Utilisation de simulations d'amarrage moléculaire activées par AlphaFold2 pour prédire les interactions protéine-ligand en vue de la découverte d'antibiotiques

Utilisation de simulations d'amarrage moléculaire activées par AlphaFold2 pour prédire les interactions protéine-ligand en vue de la découverte d'antibiotiques

Dans une étude récemment publiée dans Biologie des systèmes moléculaires les chercheurs ont montré que des progrès dans la modélisation des interactions protéine-ligand à l'aide d'approches basées sur l'apprentissage automatique sont nécessaires pour mieux utiliser AlphaFold2 pour la découverte d'antibiotiques.

Lernen: Benchmarking AlphaFold-fähiger molekularer Docking-Vorhersagen für die Entdeckung von Antibiotika. Bildnachweis: Jaromond/Shutterstock

arrière-plan

Un défi majeur dans la découverte de médicaments est l’identification des interactions médicament-cible. Les chercheurs ont développé plusieurs approches pour résoudre ce problème, notamment des tests biochimiques, des interactions génétiques et un amarrage moléculaire. Cependant, seul l’amarrage moléculaire s’est avéré utile pour identifier les interactions protéine-ligand et le(s) mécanisme(s) d’action d’un médicament.

Bien que polyvalent, l’amarrage nécessite une connaissance préalable des structures protéiques. Le nombre et la qualité des structures protéiques cibles limitent encore davantage leur application pour identifier les cibles médicamenteuses.

À propos des études

Dans la présente étude, les chercheurs ont utilisé la base de données de prédiction de la structure protéique AlphaFold2 récemment publiée pour permettre des approches d'amarrage inversé qui couvrent le protéome essentiel d'Escherichia coli (E. coli) et permettent une prédiction complète des cibles de liaison des antibiotiques. Ces expériences pourraient aider à évaluer les performances de la plateforme de modélisation et à révéler la précision des prédictions des simulations d’amarrage moléculaire activées par AlphaFold2.

Les interactions protéine-ligand prévues entre les antibiotiques et les protéines essentielles pourraient être partiellement interrogées expérimentalement à l'aide d'essais biochimiques mesurant l'activité enzymatique, avec des interactions de liaison soutenues par une inhibition enzymatique.

Les chercheurs ont effectué des criblages à haut débit de 39 128 composés inhibant la croissance contre E. coli de type sauvage. Ces composés étaient des produits naturels, des antibiotiques et des molécules structurellement diverses dont le poids moléculaire était compris entre 40 daltons (Da) et 4 200 Da. Tous les composés qui inhibaient la croissance relative de 80 % ont été considérés comme actifs, et chaque composé actif a été arrimé par ordinateur à 296 protéomes essentiels d'E. coli prédits par AlphaFold2.

À titre de contrôle, un sous-ensemble de composés inactifs a été ancré de la même manière. Les chercheurs ont utilisé AutoDock Vina, un programme d'amarrage open source largement utilisé avec analyse comparative, pour ancrer les 218 composés aux 296 protéomes essentiels prédits par AlphaFold2. Ces simulations prédisaient des interactions protéine-ligand spécifiques et généralisées ainsi que la promiscuité protéique. Enfin, les chercheurs ont évalué les prédictions à l’aide de quatre fonctions de notation (SF) basées sur l’apprentissage automatique, à savoir le score RF, le score RF-VS, le score de connectivité étendue protéine-ligan (PLEC) et le score de réseau neuronal (NN).

Résultats de l'étude

Livre électronique sur la génétique et la génomique

Compilation des meilleurs interviews, articles et actualités de l'année dernière.

Téléchargez une copie aujourd'hui

Au total, 218 composés antibactériens étaient actifs contre E. coli, et environ 80 % étaient des antibiotiques des classes structurelles β-lactamines, aminoglycosides, tétracyclines, quinolones et polycétides. Les ingrédients actifs restants étaient des toxines et des composés antinéoplasiques. L'étude a également identifié un ensemble supplémentaire de composés dont les propriétés antibactériennes contre E. coli n'avaient pas encore été documentées.

De même, l’analyse de l’étude a prédit la position de liaison et l’affinité de liaison de 64 528 paires protéine-ligand. 100 composés inactifs supplémentaires sélectionnés au hasard ont conduit à des prédictions de pose de liaison et d'affinité pour 29 600 paires protéine-ligand via des simulations d'amarrage analogiques. De plus, les chercheurs ont mesuré l'activité enzymatique de plusieurs protéines d'E. coli impliquées dans la réplication, la transcription et la synthèse de la paroi cellulaire de l'acide désoxyribonucléique (ADN).

Fait intéressant, plusieurs molécules protéiques ont inhibé de manière enzymatique chaque composé antibactérien identifié, confirmant une promiscuité étendue. Ce phénomène a également permis d'évaluer les performances du modèle sur une échelle statistiquement significative.

Les chercheurs ont largement comparé les données expérimentales des interactions protéine-ligand avec les prédictions in silico pour montrer que cette approche de modélisation avait une précision de prédiction comprise entre 41 % et 73 %, en fonction du seuil d'affinité de liaison utilisé. Quel que soit le seuil d’affinité de liaison, l’aire sous la courbe caractéristique de fonctionnement du récepteur (auROC) pour les protéines essentielles était en moyenne de 0,48.

Remarquablement, les performances du modèle sont restées similaires même lorsque les chercheurs ont utilisé expérimentalement des structures protéiques spécifiques. En supposant qu’un modèle aléatoire correspond à un auROC de 0,5, ces résultats ont montré que les simulations d’amarrage moléculaire fonctionnaient mal.

Les auteurs ont constaté une profonde amélioration des performances du modèle mesurées par l'auROC, avec le score RF, le score RF-VS et le score NN. À l’inverse, les performances du modèle ne se sont pas améliorées lorsque DOCK6.9 a été utilisé et que la nouvelle notation a été effectuée à l’aide du score PLEC. De plus, les modèles consensuels incluant plusieurs SF basés sur l’apprentissage automatique ont amélioré le rapport entre le taux de vrais positifs et le taux de faux positifs et la précision des prédictions.

Conclusions

L’étude actuelle a démontré que l’utilisation d’AlphaFold2 pour prédire les cibles de médicaments est une méthode prometteuse mais qui en est encore à ses débuts. En conséquence, réaliser son potentiel en matière de découverte de médicaments nécessitera des améliorations significatives dans la modélisation des interactions protéine-ligand. L'analyse comparative des performances des simulations d'amarrage moléculaire est l'un des moyens viables d'améliorer la précision des prévisions ; cependant, cela nécessite l’utilisation concomitante d’approches basées sur l’apprentissage automatique. Dans l’ensemble, les résultats de l’étude pourraient éclairer l’utilisation appropriée d’AlphaFold2 dans la recherche sur les médicaments.

Référence:

• Benchmarking von AlphaFold-fähigen molekularen Docking-Vorhersagen für die Entdeckung von Antibiotika, Felix Wong, Aarti Krishnan, Erica J. Zheng, Hannes Stärk, Abigail L. Manson, Ashlee M. Earl, Tommi Jaakkola, James J. Collins. Molekulare Systembiologie. doi: https://doi.org/10.15252/msb.202211081 https://www.embopress.org/doi/full/10.15252/msb.202211081

.