Séminaire annuel – Saint-Malo 24 au 26 Octobre 2016 ED 393 Epidémiologie et Sciences de l'Information Biomédicale Modélisation des interactions protéine-effecteurs et développement de méthodes de prédiction des partenaires de ces interactions Directeur : Pr Anne-Claude Camproux Laboratoire : Molécules Thérapeutiques in silico - UMR_S 973 Équipe : Approches computationnelles pour le profilage pharmacologique Séminaire annuel – Saint-Malo 24 au 26 Octobre 2016 Natacha CERISIER

Concept du Drug Design Développement de méthodes in silico (bioinformatique, biostatistique et chémoinformatique) et d’algorithmes aidant à la conception de nouvelles molécules thérapeutiques L’équipe se concentre sur l’analyse des interactions entre les molécules chimiques et les protéines afin d’améliorer : la compréhension du mécanisme d’action des petites molécules chimiques la prédiction des effets secondaires (« off-target ») des médicaments.

Structure protéique Séquence  structure 3D ligand Séquence  structure 3D Structure doit être correctement repliée pour être fonctionnelle Fonction peut être inhibée ou favorisée grâce à l’interaction de certains ligands poche Structure 3D

Contexte ? ? ? ? ? Concept Clé-Serrure Zhou et al. 2015 Structure 3D dans la Protein Data Bank (PDB) Berman et al. 2000 poche 1 de liaison au ligand protéine NS1 poche 2 de liaison au ligand 127 000 ? ? ? ? ?

Contexte ? ? ? ? ? Concept Clé-Serrure Zhou et al. 2015 Structure 3D dans la Protein Data Bank (PDB) Berman et al. 2000 poche 1 de liaison au ligand protéine NS1 HEADER HYDROLASE/HYDROLASE INHIBITOR 30-APR-15 4ZKN ATOM 31 CD GLU U 20 -28.590 -35.382 -12.380 1.00 15.54 C ATOM 33 OE2 GLU U 20 -29.576 -35.743 -11.706 1.00 18.18 O ATOM 34 N PHE U 21 -23.753 -34.110 -10.387 1.00 8.77 N poche 2 de liaison au ligand Qualité de la structure : Méthodes de résolution Cristallographie, RMN Résolution Conditions expérimentales Ligands, dimère, ARN, etc ? ? ? ? ?

Objectifs Interaction connue Descripteurs ligand Descripteurs poche Étude de la correspondance des descripteurs Espace des ligands 1.2 109 ligands possibles Estimation des poches pour chaque protéine 1 Partenaire inconnu Prédiction de l’interaction

Outils et méthodes Caractérisation des poches et ligands Approches bioinformatiques et chémoinformatique [Borrel et al. 2015 Abi Hussein et al. 2015] Flexibilité des partenaires Dynamiques moléculaires pour les protéines Prédiction des interactions Régression logistique Random Forest … Protéines : Protéase du VIH-2 Sans ligand (1HSI) Avec ligand (1HSH)

Enjeux Prédiction des profils de poches candidates Prédiction des profils de ligands candidats Prédictions des interactions inattendues « off-target » Éviter les effets secondaires [Zhou et al. 2015] Proposer du « repurposing » [Lounkine et al. 2012, Hodos et al. 2016] Comparaison et complémentarité avec des approches d’amarrage moléculaire « Docking » (longues) [Morris et al. 2015; Trott et al. 2010] connue inconnue

Protocole Mise en place du jeu de données Apprentissage sur MOAD (Hu et al. 2005) Base de données des interactions protéines ligands (9000) de bonne résolution, (<2.5 Å) Validation sur la PDB (130 000 structures 3D)

Protocole Mise en place du jeu de données Analyse et quantification des partenaires poches et ligands Analyse des propriétés des ligands : « promiscuous » vs spécifiques Partiellement fait dans la littérature : Sheridan 2010, Haupt 2013 : un ligand fixe en moyenne 6 protéines Analyse des propriétés des poches : « promiscuous » vs spécifiques A faire car descripteurs adaptés développés au sein du laboratoire

Protocole Mise en place du jeu de données Analyse et quantification des partenaires poches ligands Mise en place de méthodes de prédiction des partenaires spécifiques Regression logistique, Random forest, etc.

