Profilage des kinases piloté par des pharmacophores appliqué à l’ensemble chimégnomique PKIS2

Pourquoi cela compte pour les médicaments de demain

Beaucoup de médicaments modernes agissent en bloquant des enzymes appelées kinases, qui jouent le rôle d’interrupteurs marche/arrêt dans nos cellules. Mais la plupart des petites molécules n’atteignent pas un seul interrupteur : elles en actionnent plusieurs à la fois, ce qui peut être à la fois utile et dangereux. Cette étude présente une nouvelle méthode pour lire le « code de forme » caché qui fait qu’une molécule adhère à des kinases particulières, en exploitant un très grand jeu de données public d’inhibiteurs de kinases. L’approche pourrait aider les chercheurs à concevoir des médicaments mieux ciblés — soit très sélectifs, soit intentionnellement multi-cibles — en comprenant quels motifs 3D d’une molécule tendent à activer quelles kinases.

Repérer des formes communes dans un océan de molécules

Les auteurs partent de PKIS2, une collection chimégnomique de 645 petites molécules testées contre 406 kinases humaines. Plutôt que de sélectionner manuellement quelques composés exemples pour chaque kinase, ils laissent les données parler d’elles-mêmes. Pour chaque molécule, ils génèrent plusieurs formes 3D possibles et traduisent chacune en une carte simple de caractéristiques clés qui favorisent souvent la liaison, telles que des sites de liaison hydrogène, des groupes chargés, des régions hydrophobes et des cycles aromatiques. Ces cartes, appelées pharmacophores, capturent les positions relatives de ces caractéristiques dans l’espace sans dépendre d’une chimie détaillée. En exploitant des milliers de ces cartes sur l’ensemble des composés, l’équipe extrait automatiquement des motifs 3D récurrents — des « hypothèses de pharmacophore » — qui apparaissent dans de nombreuses molécules différentes.

Évaluer quelles formes importent pour quelles kinases

Un défi central consiste à décider quels motifs de pharmacophore sont réellement liés à l’activité biologique et lesquels ne sont que du bruit statistique. Les chercheurs introduisent un nouveau score, la Mesure d’Enrichissement Normalisée (NEM), qui compare la fréquence à laquelle des composés correspondant à un pharmacophore donné sont actifs sur une kinase à la fréquence d’activité de n’importe quel composé du jeu de données sur cette même kinase. Contrairement aux mesures plus anciennes, la NEM corrige le fait que certaines kinases sont ciblées par de nombreux composés et d’autres par très peu, ce qui permet d’évaluer les motifs de façon équitable à travers le panel. Ils se concentrent sur des pharmacophores de complexité modérée, impliquant typiquement quatre ou cinq caractéristiques, qui couvrent encore presque toutes les molécules tout en évitant des motifs rares et trop spécifiques.

Mettre en lumière des profils de kinases partagés et sélectifs

En appliquant la NEM à chaque paire pharmacophore–kinase, l’étude construit une carte riche des relations entre motifs de caractéristiques 3D et activité kinase. Pour chaque pharmacophore, ils peuvent voir quelles kinases il a tendance à activer, et pour chaque kinase, quels pharmacophores décrivent le mieux ses ligands actifs. À l’aide d’une procédure de sélection automatique, ils réduisent des milliers de candidats à des ensembles compacts de pharmacophores représentatifs. Pour la kinase DDR1, une cible émergente en cancérologie, onze de ces motifs 3D expliquent la majorité de ses composés actifs et montrent une forte affinité pour la grande famille des kinases tyrosines, en accord avec la biologie connue. Des analyses similaires pour VEGFR2, un récepteur clé de la croissance des vaisseaux sanguins, révèlent un autre groupe de pharmacophores enrichis en kinases tyrosines et reproduisent les profils multi-kinases connus pour des médicaments comme le dasatinib et le sorafénib.

Vérification croisée avec des données médicamenteuses réelles

Pour tester si ces motifs abstraits sont pertinents au-delà d’un seul jeu de données, les auteurs les projettent sur plusieurs grandes ressources publiques : ChEMBL, DrugBank, KLIFS, KINOMEscan, Kinobeads et le programme LINCS. De nombreux pharmacophores extraits de PKIS2 correspondent aussi à des milliers de ligands de kinases dans ChEMBL et apparaissent dans des structures 3D où des inhibiteurs sont liés à des kinases dans la Protein Data Bank. Pour des médicaments bien étudiés, les prédictions basées sur les pharmacophores concordent avec des profils multi-kinases mesurés expérimentalement. L’équipe montre même qu’en combinant les scores NEM avec des règles logiques simples — par exemple en sélectionnant des pharmacophores forts pour DDR1 mais faibles pour VEGFR2 — ils peuvent dégager des motifs favorisant un profil kinase plutôt qu’un autre, suggérant une voie pratique pour contrôler la sélectivité.

Des cartes de motifs à une conception des kinases plus intelligente

En termes clairs, ce travail construit une sorte de « légende cartographique » pour la découverte de médicaments anti-kinases : il indique quelles dispositions simples de caractéristiques 3D dans les petites molécules tendent à activer quelles kinases, à travers de nombreux jeux de données. Parce que la méthode est non supervisée, évolutive et publiée en logiciel open source, elle peut être appliquée à tout nouveau panel de criblage. Les chimistes peuvent l’utiliser pour filtrer des bibliothèques virtuelles, prédire quelles kinases une nouvelle molécule est susceptible d’atteindre, et identifier quelles parties d’un épic de molécule entraînent une activité large ou une sélectivité pointue. Avec le temps, la combinaison de ces cartes de pharmacophores et des modèles d’apprentissage automatique modernes pourrait aider à orienter la conception de médicaments anti-kinases plus sûrs et plus efficaces en rendant le paysage complexe de la polypharmacologie plus compréhensible et prédictible.

Citation: Bureau, R., Lamotte, JL., Cuissart, B. et al. Pharmacophore-driven kinase profiling applied to the PKIS2 chemogenomic dataset. Sci Rep 16, 12083 (2026). https://doi.org/10.1038/s41598-026-42945-7

Mots-clés: inhibiteurs de kinases, modélisation de pharmacophores, polypharmacologie, chimégnomique, conception de médicaments