Télécharger le fichier original (Mémoire de fin d’études)
Fonctions de score
Une fois les conformations du ligand (générées) acceptées selon les différentes approches, leurs affinités pour le récepteur doivent être évaluées. C’est ce qu’on appelle fonctions de score ou fonctions objectives, car elles évaluent les résultats de la recherche et attribuent la meilleure énergie (meilleur score) à la conformation du ligand la plus correcte (d’après la recherche). Pour cela, le rôle de la fonction de score est trés important dans tout protocole de docking. Néanmoins, l’utilisation d’une fonction de score très précise n’est pas possible à cause du coût computationnel. En conséquence, quelques simplifications et approximations sont posées afin de réduire la complexité du problème et atteindre au moins une balance entre vitesse de calcul et exactitude du résultat. Une fonction de score doit être efficace et sélective, elle doit diriger la recherche en fournissant un gradient d’énergie, et identifier le mode d’interaction correct parmi un ensemble de leurres.
Les fonctions de score utilisées peuvent être classées en quatre catégories :
A- Celles qui sont basées sur les champs de forces.
B- Fonctions de score empiriques.
C- Celles qui sont basées sur les données (knowledge-based).
D-Celles qui sont basées sur des consensus.
Toutes ces fonctions de score ont un critère commun, le fait que l’énergie soit décomposée en une somme de termes décrivant les différentes contributions d’énergie. Dans un sens physique, ce n’est pas permis, puisque l’énergie libre est une fonction d’état tandis que les termes énergétiques formant la sommation ne le sont pas. De plus, les modes additifs simples, ne peuvent pas décrire des effets de coopérations subtiles 6. Néanmoins il est utile d’interpréter les interactions protéine-ligand d’une manière additive, et estimer que l’énergie libre est valable avec un coût computationnel léger.
Fonction de score se basant sur les champs de force
Le champ de force est une fonction mathématique qui exprime l’énergie d’un système par la somme de divers termes issus de la mécanique moléculaire. L’utilisation de champ de force dans le calcul de l’énergie libre d’un système comme fonction de score est le résultat des travaux du Prof. Irwin Kuntz à l’université de Californie à San Francisco aux USA, qui a été suivi par d’autres comme le groupe de recherche de Shoichet et celui de Abagyn. Ce type de fonction de score est similaire aux fonctions de score empiriques du fait qu’elles estiment l’énergie libre d’interaction d’un complexe récepteur-ligand par addition de plusieurs contributions individuelles des différents types d’interactions. La fonction de score « champ de force » utilise des fonctions d’énergie dérivées de la mécanique moléculaire, et en général, quantifie cette somme en deux termes, l’énergie d’interaction entre le récepteur et le ligand (interactions intermoléculaires) et l’énergie interne du ligand. La première composante qui représente l’énergie intermoléculaire, est elle-même le résultat d’une sommation de plusieurs termes énergétiques: terme de Van der Waals (décrit par un potentiel de Lennard-Jones), un terme électrostatique (décrit par une formulation coulombienne avec une fonction diélectrique dépendante de la distance qui réduit les contributions des interactions charge – charge). Par ailleurs, les fonctions qui décrivent l’énergie interne du ligand sont usuellement similaires aux termes décrivant les interactions intermoléculaires [elles contiennent des termes de VDW et électrostatique]. Ces fonctions de score sont généralement sensibles aux petites variations de coordonnées atomiques, ce qui limite leur champ d’application. Cet inconvénient peut être résolu en adoucissant le
potentiel de VDW, où la contribution de la composante répulsive sera limitée afin d’autoriser quelques clashs stériques sans trop pénaliser le mode d’interaction correspondant. Les fonctions de score qui se basent sur les champs de force sont par exemple: D-score (basée sur le champ de force Tripos), Goldscore. De même les plus rigoureux comme AMBER, CHARMM (Chemistry at HARvard Macromolecular Mechanics), GROMOS (GROningen MOlecular Simulation System) et OPLS (Optimized Potentials for Liquids simulation) peuvent eux aussi être utilisés quoiqu’ils représentent un coût computationnel énorme.
