Dans une étude récente publiée dans la revue Progrès scientifiquesDes chercheurs suédois ont procédé à des criblages virtuels de plus de 16 millions de composés à l'aide de modèles de récepteurs multiples développés par AlphaFold et de techniques de modélisation d'homologie. Ces modèles étaient basés sur différentes structures protéiques pour identifier des agonistes du récepteur 1 associé aux amines traces (TAAR1) pour le traitement potentiel de diverses affections neuropsychiatriques. Ils ont découvert que le criblage basé sur AlphaFold avait un taux de réussite plus élevé et a permis de découvrir de puissants agonistes du TAAR1, ce qui a conduit à un candidat médicament prometteur qui a montré des effets physiologiques chez la souris.
Étude : AlphaFold a accéléré la découverte d'agonistes psychotropes ciblant le récepteur 1 associé aux amines traces. Crédit photo : Corona Borealis Studio / Shutterstock
Sommaire
Arrière-plan
L'avènement des méthodes d'apprentissage automatique, dont AlphaFold, a révolutionné la prédiction de la structure des protéines, atteignant une précision quasi expérimentale et fournissant des modèles pour de nombreuses protéines thérapeutiquement pertinentes telles que les récepteurs couplés aux protéines G (GPCR). Cela a suscité un intérêt considérable pour l'utilisation des modèles AlphaFold pour la conception de médicaments, car l'accès à des structures protéiques précises peut potentiellement accélérer la découverte de médicaments. Cependant, des études comparant AlphaFold aux structures GPCR déterminées expérimentalement ont montré des résultats mitigés quant à l'efficacité d'AlphaFold dans la prédiction des complexes GPCR-médicament. Bien qu'AlphaFold puisse modéliser les sites de liaison avec une grande précision, ces études ont souligné que les modes de liaison des ligands prédits différaient souvent de ceux dérivés de structures déterminées expérimentalement. Bien qu'AlphaFold soit censé modéliser les sites de liaison avec une grande précision, les performances dans les simulations d'amarrage et les criblages virtuels sont souvent inférieures à celles des structures déterminées expérimentalement. Cette divergence suggère que même si AlphaFold peut surpasser les modèles d'homologie traditionnels dans certains aspects, il nécessite encore des améliorations supplémentaires pour prédire avec précision les interactions dynamiques protéine-ligand. Ces résultats suggèrent que même si AlphaFold est supérieur aux modèles d'homologie traditionnels, il n'est peut-être pas encore entièrement adapté à la conception de médicaments basée sur la structure, soulignant la nécessité d'une optimisation supplémentaire de ces modèles pour améliorer leur précision dans la prédiction des interactions protéine-ligand.
TAAR1, un récepteur couplé aux protéines G (GPCR) dont la structure expérimentale n'était pas disponible au moment de l'étude, était au cœur de cette recherche en raison de son potentiel en tant que cible médicamenteuse. Les chercheurs ont voulu explorer l'efficacité des modèles AlphaFold dans le criblage virtuel basé sur la structure, en particulier pour les agonistes de TAAR1, et comparer ces résultats avec les techniques traditionnelles de modélisation par homologie.
À propos de l'étude
Pour évaluer l'efficacité d'AlphaFold par rapport aux modèles d'homologie dans l'identification des ligands de TAAR1, les chercheurs ont généré plusieurs modèles pour TAAR1 en utilisant les deux techniques et ont mené deux criblages virtuels complets basés sur la structure. Ces criblages impliquaient l'arrimage d'une bibliothèque de 16 millions de composés de type fragment, l'évaluation de leur potentiel en tant que ligands de TAAR1 en fonction des scores d'arrimage et des modes de liaison prédits. Les performances de ces modèles ont été comparées en fonction de leur capacité à enrichir les ligands connus de TAAR1 et à prédire des complexes récepteur-agoniste précis. Les criblages d'arrimage impliquaient l'évaluation de 218 trillions de complexes, avec l'arrimage réussi de 6,8 millions de composés aux modèles AlphaFold et de 11,3 millions aux modèles d'homologie.
La recherche s'est concentrée sur l'analyse des différences structurelles entre AlphaFold et les modèles d'homologie, en particulier dans la taille et la forme du site de liaison TAAR1. Pour évaluer les relations structure-activité de l'activation de TAAR1, les chercheurs ont utilisé le composé 30, précédemment identifié comme le plus puissant à partir d'un criblage AlphaFold. Une série d'analogues a ensuite été générée. Ces composés ont été ancrés dans des modèles AlphaFold, avec une attention particulière portée à la manière dont ces modèles représentaient le site orthostérique et d'autres régions de liaison critiques. Seize analogues prometteurs ont été sélectionnés pour une évaluation plus approfondie. Divers tests ont été utilisés pour évaluer l'activité agoniste des composés, qui a évalué l'activité sur 27 GPCR aminergiques. De plus, un test d'accumulation d'adénosine cyclique 3',5'-monophosphate (AMPc) a été utilisé pour mesurer la puissance, et un profilage pharmacocinétique a été réalisé pour évaluer la solubilité, la liaison aux protéines plasmatiques, la perméabilité et la stabilité métabolique.