Protocole Mise en place du jeu de données Analyse et quantification des partenaires poches ligands Mise en place de méthodes de prédiction des partenaires spécifiques Complémentarité avec Docking et Dynamique moléculaires Dynamique : évaluation des fonctions d’énergie au cours du temps (GROMACS) Docking : calculs des énergies d’interactions entre protéine et ligand (Autodock)

Protocole Mise en place du jeu de données Analyse et quantification des partenaires poches ligands Mise en place de méthodes de prédiction des partenaires spécifiques Complémentarité avec Docking et Dynamique moléculaires Extension à des peptides et interactions Protéine-Protéine.

Merci de votre attention

Bibliographie Bock et Markovitz, Infection with HIV­2. AIDS (2001) Arts et al., HIV­1 antiretroviral drug therapy. Cold Spring Harbor perspectives in medicine. (2012) Louis et al., HIV­1 protease: structure, dynamics, and inhibition. Advances in pharmacology. (2007) van der Ende. Antiretroviral treatment of HIV­2 ­infected adults. HIV­2: from Biology to Clinical Practice, (2000) Zhou et al. Comprehensive prediction of drug-protein interactions and side effects for the human proteome. Nature Publishing Group, (2015) R Core Team, R: A language and environment for statistical computing. R Foundation for Statistical Computing (2015) Guerois et al., Predicting changes in the stability of proteins and protein complexes: a study of more than 1000 mutations. J Mol Biol (2002) H.M. Berman, J. Westbrook, Z. Feng, G. Gilliland, T.N. Bhat, H. Weissig, I.N. Shindyalov, P.E. Bourne The Protein Data Bank Nucleic Acids Research, (2000) Morris, G. M., Huey, R., Lindstrom, W., Sanner, M. F., Belew, R. K., Goodsell, D. S. and Olson, A. J. Autodock4 and AutoDockTools4: automated docking with selective receptor flexiblity. J. Computational Chemistry (2009) O. Trott, A. J. Olson, AutoDock Vina: improving the speed and accuracy of docking with a new scoring function, efficient optimization and multithreading, Journal of Computational Chemistry 31 (2010) A. Borrel, L. Regad, H. Xhaard, M. Petitjean, A-C. Camproux, PockDrug: A model for predicting pocket druggability that overcomes pocket estimation uncertainties; Journal of Chemical Information and Modeling (2015)    Robert P Sheridan, Vladimir N Maiorov, M Katharine Holloway, Wendy D Cornell, Drug-like Density : A Method of Quantifying the “ Bindability ” of a Protein Target Based on a Very Large Set of Pockets and Drug-like Ligands from the Protein Data Bank Journal of Chemical Information and Modeling (2010) S. Pérot, O. Sperandio, M. A Miteva, A-C. Camproux, B. O Villoutreix, Druggable pockets and binding site centric chemical space: a paradigm shift in drug discovery, Drug Discovery Today (2010)

Promiscuous Existence de « Drug promiscuous » : fixent plusieurs cibles Sheridan 2010, Haupt 2013 : une drug fixe en moyenne 7 cibles Poche promiscuous : qui fixe plusieurs ligand Peu étudié alors que les données sont disponibles (MOAD HU, 2005) Susceptibles d’être la cause d’effets secondaires Intéressantes en pharmacologie lorsqu’une molécule cible plusieurs voies dans une pathologie

Caractérisation des poches promiscuous Quelles sont les caractéristiques des poches promiscuous ? Sont-elles présentes dans toutes les familles de protéines ? Est-on capable de les prédire ?

Clustering des ligands Protocole MOAD 13 244 ligands 24 834 protéines Ligands Valides 10 500 ligands 23 241 protéines Ligands « Drug-Like » 6 186 ligands 9 594 protéines Estimations de toutes les poches 18 317 poches 6 788 monochaînes Clustering des ‘’monochaînes‘’ 1 947 clusters Alignement des protéines 6 788 chaînes Estimations des poches monochaînes 6 682 poches Clustering des poches Clustering des ligands