LEGION moléculaire : une couverture incommensurable de l’espace chimique autour de la cible NLRP3

Pourquoi cela compte pour les médicaments de demain

Concevoir de nouveaux médicaments, c’est comme chercher quelques grains de sable particuliers sur une plage infinie. Cet article décrit une façon d’élargir massivement la recherche autour d’un interrupteur prometteur du système immunitaire appelé NLRP3, impliqué dans de nombreuses maladies inflammatoires chroniques. En combinant plusieurs types d’intelligence artificielle et des astuces de chimie astucieuses, les auteurs génèrent et partagent une gigantesque collection de molécules conçues par ordinateur qui pourraient un jour devenir des points de départ pour de nouveaux médicaments.

Le défi d’un univers moléculaire infini

Les chimistes parlent d’« espace chimique » pour décrire l’ensemble des petites molécules qui pourraient, en principe, exister. Cet espace est incroyablement vaste — bien au-delà de ce que nous pouvons stocker dans une base de données ou tester en laboratoire. Les catalogues existants de molécules réelles ou facilement synthétisables ne couvrent qu’un minuscule point de cet univers, et encore moins possèdent une activité biologique connue. La plupart des programmes de découverte de médicaments d’aujourd’hui pêchent encore dans cet étang restreint et bien exploité, ce qui limite les chances de trouver des traitements véritablement nouveaux et brevetables. Les auteurs soutiennent que la région la plus excitante se situe entre ce qui est clairement faisable et ce qui est clairement impossible à synthétiser : des molécules qui paraissent réalistes mais n’ont jamais été réalisées.

Un interrupteur inflammatoire difficile mais précieux

L’équipe se concentre sur NLRP3, un complexe protéique qui aide à contrôler l’inflammation. Lorsqu’il est déréglé, NLRP3 a été lié à un large éventail de troubles, des maladies auto-immunes aux affections métaboliques et neurodégénératives. Plusieurs entreprises ont déjà conçu des bloqueurs de NLRP3 de petite taille, mais aucun n’est encore devenu un médicament approuvé, en partie à cause de problèmes tels que la sélectivité, la distribution vers les tissus cibles et la biologie complexe. Cela fait de NLRP3 un sujet à la fois à haut risque et à haute récompense : un terrain d’essai parfait pour des méthodes capables d’explorer un territoire chimique beaucoup plus vaste que ce que permettent les approches standard.

Comment le flux de travail LEGION explore l’espace chimique

Les auteurs présentent LEGION, un workflow en plusieurs étapes construit sur une plateforme IA industrielle appelée Chemistry42. D’abord, ils partent de structures 3D connues où de petites molécules se logent dans la protéine NLRP3. En les utilisant comme modèles, ils mènent deux recherches indépendantes : l’une parcourt d’immenses collections de molécules existantes et synthétiquement réalisables, et l’autre utilise des modèles d’IA générative pour inventer de nouvelles molécules plausibles. Les deux sont guidées par des simulations informatiques qui vérifient dans quelle mesure chaque molécule s’adapte à la protéine, incluant sa forme et les points de contact clés. À partir des « hits virtuels » obtenus, l’équipe extrait automatiquement des squelettes moléculaires centraux, ou scaffolds, qui semblent cruciaux pour la liaison.

Des squelettes clés à des milliards de possibilités

Ensuite, LEGION transforme ces scaffolds dérivés de la 3D en blocs de construction 2D marqués aux positions où des groupes chimiques peuvent être attachés. Les chercheurs affinent et étendent cet ensemble à plus de 34 000 scaffolds uniques, puis à environ 94 000 favoris particulièrement adaptés à la conception ultérieure. Ils utilisent deux stratégies complémentaires pour construire d’immenses bibliothèques virtuelles : une chaîne générative 2D qui propose de nouvelles molécules autour de ces scaffolds, et un schéma combinatoire simple mais puissant qui insère systématiquement des fragments « gauche » et « droite » dans des squelettes centraux. Un échantillonnage soigné de cette explosion combinatoire aboutit à environ 110 millions de molécules distinctes dans les jeux de données partagés, et le code fourni pourrait en principe générer environ 123 milliards.

Vérifier que les molécules virtuelles restent pertinentes

Créer des nombres vertigineux de structures n’a de sens que si au moins certaines d’entre elles ont une bonne chance de fonctionner. Pour tester cela, les auteurs choisissent au hasard des sous-ensembles de leurs molécules conçues en 2D et relancent des dockings 3D complets et des évaluations, comme s’il s’agissait de nouveaux candidats. Ils constatent que plus de la moitié des molécules issues de l’IA générative et une part saine de celles issues du combinatoire se comportent comme des « hits virtuels » prometteurs dans ces tests. Dans des études de cas supplémentaires, ils montrent que LEGION est capable de redécouvrir des familles connues de molécules bloquant NLRP3 sans y être directement informé, et qu’il contenait même des exemples d’un nouveau chimotype signalé plus tard par un autre groupe comme une nouvelle série d’inhibiteurs de NLRP3.

Ce que cela signifie pour l’avenir

Pour les non-spécialistes, le message principal est que les chercheurs en médicaments commencent à se frayer un chemin à travers un espace quasiment inimaginable de médicaments potentiels grâce à l’aide de l’IA. Plutôt que de proposer un médicament unique, cette étude fournit un vaste paysage focalisé sur la cible de molécules conçues par ordinateur autour de NLRP3, ainsi que les outils pour l’explorer. Ce paysage peut accélérer le dépistage virtuel, inspirer de nouvelles stratégies de brevet et aider les chercheurs à passer d’une famille chimique à une autre à la recherche de médicaments anti-inflammatoires plus sûrs et plus efficaces. En bref, LEGION transforme un univers chimique lointain et abstrait en un terrain de jeu structuré pour la découverte future de médicaments ciblant NLRP3.

Citation: Zagribelnyy, B., Aladinskiy, V., Bondarev, N. et al. Molecular LEGION: incalculably large coverage of chemical space around the NLRP3 target. Sci Data 13, 576 (2026). https://doi.org/10.1038/s41597-026-06850-y

Mots-clés: inhibiteurs de NLRP3, chimie générative, espace chimique, découverte de médicaments pilotée par l’IA, dépistage virtuel