Repositionnement de médicaments guidé par l’apprentissage automatique pour le cancer du sein HER2‑positif

Pourquoi les vieux médicaments comptent pour les cancers difficiles

Pour de nombreuses personnes atteintes d’une forme agressive de cancer du sein appelée HER2‑positif, les médicaments ciblés actuels peuvent perdre de leur efficacité avec le temps, et le développement de nouvelles molécules est long et coûteux. Cette étude explore si certains des milliers de comprimés déjà présents en pharmacie pourraient, à leur insu, bloquer les tumeurs pilotées par HER2, en utilisant des outils informatiques avancés pour rechercher un potentiel anticancéreux caché.

Comprendre le problème en termes simples

Le cancer du sein HER2‑positif est porté par une protéine située à la surface des cellules tumorales qui envoie en continu de puissants signaux de croissance et de division. Lorsqu’il y a un excès de HER2, ces cellules se multiplient rapidement et se propagent souvent, et elles peuvent apprendre à contourner les médicaments HER2 modernes. Comme créer de nouveaux traitements peut prendre une décennie ou plus, le repositionnement de médicaments apparaît comme une idée attractive : au lieu de repartir de zéro, les chercheurs testent si des médicaments déjà approuvés et connus pour être sûrs contre d’autres maladies pourraient aussi désactiver HER2 dans les cellules cancéreuses.

Comment les ordinateurs aident à fouiller des milliers de médicaments

Les chercheurs ont d’abord rassemblé des informations détaillées sur près de 14 000 composés chimiques testés contre HER2, y compris la force avec laquelle chacun bloque la protéine. Ils ont converti chaque molécule en des centaines de descripteurs numériques décrivant sa taille, sa forme, sa charge et d’autres propriétés. À partir de ces données, ils ont entraîné plusieurs types de modèles d’apprentissage automatique pour apprendre le lien entre la structure d’une molécule et sa capacité à inhiber HER2. Après un nettoyage attentif des données et l’élimination des descripteurs faibles ou redondants, un type de modèle appelé Random Forest a fourni les prédictions les plus fiables, expliquant correctement environ quatre cinquièmes de la variation d’activité pour de nouvelles molécules.

De la prédiction au dockage dans la cible cancéreuse

Armée de ce modèle, l’équipe s’est tournée vers une bibliothèque concrète de 4 099 médicaments approuvés et l’a réduite à plus de 1 600 petites molécules propres et bien définies. Le modèle informatique a estimé la force avec laquelle chaque médicament pourrait bloquer HER2, mettant en avant un sous‑ensemble prédit comme particulièrement puissant. Ces meilleurs candidats ont ensuite été « dockés » dans des structures tridimensionnelles de la protéine HER2 normale et d’une forme mutante problématique retrouvée dans certains cancers résistants. Les simulations de dockage fonctionnent comme un test virtuel serrure‑clé, vérifiant à quel point un médicament s’emboîte dans la poche active de HER2 et quels types de contacts atomiques il peut former.

Suivre le candidat le plus prometteur dans le temps

Un médicament pour le cœur et les yeux, le timolol maléate (étiqueté FDA0870 dans l’étude), s’est distingué à plusieurs reprises. Il figurait parmi les meilleurs résultats tant dans le criblage par apprentissage automatique que dans les tests de dockage pour la HER2 normale et mutante, formant de fortes liaisons hydrogène et des contacts hydrophobes avec des régions clés qui contrôlent l’activité de la protéine. Pour vérifier si cet emboîtement tiendrait dans des conditions plus réalistes, les chercheurs ont réalisé de longues simulations de dynamique moléculaire qui reproduisent la façon dont les molécules vibrent et se déplacent dans un environnement aqueux similaire au corps. Sur des durées simulées allant de la nanoseconde à la microseconde, le timolol est resté solidement logé dans la poche de HER2 pour les deux formes de la protéine. Des tests informatiques supplémentaires sur l’absorption, la distribution, le métabolisme, l’excrétion et la toxicité ont suggéré que son profil pharmacologique existant, sa perméabilité modérée et sa sécurité étaient globalement compatibles avec une exploration plus poussée.

Ce que cela pourrait signifier pour les patientes

En termes simples, ce travail montre que des chaînes d’outils informatiques intelligents peuvent trier d’énormes quantités de médicaments connus pour identifier ceux qui ont le plus de chances d’être efficaces contre des cancers difficiles, bien avant toute expérimentation en laboratoire ou sur animaux. Parmi les nombreux médicaments approuvés examinés, le timolol est apparu comme un candidat solide à repositionner en tant que bloqueur double de la HER2 classique et mutante dans le cancer du sein. Si les résultats sont purement computationnels et doivent encore être validés par des expériences sur cellules et animaux, ils indiquent une voie plus rapide et potentiellement moins coûteuse pour ajouter de nouveaux outils contre la maladie HER2‑positive en donnant un nouveau rôle à des médicaments familiers.

Citation: Dinesh, B.G.H., Ganjipete, S., Kumar, B.S. et al. Machine learning-driven drug repurposing for HER2-positive breast cancer. Sci Rep 16, 15868 (2026). https://doi.org/10.1038/s41598-026-45361-z

Mots-clés: Cancer du sein HER2‑positif, repositionnement de médicaments, apprentissage automatique, dockage moléculaire, timolol