Limites des méthodes de pharmacophores

Méthodes d’élucidation de pharmacophores : alignement, conformations et flexibilité

Lors de l’étape de « pharmacophore mapping » [151], le principal problème provient de l’alignement des ligands actifs qui nécessite des temps de calcul assez longs du fait de la prise en compte de l’espace conformationnel des molécules flexibles. Lorsque la structure du complexe ligand-recepteur est connue le problème de flexibilité de la protéine est à prendre en compte en plus de celui des ligands. D’autre part, la superposition des ligands devient difficile lorsque le site actif est constitué principalement d’interactions hydrophobes puisque ceux-ci indiquent très faiblement l’orientation contrairement aux liaisons hydrogène [152].

Les sources des données telles que ChEMBL, PubChem, et la PDB peuvent contenir des erreurs et peuvent être à l’origine d’une construction erronée d’un modèle pharmacophorique. Ainsi, en 2013 [153], il a été estimé que la base de données de ChEMBL contenait 5% d’erreurs dans les structures, 3% d’informations fausses sur les cibles biologiques et 1% de valeurs d’activités incorrectes [120].

Définition des points pharmacophoriques : tolérances, ionisations et équilibres tautomériques Lors de la défintion des points pharmacophoriques des erreurs peuvent se produire. En effet, les points pharmacophoriques sont définis en général soit par des vecteurs (liaisons hydrogène) soit par des sphères (hydrophobes, aromatiques et groupes chargés) [101] chacun ayant une tolérance de distance. Toutefois, ces tolérances peuvent devenir difficilement manipulable lors de la prise en compte de la flexibilité de la protéine. L’ionisation des molécules et les équilibres tautomériques représentent aussi un réel obstacle dans la définiton des points pharmacophoriques puisqu’ils peuvent inverser la nature d’une propriété pharmacophorique : un donneur de liaison hydrogène devient un accepteur de liaison hydrogène et vice versa. Ces deux états (ionisation et équilibres tautomériques) doivent donc être pris en compte lors de la génération des conformations des molécules au risque d’éliminer des molécules actives dans ces états là [77, 152, 154].

Utilisation des pharmacophores dans le criblage virtuel

Lors du criblage virtuel, utiliser des pharmacophores présente aussi quelques limitations. En effet pour évaluer la concordance entre des molécules d’une chimiothèque et le modèle pharmacophorique, la méthode la plus utilisée est le RMSD (écart quadratique moyen) qui

141

détermine la distance entre les positions des points pharmacophoriques de la molécule et les points pharmacophoriques du modèle. Cependant, le RMSD ne prédit en aucun cas la compatibilité de la molécule avec la protéine c’est-à-dire qu’un hit retenu après le criblage virtuel peut avoir des groupes fonctionnels non compatibles avec le site de liaison de la protéine et donc être une molécule inactive bien qu’elle ait présenté un très bon RMSD avec le modèle pharmacophorique [83]. D’autre part, la valeur du RMSD peut être trompeur, en fournissant une approximation précise sur une partie des structures de molécules qui s’alignent bien mais en donnant une approximation grossière sur le reste de structure à cause de leur flexibilité conformationnelle [124].

Une autre limitation de l’utilisation des pharmacophores lors de criblage virtuel est que les pharmacophores dépendent des conformations des molécules. Si l’étape de recherche conformationnelle est réalisée avant la génération du pharmacophore, une conformation d’une molécule active peut avoir été omise et donc cette molécule ne s’adaptera pas au modèle pharmacophorique. De plus, la stéréochimie doit être prise en compte lors de la génération des conformations [152, 155] puisqu’il s’agit un paramètre déterminant expliquant l’activité biologique de molécules chirales [83].

Enfin une dernière limite est qu’il n’y a pas une seule manière de construire un modèle pharmacophorique. Dans la plupart des cas, plusieurs modèles pharmacophoriques sont générés et même pour une cible biologique similaire les modèles pharmacophoriques générés présentent quelques différences [83].

Pour diminuer le taux de molécules inactives identifiées par criblage à l’aide de pharmacophores, des méthodes de validation et d’optimisation du modèle pharmacophorique ont été développées. Ainsi, l’utilisation d’un « test set » contenant un nombre plus petit de molécules (actives et inactives) à tester [120], permet d’évaluer rapidement la capacité du modèle pharmacophorique généré, à retrouver majoritairement des molécules actives [85]. Afin de diminuer ces limites, de nombreux logiciels de pharmacophores ont amélioré leur méthodes de conception de pharmacophores tant pour la génération des conformations des ligands que pour la prise en compte de la flexibilité de la protéine. Ainsi, depuis que le concept de pharmacophore est né, un effort considérable a été mené pour obtenir des logiciels de plus en plus robustes et fiables permettant aux pharmacophores de jouer un rôle majeur dans le processus de recherche de nouveaux médicaments (Figure 24 et Tableau 6).

142

(a)

(b)

Figure 24 : (a) Nombre de publications concernant les pharmacophores (source PubMed (juin 2016) en écrivant comme mot clé « pharmacophores »). (b) Nombre de publications concernant les pharmacophores et leur application en drug discovery (source PubMed (juin 2016) en écrivant comme mots clés « pharmacophores and drug discovery »).

143

Quelques exemples de nouveaux composés identifiés grâce à des modèles pharmacophoriques « ligand-based »

Titre de la publication Méthodes Références Antitumor compounds based on a natural

product consensus pharmacophore

Pharmacophores manuels,

synthèse ^[156] Identification of novel cannabinoid CB1

receptor antagonists by using virtual screening with a pharmacophore model

Pharmacophores générés par Catalyst HipHop et Catalyst

search

[157] Quinolone 3-carboxylic acid

pharmacophore : design of second-generation HIV-1 integrase inhibitors

Catalyst HipHop, Catalyst search [158] Quelques exemples de nouveaux composés identifiés grâce à des modèles pharmacophoriques

« structure-based »

Titre ^{Structure de} _{la protéine} Méthodes Références Discovery of novel cathepsin S inhibitors

by pharmacophore-based virtual high-throughput screening RX Pharmacophores générés par Catalyst et LigandScout, Catalyst search [159]

Pharmacophore modelling and virtual screening for identification of new aurora

A kinase inhibitors RX Pharmacophores générés par Catalyst HypoGen et Catalyst search, docking [160]

Novel aldosterone synthase inhibitors with extended carbocyclic skeleton by a combined ligand-based and

structure-based drug design approach

Modélisation par homologie Pharmacophores générés par GALAHAD, design de composes manuels, docking (FlexX-Pharm) [161]

Tableau 6 : Quelques exemples illustrant l’application des pharmacopores en drug discovery ([145])

144

III.2.1.5 Exemple : LigandScout, un logiciel permettant de générer des modèles