Comprendre la chimie informatique

La chimie computationnelle utilise des simulations informatiques pour étudier les propriétés et le comportement moléculaires, intégrant des principes de la mécanique quantique, de la mécanique statistique et de la physique classique.Le domaine est dominé par deux approches principales : les méthodes quantiques mécaniques (QM) qui résolvent l'équation Schrödinger pour la structure électronique, et les méthodes de la mécanique moléculaire (MM) qui utilisent des champs de force pour les grands systèmes biomoléculaires.

Principales techniques de chimie informatique dans la conception des médicaments

Au-delà de l'arrimage moléculaire, plusieurs techniques de calcul sont couramment utilisées dans les pipelines de découverte de médicaments, qui fournissent des renseignements complémentaires sur la reconnaissance moléculaire, la stabilité et la dynamique.

Modélisation des pharmacophores

Un pharmacophore est un ensemble de caractéristiques stériques et électroniques nécessaires à des interactions moléculaires optimales avec une cible biologique. Les modèles de pharmacophore computationnel sont construits soit à partir de ligands actifs connus (basés sur le ligand) soit à partir du site de liaison cible (basé sur la structure). SuisseADME Les modèles de pharmacophore sont particulièrement utiles pour les échafaudages, car ils permettent de découvrir des chimiotypes structurellement nouveaux qui conservent leur activité.

Rapport entre la structure quantitative et l'activité (QSAR)

Les modèles QSAR corrélent les descripteurs moléculaires (p. ex., logP, surface polaire, donneurs de liaisons hydrogène) avec des activités biologiques expérimentales. CEMBL Dans la pratique, QSAR aide à prioriser les composés pour la synthèse en prédisant l'activité, la sélectivité et les effets hors-cible au début du cycle de conception.

Simulations de dynamique moléculaire

Les simulations de dynamique moléculaire (MD) suivent le mouvement des atomes et des molécules en fonction du temps, fournissant des vues dynamiques des interactions protéines-ligand au-delà des instantanés statiques d'amarrage. MD révèle des changements conformationnels, des interactions avec l'eau et des effets induits d'ajustement qui sont critiques pour des prédictions précises d'affinité de liaison. AMBRE, GROMACS).

L'arrimage moléculaire : principes et techniques

Une simulation d'arrimage comprend deux composantes : un algorithme d'échantillonnage qui génère des poses plausibles et une fonction de notation qui évalue leur qualité. Les algorithmes d'échantillonnage communs comprennent les algorithmes génétiques (AutoDock), la recherche systématique (Glide) et la construction incrémentale (FlexX). Les fonctions de notation tombent en force sur le terrain (p. ex. AutoDock, Glide), empirique (ChemScore), fondée sur le savoir (DrugScore) et plus récemment, les fonctions de notation d'apprentissage profond comme GNINA et NeuralPLexer.

L'amarrage par les récepteurs rigides est plus rapide, mais la flexibilité des protéines améliore la précision. L'amarrage par les ensembles utilise plusieurs conformations des récepteurs à partir de simulations MD ou de structures cristallines, tandis que l'amarrage par les chaînes latérales flexibles permet de déplacer des résidus sélectionnés.

Le classement demeure la principale limite, car les fonctions actuelles ne permettent souvent pas de classer les classeurs des non-binders en raison de modèles de solvatation simplifiés et d'approximations entropiques. Cependant, le classement des dossiers demeure essentiel pour la recherche de points et l'optimisation du plomb, surtout lorsqu'il est combiné à des analyses post-dock comme MM-GBSA ou MM-PBSA.

Approches avancées d'arrimage

L'amarrage covalent (p. ex., CovDock) est utilisé pour les inhibiteurs covalents ciblés, tandis que les méthodes de solvatation-aware placent explicitement les molécules d'eau dans les poches de fixation. L'amarrage en fonction de contraintes impose des interactions connues (p. ex., liaisons hydrogène, cation-π) pour guider la génération de pose. L'amarrage en fonction des fragments, où les ligands sont construits à partir de fragments plus petits, aide à explorer efficacement les grands espaces chimiques.

Études de cas : Chimie computationnelle en action

Le développement de l'imatinib (Gleevec) inhibiteur de la kinase a bénéficié d'une modélisation basée sur la structure précoce utilisant QM/MM pour comprendre la liaison à la kinase ABL. Plus tard, la découverte de vemurafenib (Zelboraf) s'est appuyée sur le dépistage virtuel et l'amarrage pour identifier les inhibiteurs puissants du mutant B-Raf. Plus récemment, les approches computationnelles ont été au centre de la conception rapide des inhibiteurs principaux de protéase du SRAS-CoV-2 pendant la pandémie de COVID-19, avec des groupes à Université du Texas en utilisant l'amarrage et les calculs d'énergie libre pour identifier les candidats cliniques dans les mois.

Avantages par rapport aux méthodes expérimentales traditionnelles

Une seule campagne de dépistage virtuel peut évaluer des millions de composés en jours, alors que le dépistage à haut débit pourrait prendre des mois. En éliminant les réactifs et les essais pour les candidats pauvres, les méthodes de calcul réduisent les coûts de 50 à 80 %. L'espace chimique estimé de 1060 Les simulations révèlent des détails au niveau atomique — réseaux de liaison hydrogène, déplacement de l'eau, changements conformationnels — qui conduisent à une conception rationnelle plutôt qu'à des essais et des erreurs.

Défis et limites

Malgré les succès, la chimie computationnelle est confrontée à des obstacles : inexactitudes des champs de force, modélisation de solvatation, échantillonnage conformationnel et problèmes de qualité des données. Les champs de force classiques sont approximatifs des interactions électrostatiques et van der Waals, souvent manquants de polarisation. Les champs de force polarisables (AMOEBA, Drude) améliorent la précision mais augmentent le coût de calcul. Les modèles de solvatation implicites (PBSA, GBSA) sont rapides mais moins précis que les simulations explicites de solvants. La dynamique protéique peut faire manquer les modes de liaison de l'amarrage lorsqu'on utilise une structure statique unique.

Progrès récents et orientations futures

Les réseaux et transformateurs de graphi neural prédisent des affinités de liaison et même génèrent de nouvelles molécules par la chimie génératrice. Les plateformes comme AlphaFold ont révolutionné la prédiction de la structure protéique, fournissant des modèles de haute qualité pour l'arrimage lorsque les structures expérimentales ne sont pas disponibles.

L'intégration au dépistage par fragment et au cryo-EM crée des pipelines synergiques. L'objectif ultime de la prévision complète dans les modèles de silico – simulant les profils pharmacocinétiques et pharmacodynamiques complets – approche des avancées dans le calcul quantique, la modélisation à plusieurs échelles et les laboratoires autonomes (laboratoires autonomes).Ces innovations promettent d'accélérer encore la traduction de la simulation à la thérapie, faisant de la conception personnalisée de médicaments une réalité.

Conclusion

La chimie computationnelle est passée d'une discipline théorique de niche à un moteur essentiel de découverte de médicaments. En permettant un dépistage virtuel rapide, des idées mécanistes au niveau atomique et une optimisation rationnelle, elle réduit considérablement le temps et le coût d'apporter de nouveaux médicaments aux patients. L'arrimage moléculaire demeure un outil polyvalent pour l'identification des coups et le raffinement de la conduite, avec une amélioration de la précision grâce à de meilleures fonctions de notation et l'intégration avec la dynamique.