En outre, in vivo Des études ont été réalisées, qui impliquaient la mesure de la température corporelle centrale (CBT) chez des souris TAAR1 de type sauvage (TAAR1-WT) et TAAR1-KO (TAAR1-KO), des tests d'inhibition pré-impulsionnelle (PPI) et des expériences de locomotion pour évaluer les effets antipsychotiques des composés. En plus d'évaluer ces effets physiologiques, des comparaisons structurelles ont été faites entre les modèles AlphaFold et les structures de cryo-microscopie électronique (cryo-EM) récemment publiées de TAAR1. Ces comparaisons ont révélé que les modèles AlphaFold fournissaient une représentation plus compacte de la poche de liaison, ce qui influençait les résultats d'amarrage et les prédictions du mode de liaison.
Résultats et discussion
L'étude a révélé que les modèles AlphaFold ont surpassé les modèles d'homologie dans le criblage virtuel, atteignant un taux de réussite de 60 % par rapport à un taux de réussite de 22 % pour le criblage du modèle d'homologie. Les agonistes dérivés d'AlphaFold ont affiché une puissance plus élevée et des structures chimiques diverses. Ce taux de réussite plus élevé a été attribué à la prédiction plus précise d'AlphaFold des sites de liaison extracellulaire et orthostérique, bien que les modèles aient eu du mal avec des ligands synthétiques plus gros. Le composé 65 a démontré une puissance élevée et s'est avéré plus efficace que l'ulotaront. Les profils de sélectivité ont montré que les composés 30 et 65 étaient similaires à l'ulotaront mais présentaient également une activité sur des récepteurs supplémentaires. Le composé 65 a montré une sélectivité améliorée par rapport à l'ulotaront, ainsi qu'une excellente solubilité, une faible liaison aux protéines plasmatiques, une bonne perméabilité et une stabilité métabolique favorable.
Cependant, l’étude a également mis en évidence certaines limites des modèles AlphaFold. In vivo Les études pharmacocinétiques ont révélé une distribution rapide du composé dans le cerveau. Les tests comportementaux ont montré que le composé 65 réduisait efficacement la CBT chez les souris TAAR1-WT mais n'avait aucun effet chez les souris TAAR1-KO. Le composé a également amélioré l'IPP chez les souris WT, de manière similaire à la rispéridone, mais pas chez les souris TAAR1-KO. Dans les tests de locomotion, le composé 65 a réduit la locomotion de base et a inhibé l'hyperlocomotion chez les souris WT mais pas chez les souris TAAR1-KO.
Les recherches ont également souligné que même si les modèles AlphaFold étaient généralement plus précis que les modèles d'homologie, ils présentaient néanmoins des limites importantes. Par exemple, AlphaFold avait du mal à prédire les conformations dynamiques et multiples des récepteurs GPCR, un aspect essentiel pour modéliser avec précision les sites de liaison pour les ligands synthétiques plus gros. Les comparaisons structurelles ont révélé que les modèles AlphaFold fournissaient des prédictions plus précises des sites de liaison extracellulaires et orthostériques par rapport aux modèles d'homologie. Néanmoins, les structures cryo-EM récemment publiées ont démontré que les données expérimentales pouvaient offrir de meilleures informations sur les modes de liaison, en particulier pour les ligands complexes. Cependant, les structures cryo-EM expérimentales ont montré un meilleur alignement avec les modes de liaison pour les ligands synthétiques plus gros. Cette découverte suggère que même si AlphaFold est un outil puissant, il peut nécessiter un perfectionnement supplémentaire ou une combinaison avec d'autres techniques pour capturer pleinement la nature dynamique des interactions récepteur GPCR-ligand.
Conclusion
En conclusion, l’étude suggère que les structures prédites par l’apprentissage automatique, telles que celles générées par AlphaFold, peuvent identifier efficacement les ligands GPCR, accélérant ainsi la découverte de médicaments pour de nouvelles cibles comme TAAR1. Cependant, l’étude souligne également la nécessité de continuer à développer ces modèles pour améliorer leur pouvoir prédictif, en particulier pour les ligands complexes et les conformations protéiques dynamiques. Parmi les composés identifiés, le composé 65 a démontré une plus grande puissance, une plus grande sélectivité et des propriétés pharmacocinétiques favorables par rapport à l’ulotaront. Il a également montré des effets prometteurs de type antipsychotique in vivoce qui en fait un candidat potentiellement fort pour le développement de nouveaux traitements pour les troubles neuropsychiatriques.
