Génération de novo de médicaments covalents avec une meilleure qualité « drug‑likeness » et une sécurité renforcée

Pourquoi des médicaments covalents plus intelligents importent

Les thérapies anticancéreuses et les antiviraux agissent souvent en se fixant sur des protéines à l’intérieur de nos cellules. Une classe puissante de médicaments, appelés médicaments covalents, va plus loin : ils forment des liaisons fortes et durables avec leurs cibles, ce qui peut les rendre très efficaces. Mais cette même « adhérence » peut aussi provoquer des effets indésirables graves si les molécules se lient aux mauvaises protéines. Cette étude présente CovaGEN, un nouveau système d’intelligence artificielle conçu pour inventer des candidats médicaments covalents de novo tout en prenant en compte à la fois l’efficacité et la sécurité.

Du tâtonnement à la conception intelligente

La découverte traditionnelle de médicaments covalents est lente et coûteuse. Les chimistes partent soit d’un médicament existant auquel ils ajoutent une « poignée » réactive, soit d’un fragment réactif qu’ils ajustent laborieusement pour compléter le reste de la molécule. Les méthodes assistées par ordinateur aident en criblant de larges bibliothèques de composés connus, mais elles se limitent à ce qui existe déjà. Les progrès récents de l’apprentissage profond peuvent générer des molécules entièrement nouvelles, pourtant ces outils se concentrent généralement sur les médicaments conventionnels non covalents et négligent souvent des caractéristiques cruciales comme la facilité de synthèse, la conformité aux propriétés pharmaceutiques ou le risque de toxicité. CovaGEN vise à traiter simultanément tous ces aspects.

Une carte cachée de la chimie « drug‑like »

Les auteurs ont d’abord construit une « carte » de l’espace chimique en utilisant plus d’un million de molécules de type médicament provenant de la base de données publique ZINC. Ils ont entraîné un type de réseau neuronal appelé auto‑encodeur variationnel à compresser chaque molécule en un code numérique compact, ou vecteur latent, puis à la reconstruire. Cette étape enseigne au modèle la grammaire de base de la chimie médicinale : ce qui paraît réaliste, ce qui respecte les règles communes pour les médicaments oraux, et ce qui est généralement synthétiquement réalisable. Sur cette carte apprise, un second modèle basé sur la diffusion — un processus qui transforme progressivement une structure en bruit puis apprend à inverser ce processus — a été entraîné à explorer et générer de nouveaux vecteurs latents qui décodent en molécules valides, diverses et réalistes.

Ajuster les molécules aux protéines et aux crochets réactifs

Ensuite, CovaGEN apprend à concevoir des molécules pour des cibles protéiques spécifiques. Le système prend la séquence en acides aminés d’une protéine et l’encode avec un puissant modèle de langage pour protéines, qui capture des motifs liés à la structure et à la fonction. Pendant la diffusion, le modèle utilise une attention croisée sur cette représentation protéique afin que les molécules générées soient prédisposées à s’ajuster au site de liaison de la cible. Dans des tests sur un grand ensemble de référence, ces molécules sur mesure ont non seulement obtenu de bons scores pour l’affinité prédite, mais ont aussi montré une meilleure qualité « drug‑like » et une meilleure accessibilité synthétique que celles produites par plusieurs outils de conception 3D de pointe. Pour transformer ces ligands non covalents en candidats covalents, l’équipe a ajouté un classificateur qui oriente le processus de diffusion vers des molécules portant certains groupes réactifs, appelés warheads covalents, sans sacrifier la qualité globale.

Intégrer la sécurité dès le départ

Parce que les médicaments covalents peuvent causer des dommages durables s’ils ciblent des protéines inappropriées, la sécurité est une préoccupation centrale. Les chercheurs ont donc traité la toxicité comme une quantité à optimiser, et non comme une réflexion après coup. Ils ont entraîné des modèles prédictifs de toxicité aiguë et de risques spécifiques d’organe, puis ont appliqué l’apprentissage par renforcement pour affiner le modèle de diffusion afin qu’il privilégie les molécules ayant une toxicité prédite plus faible. Après cet entraînement, CovaGEN a généré des composés conservant de bonnes propriétés d’affinité et de similarité aux médicaments, mais moins susceptibles de contenir des « drapeaux rouges » structurels associés à des effets nocifs. Fait important, la méthode a obtenu ces résultats sans s’effondrer vers un ensemble réduit de molécules semblables, préservant la diversité chimique.

Mettre la méthode à l’épreuve

Pour démontrer le potentiel en conditions réelles, l’équipe a demandé à CovaGEN de concevoir des inhibiteurs covalents pour deux cibles de grande valeur : une forme mutante de la protéine EGFR impliquée dans le cancer du poumon résistant aux médicaments, et la protéase principale du SARS‑CoV‑2, le virus responsable de la COVID‑19. Pour chaque protéine, le système a généré de nombreux candidats équipés des warheads appropriés. Des études de docking informatique ont suggéré que les conceptions de CovaGEN avaient plus de probabilité d’adopter des poses capables de former des liaisons covalentes que des composés où les warheads étaient simplement ajoutés à des designs non covalents. Plusieurs candidats de tête ont également égalé ou dépassé des médicaments de référence sur des mesures combinées d’affinité prédite, de « drug‑likeness » et de facilité de synthèse.

Ce que cela signifie pour les médicaments de demain

CovaGEN montre que l’IA générative moderne peut faire plus que simplement imaginer des molécules qui se lient fortement aux protéines. En opérant dans un espace de structures intrinsèquement proches des médicaments, en guidant l’ajout de groupes réactifs et en s’éloignant explicitement de la toxicité, le système rapproche la découverte de médicaments covalents d’un processus plus holistique et automatisé. Bien que des tests expérimentaux supplémentaires soient nécessaires pour confirmer le comportement de ces molécules virtuelles dans des systèmes biologiques, l’approche ouvre la voie à une exploration plus rapide et plus large de médicaments covalents à la fois puissants et plus sûrs pour les patients.

Citation: Zhang, W., Liu, T., Dong, X. et al. De novo covalent drug generation with enhanced drug-likeness and safety. Commun Biol 9, 446 (2026). https://doi.org/10.1038/s42003-026-09725-5

Mots-clés: médicaments covalents, IA générative, découverte de médicaments, modèles de diffusion, prédiction de la toxicité