Optibrium, un développeur leader de logiciels et de solutions d'IA pour la conception moléculaire, a annoncé aujourd'hui la publication d'une étude évaluée par des pairs dans le Journal of Computer-Aided Molecular Design, « From UK-2A to florylpicoxamid: Active learning to identify a mimic of a macrocyclic natural product ». L'article démontre l'application réussie de la méthode QuanSA (Quantitative Surface-field Analysis), qui fait partie de la plateforme BioPharmics d'Optibrium pour la conception moléculaire 3D, pour accélérer l'optimisation d'un produit naturel macrocyclique complexe lors du développement agrochimique. En réduisant considérablement le nombre d'étapes de synthèse requises lors de l'optimisation, l'étude soutient la viabilité commerciale des composés macrocycliques complexes.
La méthode QuanSA d'Optibrium utilise une approche d'apprentissage actif qui combine deux types de sélection moléculaire : le premier identifie les composés prédits comme étant les plus actifs, et le second identifie les composés prédits comme étant les plus informatifs pour l'optimisation des pistes. La méthode a de nombreuses applications dans l'optimisation des pistes où des remplacements d'échafaudages sont nécessaires, du développement agrochimique à la conception et à la découverte de petites molécules et de ligands macrocycliques. Dans le cadre de l'étude menée en collaboration avec une entreprise agroalimentaire de premier plan, Optibrium a exploré comment cette approche pourrait fournir une voie plus efficace pour trouver de nouveaux produits agrochimiques (par exemple, pour la protection des cultures) en réduisant le nombre de composés nécessitant une synthèse.
Le florylpicoxamide (FPX) est un imitateur d'un produit naturel macrocyclique, UK-2A, identifié à l'origine grâce à une méthode de déconstruction par étapes qui nécessitait des milliers d'analogues synthétiques aux côtés in vitro et en plante En utilisant la méthode QuanSA, la forme métabolique de liaison du FPX a été identifiée avec succès en cinq cycles de sélection de composés et d'affinement du modèle, réduisant ainsi le nombre total d'analogues synthétiques requis d'un facteur dix.
La prédiction d'affinité purement basée sur les ligands est difficile, la présence de macrocycles aggravant la complexité. Nous sommes ravis de montrer comment l'apprentissage automatique peut créer des modèles physiquement significatifs pour l'optimisation des pistes et comment la méthode QuanSA d'Optibrium, utilisant une stratégie d'apprentissage actif, peut être appliquée à la conception moléculaire du monde réel.
Ann Cleves, vice-présidente des sciences d'application chez Optibrium
Ann continue : « Les produits naturels macrocycliques sont très prometteurs en tant que médicaments et pour la protection des cultures, mais leur complexité les rend difficiles à synthétiser et à mettre en œuvre à grande échelle. Cette étude démontre que nous pouvons grandement simplifier l’optimisation des molécules complexes, non seulement pour la découverte de médicaments, mais aussi pour favoriser le développement de nouveaux produits agrochimiques. »
