Le criblage virtuel guidé par pharmacophore améliore le repositionnement de médicaments pour le COVID-19

Le repositionnement de médicaments — réaffecter des médicaments approuvés ou en investigation à de nouvelles utilisations thérapeutiques — a longtemps été une pierre angulaire de la découverte thérapeutique rapide.¹ Son succès le plus célèbre, la transformation d'un médicament contre l'hypertension et l'angine en « petite pilule bleue » de Pfizer, le Viagra, montre son impact potentiel. Dans le sillage du COVID-19, cette stratégie a de nouveau capté l'attention mondiale.

La modélisation de protéines en trois dimensions offre plusieurs outils in-silico pour le repositionnement. Une étude antérieure de cette série a démontré comment l'accostage moléculaire peut identifier des inhibiteurs potentiels de la protéase principale du SARS-CoV-2 (M^pro). Ici, nous demandons si la modélisation de pharmacophore — une abstraction des caractéristiques essentielles d'interaction ligand-protéine — peut fournir des insights comparables et ajouter une confiance supplémentaire dans la sélection de molécules candidates.

La modélisation de pharmacophore comme approche alternative

Les modèles de pharmacophore distillent les interactions non-covalentes clés qui permettent à un ligand de se lier à une cible protéique, offrant une perspective complémentaire aux méthodes de simulation traditionnelles. Nous avons commencé avec un ensemble de structures cristallines de M^pro du SARS-CoV-2 obtenues de la Diamond Light Source.² Après alignement des structures, nous avons employé le protocole « Génération de pharmacophore d'interaction » de BIOVIA Discovery Studio pour extraire les caractéristiques de pharmacophore de chaque complexe protéine-ligand. Les comptes de caractéristiques allaient de deux (pour 5R80 et 5R7Y) à neuf (pour 6LU7). En fusionnant et simplifiant les caractéristiques chevauchantes, nous sommes arrivés à un pharmacophore consensuel à 14 caractéristiques qui encapsule les contacts intermoléculaires critiques de la protéase avec des lieurs potentiels.

Pour affiner ce modèle, nous avons effectué un balayage d'alanine in-silico sur les résidus du site actif à travers tous les complexes. Huit résidus — HIS41, MET49, ASN142, HIS163, MET165, PRO168, GLN189 et GLN192 — sont apparus comme points chauds dans au moins un complexe, avec trois résidus (HIS41, MET49, MET165) identifiés comme points chauds dans quatre complexes ou plus. Six des 14 caractéristiques de pharmacophore se sont directement mappées sur les interactions avec ces résidus points chauds. Un second jeu de données de complexes ligand M^pro non-covalents a révélé des modes de liaison alternatifs, nous incitant à séparer les six caractéristiques clés en deux groupes pour le criblage virtuel subséquent.

En utilisant ce pharmacophore affiné, nous avons criblé une bibliothèque de 2 650 médicaments approuvés par la FDA, chacun pré-généré avec de multiples conformations de ligand pour accélérer la recherche. Les hits étaient définis par la correspondance d'au moins une caractéristique de chacun des deux groupes essentiels et d'un minimum de deux caractéristiques additionnelles parmi les huit restantes. Ce critère stringent assurait une exploration diversifiée des modes de liaison tout en préservant les interactions avec les résidus critiques identifiés via le balayage d'alanine. L'algorithme de criblage a exploré plus de 12 000 combinaisons de pharmacophore. Pour chaque hit, nous avons effectué une minimisation d'énergie dans le contexte de la protéine et calculé les énergies de liaison en utilisant CHARMm avec un modèle de solvant implicite Generalized Born/Volume (GBMV) — effectivement un calcul d'accostage contraint par le pharmacophore.

Nous nous sommes concentrés sur les poses engageant quatre résidus clés — HIS41, MET49, CYS145 et MET165 — car ceux-ci composent le dyad catalytique (HIS41/CYS145) et sont communs à plusieurs résidus points chauds. Le tri par énergie libre de liaison calculée a produit les dix meilleurs candidats. Le Ritonavir, déjà mis en avant dans notre étude d'accostage antérieure, s'est classé septième dans les deux analyses et est actuellement dans plusieurs essais cliniques COVID-19.³

Vidéo 1 : Meilleure pose du Ritonavir interagissant avec HIS41, MET49, SER144, CYS145, MET165, GLU166 et GLN189.

Le ligand principal de cette approche pilotée par pharmacophore était le Montelukast, un antagoniste du récepteur des leucotriènes cysteinyl. La littérature récente suggère son potentiel pour atténuer la progression du COVID-19.⁴

Autres composés les mieux notés incluaient le Telmisartan, le Moexipril et l'hydroxychloroquine — chacun récemment scruté pour son potentiel de repositionnement, l'hydroxychloroquine générant le plus de controverse.⁵ Notamment, la liste de hits dérivée du pharmacophore présentait une gamme plus large de classes cibles comparée à la liste d'accostage seule, dominée par les inhibiteurs de protéases HCV ou VIH.

Nos résultats démontrent qu'intégrer le balayage d'alanine in-silico dans la modélisation de pharmacophore peut affiner le criblage virtuel, produisant un ensemble priorisé de candidats médicamenteux divers. Bien que le chevauchement avec les pistes dérivées de l'accostage soit modeste, l'identification partagée du Ritonavir souligne la valeur des approches consensuelles. Combiner les candidats les plus forts des deux méthodes peut guider une validation expérimentale plus ciblée.

En résumé, le criblage virtuel guidé par pharmacophore sert de stratégie puissante et complémentaire à l'accostage, renforçant la confiance dans la sélection des candidats et élargissant l'espace chimique exploré pour les thérapeutiques COVID-19.