« Conception de novo précise de macrocycles de liaison aux protéines à haute affinité grâce à l'apprentissage profond »
Aujourd'hui, nous partageons un article de recherche, publié dans Nature Chemical Biology, dirigé par les équipes de David Baker et Gaurav Bhardwaj. Cette étude a développé RFpeptides, un pipeline d'IA générative basé sur la diffusion et le débruitage, permettant la conception de novo de peptides macrocycliques grâce à l'intégration du réseau de prédiction de structure RoseTTAFold2 (RF2) et du framework de génération de squelettes protéiques RFdiffusion. Ces travaux permettent, pour la première fois, la conception précise de peptides macrocycliques à haute affinité ciblant plusieurs protéines, validée par cristallographie aux rayons X, démontrant une forte concordance entre les structures conçues et expérimentales (RMSD Cα
01 Contexte de la recherche
Les peptides macrocycliques présentent un fort potentiel thérapeutique, comblant le fossé entre les petites molécules et les produits biologiques de grande taille : ils allient la perméabilité membranaire des petites molécules à la forte affinité et à la sélectivité des produits biologiques. Cependant, la découverte traditionnelle de peptides macrocycliques repose sur le criblage de produits naturels ou le criblage à grande échelle de banques (par exemple, le phage display), des méthodes gourmandes en ressources, chronophages et offrant un contrôle limité du mode de liaison. Malgré les progrès réalisés dans la conception de protéines, les méthodes de calcul existantes (par exemple, la conception basée sur la physique ou les modèles de langage) ne permettent pas une conception de novo robuste de peptides macrocycliques interagissant avec les molécules, notamment en l'absence de partenaires de liaison connus ou de motifs prédéfinis. Les principaux défis résident dans l'explosion combinatoire de l'espace des séquences de peptides macrocycliques, la complexité des relations structure-activité et la nécessité d'optimiser simultanément de multiples propriétés telles que l'affinité de liaison, la sélectivité et la perméabilité. Par conséquent, le développement d'une méthode de calcul capable de générer avec précision des peptides macrocycliques interagissant avec les molécules à haute affinité est crucial.
02 Points forts innovants
Premier pipeline basé sur un modèle de diffusion pour la génération de peptides macrocycliques : RFpeptides combine le cadre de diffusion de RFdiffusion avec la capacité de prédiction de la structure des protéines de RF2, en introduisant un encodage positionnel relatif cyclique, permettant au modèle de générer des squelettes de peptides macrocycliques directement dans un espace d'intégration continu sans pré-entraînement d'un espace latent ni recours à des motifs de liaison connus.
Intégration poussée de la conception de séquences et de l'optimisation structurelle : le pipeline utilise ProteinMPNN pour la conception de séquences, combiné à Rosetta Relax pour l'optimisation structurelle, garantissant ainsi que les séquences peptidiques générées sont compatibles avec les squelettes tout en répondant aux exigences de l'interface de liaison et des propriétés physico-chimiques.
Validation de bout en bout et correspondance structurale de haute précision : Un petit nombre de candidats (≤ 20 par cible) ont été sélectionnés parmi un large ensemble de peptides générés pour la synthèse et les tests expérimentaux, permettant d’obtenir des ligands d’affinité moyenne à élevée contre quatre cibles protéiques différentes (MCL1, MDM2, GABARAP et RbtA). La cristallographie aux rayons X a confirmé une forte concordance entre les structures conçues et expérimentales (RMSD Cα
03 Résultats et discussion
3.1 Cadre de calcul et caractéristiques des peptides générés
Le processus RFpeptides se déroule en trois étapes : premièrement, la génération de squelettes peptidiques macrocycliques par RFdiffusion modifiée ; deuxièmement, la conception de séquences d’acides aminés à l’aide de ProteinMPNN ; et enfin, le filtrage basé sur les structures complexes prédites par AfCycDesign ou RoseTTAFold. Les peptides générés présentent une grande diversité de squelettes et leurs propriétés physico-chimiques sont similaires à celles des peptides macrocycliques naturels. La naturalité des séquences (évaluée par la perplexité ProGen2) ne présente pas de différence significative par rapport à l’ensemble d’entraînement (PPL de l’ensemble d’entraînement = 17,93 vs. PPL de l’ensemble généré = 17,90). Les peptides sélectionnés sont enrichis en résidus clés tels que la lysine (K), la leucine (L) et l’arginine (R), ce qui renforce leur cationicité et leur amphipathie, optimisant ainsi leur potentiel de ciblage membranaire.
Fig. 1. RFpeptides est un pipeline basé sur la diffusion pour la conception de novo de macrocycles de liaison aux protéines.
