans le cas de bibliothèques de ligands ultra-étendues.
