Décoder les motifs des poches DEL par apprentissage contrastif

Pourquoi examiner les « poches » des protéines peut accélérer la découverte de nouveaux médicaments

Les chercheurs en découverte de médicaments peuvent désormais tester des billions de petites molécules simultanément grâce aux bibliothèques encodées par ADN, ou DEL. Pourtant, seules quelques-unes des molécules issues des DEL sont devenues des médicaments réels. Un élément clé manquant est la connaissance des protéines du corps qui possèdent réellement le bon type de replis et cavités — des « poches » — dans lesquelles les molécules DEL peuvent s’accrocher. Cette étude comble ce manque en cartographiant l’apparence des poches DEL qui réussissent et en construisant un modèle d’intelligence artificielle, nommé ErePOC, pour repérer des poches similaires à travers le corps humain.

Comment la technologie DEL cherche de nouvelles molécules médicamenteuses

Les DEL fonctionnent un peu comme des leurres de pêche codés-barres. Les chimistes attachent de petites molécules candidates à de courts segments d’ADN qui servent d’étiquettes d’identification, puis exposent de vastes mélanges de ces molécules marquées à une protéine d’intérêt. Les molécules qui adhèrent sont identifiées par séquençage de l’ADN. Cette approche est rapide et peu coûteuse, mais transformer des hits DEL en médicaments reste difficile. En partie parce que les molécules DEL subissent certaines contraintes chimiques, comme leur synthèse en milieu aqueux et la manière dont l’étiquette d’ADN est attachée. Ces contraintes les amènent à préférer certains types de poches protéiques, mais ces préférences n’avaient pas été cartographiées de façon systématique jusqu’à présent.

Ce qui rend une poche attractive pour les molécules DEL

Les auteurs ont d’abord comparé des milliers de poches protéiques qui lient différents types de ligands : petites molécules biologiques ordinaires, médicaments approuvés par la FDA et hits DEL. Ils ont constaté que les poches ciblées par les DEL et par les médicaments tendent à être plus grandes et chimiquement plus complexes que celles des ligands naturels. En particulier, les poches DEL sont plus ouvertes et plus hydrophobes — c’est‑à‑dire qu’elles favorisent des interactions huileuses, répulsives à l’eau — tout en conservant un petit mais important ensemble de points de contact polaires qui affinent la liaison. Certains acides aminés volumineux offrant des surfaces aromatiques et hydrophobes, comme la tyrosine et la phénylalanine, apparaissent plus souvent dans les poches liant DEL et médicaments que sur les surfaces protéiques typiques. Globalement, les poches DEL ressemblent davantage aux poches classiques ciblées par des médicaments qu’aux sites métaboliques ordinaires, mais avec un biais supplémentaire en faveur de cavités larges et hydrophobes.

Apprendre à un modèle d’IA à reconnaître les « personnalités » des poches

Pour aller au‑delà des simples mesures de taille et de chimie, l’équipe a développé ErePOC, un modèle de représentation qui traite chaque poche de liaison comme une sorte d’empreinte digitale. Il part d’embeddings issus de modèles de langage protéique, qui capturent des motifs appris à partir de millions de séquences, et compresse l’information sur les résidus formant une poche en un vecteur numérique compact. Grâce à l’apprentissage contrastif, ErePOC est entraîné de sorte que les poches liant des ligands chimiquement similaires se retrouvent proches dans cet espace abstrait, tandis que celles liant des molécules très différentes s’éloignent. Lorsque les auteurs ont visualisé cet espace, les poches connues pour lier les mêmes cofacteurs, comme l’ATP ou l’hème, formaient des amas bien distincts, montrant que le modèle avait appris à regrouper les poches par comportement fonctionnel plutôt que par simple forme globale de la protéine.

Repérer des cibles compatibles DEL dans le protéome humain

Une fois ErePOC entraîné, les chercheurs ont projeté des poches DEL connues, des poches de médicaments et des centaines de milliers de poches issues de structures protéiques expérimentales ou prédites dans le même paysage. Les poches DEL étaient dispersées, indiquant que le criblage DEL peut en principe atteindre une grande partie de l’espace traditionnel « druggable », mais elles montraient néanmoins des préférences nettes pour certaines régions associées à des poches plus larges et hydrophobes. L’équipe a ensuite scanné plus de 23 000 protéines humaines prédites par AlphaFold, en filtrant les poches bien définies et en demandant lesquelles ressemblaient le plus aux poches DEL connues dans l’espace ErePOC. Ils ont identifié près de 2 800 protéines humaines dont les poches sont très similaires aux sites DEL efficaces, avec un enrichissement marqué dans des familles telles que les transférases, les hydrolases, les oxydoréductases, les régulateurs de la chromatine et certaines protéines liant l’ARN. Des simulations de docking complémentaires avec une grande bibliothèque DEL virtuelle ont suggéré que ces poches signalées par ErePOC tendent effectivement à lier plus favorablement des molécules de type DEL.

Pourquoi cela compte pour la découverte de médicaments à venir

Pour les non‑spécialistes, la conclusion principale est que le succès des bibliothèques chimiques ultra‑grandes dépend autant du choix des bonnes poches protéiques que des molécules elles‑mêmes. Ce travail montre que les hits DEL proviennent souvent de poches grandes, flexibles et hydrophobes, et introduit un outil d’IA puissant pour reconnaître de telles poches à partir de la séquence ou de la structure uniquement. En utilisant ErePOC pour concentrer le criblage DEL sur des protéines dont les poches semblent déjà compatibles avec les DEL, les chercheurs peuvent prioriser des cibles plus prometteuses, réduire les efforts de criblage inutiles et potentiellement s’étendre à des classes moins explorées comme les protéines régulant la chromatine et celles liant l’ARN. En bref, l’étude offre à la fois une image plus claire de ce qu’est une poche « prête pour les DEL » et une carte pratique pour en trouver beaucoup d’autres à travers le protéome humain.

Citation: Zhang, W., Wang, Y., Zhan, R. et al. Deciphering DEL pocket patterns through contrastive learning. Nat Commun 17, 2810 (2026). https://doi.org/10.1038/s41467-026-69663-y

Mots-clés: Bibliothèques encodées par ADN, Poches de liaison des protéines, Apprentissage contrastif, IA pour la découverte de médicaments, ErePOC