3.2 Conception De Novo pour MCL1 et MDM2
Pour les protéines cibles MCL1 (leucémie myéloïde à cellules 1) et MDM2 (protéine régulatrice de p53), RFpeptides a généré des milliers de squelettes peptidiques macrocycliques, qui ont été filtrés par une combinaison de prédictions AfCycDesign et de métriques d'interface Rosetta. Pour MCL1, 14 des 27 peptides conçus ont été synthétisés avec succès, dont 3 ont montré une activité de liaison. Le meilleur ligand, MCB_D2, avait un Kd de 2 µM. La structure cristalline déterminée par diffraction des rayons X (résolution de 2,1 Å) était en forte concordance avec la structure expérimentale (RMSD Cα = 0,7 Å). L'interface de liaison impliquait des régions hélicoïdales et des boucles, incluant des interactions cation-π non observées chez les ligands naturels.
Figure 2. Conception et caractérisation de novo de liants macrocycliques à MCL1 et MDM2.
3.3 Conception de liants à haute affinité pour GABARAP
Pour la protéine associée au récepteur GABAA (GABARAP), RFpeptides a conçu 80 000 peptides candidats, parmi lesquels 13 peptides divers ont été sélectionnés par regroupement pour des tests expérimentaux. Six peptides ont été synthétisés avec succès, GAB_D8 et GAB_D23 présentant une affinité nanomolaire (Kd = 6 nM et 36 nM, respectivement). Leur efficacité à inhiber l'interaction GABARAP-peptide K1 a été validée par AlphaScreen (IC50 = 0,7 nM et 2,5 nM, respectivement). Les structures cristallographiques ont montré une forte concordance entre les structures théoriques et expérimentales (RMSD Cα = 1,2 Å pour GAB_D8 et 1,7 Å pour GAB_D23). Le mode de liaison impliquait des structures en feuillets β et en hélices, démontrant l'adaptabilité de la méthode à différentes formes de poche.
Figure 3. Conception de novo de ligands macrocycliques à haute affinité pour GABARAP.
3.4 Conception ciblant la structure prédite de RbtA
Pour la Rhombotarget A (RbtA) d'Acinetobacter baumannii (dont la structure expérimentale est inconnue), RFpeptides a utilisé AF2 et RF2 pour prédire la structure cible et concevoir des peptides macrocycliques de liaison. Parmi 20 000 squelettes générés, 26 peptides candidats ont été sélectionnés, RBB_D10 présentant une forte affinité (Kd = 9,4 nM). La cristallographie aux rayons X a confirmé une forte concordance entre les structures cibles prédites et expérimentales (RMSD Cα = 1,2 Å), et la structure du complexe correspondait au modèle de conception (RMSD Cα = 1,4 Å), démontrant ainsi la précision de la méthode, même pour les cibles prédites.
Figure 4. Conception de novo précise d'un liant peptidique cyclique à haute affinité contre la structure prédite de RbtA d'A. baumannii.
04 Conclusion et perspectives d'avenir
La plateforme RFpeptides développée dans cette étude représente une avancée majeure dans le domaine de la conception de peptides macrocycliques. Sa principale valeur réside dans l'intégration poussée de l'intelligence artificielle générative et de la prédiction de structure, permettant la conception entièrement automatisée de peptides à haute affinité à partir de séquences ou de structures cibles. La validation expérimentale montre que cette méthode peut générer des ligands hautement actifs et spécifiques pour diverses cibles (y compris celles présentant des surfaces de liaison planes), avec une forte concordance entre les structures conçues et expérimentales, atteignant un taux de succès de 76 % (35 peptides actifs sur 46 testés). Les travaux futurs pourraient s'étendre à la génération conditionnelle (par exemple, le ciblage d'épitopes spécifiques), à l'incorporation d'acides aminés non canoniques et de réactions de cyclisation, et à l'application à un plus large éventail de cibles thérapeutiques (par exemple, les protéines membranaires ou les interfaces d'interaction protéine-protéine). RFpeptides offre une plateforme évolutive pour accélérer la découverte de médicaments peptidiques, ouvrant la voie à des avancées prometteuses en médecine de précision et en thérapies anti-infectieuses.
Article original :
Rettie SA, Juergens D, Adebomi V, Bueso YF, Zhao Q, Leveille AN, Liu A, Bera AK, Wilms JA, Üffing A, Kang A, Brackenbrough E, Lamb M, Gerben SR, Murray A, Levine PM, Schneider M, Vasireddy V, Ovchinnikov S, Weiergräber OH, Willbold D, Kritzer JA, Mougous JD, Baker D, DiMaio F, Bhardwaj G. Conception de novo précise de macrocycles de liaison aux protéines à haute affinité par apprentissage profond. Nat Chem Biol. 2025 Jun 20.