Chémoinformatique intégrative pour guider la conception des médicaments : application à la re-conception d’un inhibiteur clinique de kinase protéinique

Malgré des années de recherche et de développement intensifs, le cancer reste l’une des principales causes de décès dans le monde. La chimiothérapie est le traitement le plus couramment utilisé contre le cancer, car la chirurgie et la radiothérapie ne sont souvent pas efficaces pour traiter le cancer à tous les endroits où il se propage. Cependant, la pharmacorésistance des cellules cancéreuses aux agents chimiothérapeutiques et / ou la réduction de l’efficacité d’un médicament est la principale cause d’échec de la chimiothérapie. Les médicaments sont développés pour se lier efficacement à une cible thérapeutique donnée, appelée cible primaire. Malheureusement, les traitements médicamenteux peuvent souffrir de la liaison à une cible secondaire qui perturbe l’activité du médicament et / ou a un impact sur son métabolisme. L’objectif principal du projet de thèse était de développer uneapproche chémo-informatique intégrative pour optimiser la conception de médicaments en étudiant non seulement la cible primaire, mais également les effets secondaires putatifs au niveau atomique afin de calculer des modes de liaison plus précis et d’obtenir de meilleures estimations d’affinité.Le projet de conception de médicament présenté vise un inhibiteur amélioré du mutant de la sérine/thréonine kinase BRAFV600E avec perte simultanée de la liaison à la cible secondaire, le récepteur PXR. L’accent est mis sur l’étude à la fois de la protéine kinase BRAF et du récepteur nucléaire PXR, impliqué dans la régulation du métabolisme xénobiotique. Un outil d’apprentissage automatique est d’abord développé sur le récepteur nucléaire bien étudié ERα en raison de grandes quantités de données expérimentales, puis généré de manière similaire pour BRAFV600E. Malgré son importance reconnue dans le métabolisme des médicaments, nous manquons toujours d’informations structurelles et de mesures d’affinité suffisantes pour développer l’apprentissage automatique sur PXR. Aussi, une approche alternative reposant sur la dynamique moléculaire associée à la méthode «Molecular Mechanics Poisson-Boltzmann Surface Area» est utilisée afin d’obtenir une estimation précise des affinités des ligands. Enfin, divers outils informatiques sont utilisés pour concevoir de nouveaux dérivés du médicament initial, métabolisé trop rapidement chez de nombreux patients, entraînant une résistance et une rechute du cancer. Les propriétés des nouveaux composés empêchent l’activation des enzymes métabolisantes qui dégradent le médicament initial. Ceci devrait fournir un nouveau médicament candidat aux propriétés pharmacocinétiques bien meilleures et à une efficacité accrue.Cette thèse comprend un pipeline complet de conception de médicaments et présente une stratégie intégrée comprenant la modélisation, la conception et la synthèse in silico, le criblage virtuel, les prédictions d’affinité, les tests in vitro et la cristallographie de rayon X. L’accent est mis principalement sur la partie informatique qui comprend des approches complémentaires du point de vue du médicament et des protéines.Despite years of intensive research and development, cancer remains one of the leading causes of death worldwide. Chemotherapy is the most commonly used treatment for cancer, as surgery and radiation therapy are often not effective in treating cancer at every location where it spreads. However,drug resistance of cancer cells to chemotherapeutic agents and/or reduction in effectiveness of a drug is the leading cause of failure of chemotherapy. Drugs are developed to bind efficiently to a given therapeutic target, called the primary target. Unfortunately, drug treatments can suffer from bindingto a secondary target that perturbs drug activity and/or impacts its metabolism. The main aim of the PhD project was to develop an integrative chemoinformatics approach to optimize drug design by studying not only the primary target but also putative secondary effects at the atomic level in order to compute more accurate binding modes and to derive better affinity estimates.The presented drug design project aims for an improved inhibitor of the serine/threonine kinase mutant BRAFV600E with simultaneous loss of binding to the secondary target PXR. Focus is on the study of both, protein kinase BRAF and nuclear receptor PXR, which is involved in regulation of xenobiotic metabolism. A machine learning tool is first developed on the well studied nuclear receptor ERα due to large amounts of experimental data, and subsequently similarly generated for BRAFV600E. Despite its recognized importance in drug metabolism, we are still lacking sufficient structural information and affinity measurements to develop machine learning models for PXR. So, an alternative approach that relies on molecular dynamics combined with the Molecular Mechanics Poisson-Boltzmann Surface Area method is employed in order to obtain a precise estimation of ligand affinities. Finally, diverse computational tools are applied to design new derivatives of the initial drug, which is too rapidly metabolized in many patients resulting in resistance and cancer relapse. The properties of the new compounds prevent activation of metabolizing enzymes that are degrading the original drug. This is expected to provide a new drug-candidate with much better pharmacokintics properties and enhanced efficacy.This thesis comprises a complete drug design pipeline and presents an integrated strategy that includes modeling, in silico design and synthesis, virtual screening, affinity predictions, in vitro tests and X-ray crystallography. The main focus is on the computational part that comprises complementary approaches from the drug’s and from the proteins’ point of view