Fonctions de score empiriques
L’idée fondamentale des fonctions de score empiriques est que l’énergie d’interaction d’un complexe récepteur ligand peut être interprétée comme une sommation d’interactions chimiques localisées. En d’autres termes, l’énergie d’interaction est partitionnée en plusieurs composantes de reconnaissance. Ces méthodes essaient d’estimer l’énergie d’interaction en réunissant d’une manière intuitive les termes que l’expérience a défini comme fondamentaux. Les fonctions de score empiriques contiennent usuellement des termes décrivant les interactions ioniques, interactions hydrophobiques, les ponts ou liaisons hydrogène et les interactions engendrées par le changement d’entropie (pénalité d’entropie). Ceci dit, ces fonctions de score somment ces différents termes en les pondérant à des termes décrivant les différents types d’interactions moléculaires.
C- Fonctions de score basées sur des données ou fonctions statistiques :
Ces fonctions de score qui représentent des potentiels d’interaction, dérivent des données statistiques qui ont été obtenues par analyse expérimentale des fréquences d’interactions entre atomes au sein d’un complexe protéine-ligand. Ces fonctions statistiques sont dérivées selon deux principes fondamentaux. Le premier, qui considere qu’un complexe protéine-ligand est supposé être dans son état d’équilibre, donc stable thermodynamiquement ce qui lui confère un minimum global d’énergie (Enthalpie libre du complexe). Le deuxième, celui de la distribution des molécules à l’état microscopique, qui suit et obéit la distribution de Boltzmann. Ceci nous mène à dire qu’il y a une corrélation entre l’état thermodynamique du complexe qui forme un système et la probabilité de trouver ce complexe dans un état microscopique donné. Alors, si ces fréquences sont converties en enthalpie libre (énergie) grâce à une distribution de Boltzmann, les potentiels sont donc nommés potentiels de force moyenne (Potential of Mean Force: PMF). Ce dernier a été utilisé dans l’étude par simulation, des repliements des protéines ; et par la suite dans l’étude des interactions protéine-ligand.
Il y a deux aspects importants pour la construction du PMF, d’abord, il faut définir l’état de référence. Celui-ci correspond à l’état où il n’y a pas d’interactions entre les deux entités chimiques (protéine et ligand). Il n’est pas toujours facile de définir cet état de référence, car la plupart des complexes protéine-ligands se trouvent dans des états liés, ce qui impose des approximations à ce niveau. Dans ce cas cet état de référence, sera decrit par une valeur spécifique empirique ou par un potentiel calculé à partir de toutes les données disponibles et avec une correction appropriée. Enfin, le deuxième point important est la façon dont sont collectées les statistiques d’interactions. Elles sont dépendantes des distances et donc doivent permettre de bien dissocier l’état entre deux atomes où l’interaction existe ou n’existe pas.
Afin de prendre en compte les distances d’interaction entre deux atomes, deux approches sont mises au point. La première, qui peut être considérée comme grossière, consiste à prendre une distance limite entre deux atomes, et considérer qu’il y a interaction en dessous de cette distance, et non pas au-delà. La deuxième approche consiste à évaluer le potentiel d’interaction de manière continue le long de la distance interatomique, cette approche est plus fine que la précédente.
Ces fonctions statistiques, dépendent de leurs groupes d’apprentissage (expérience), elles ne peuvent modéliser que les interactions qui existent dans leurs bases de données expérimentales. Par conséquent, avec ce type de fonctions, il est difficile de modeliser les interactions qui ne dévient pas trop de leur modèle. L’un des potentiels les plus simples est le PLP (Piecewise Linear Potential). Il est basé sur quatre types d’atomes et prend en compte les interactions stériques et les ponts hydrogènes. Les distances interatomiques sont prises en compte en dessous de 5 Å. De même l’état de référence est défini comme étant un complexe entre les deux entités chimiques qui n’interagissent pas.
Table des matières
Introduction générale
Partie I : Rappels bibliographiques
Chapitre I : Les glycosidases et leurs inhibiteurs
1. Les glycosidases
1.1. Généralités
1.2. Mécanismes
1.2.1. Mécanisme avec inversion de configuration
1.2.2. Mécanisme avec rétention de configuration
1.2.3. Quelques aspects mécanistiques particuliers
1.2.4. Etat de transition
1.3.1. Classification traditionnelle
1.3.2. Classification structurale
1.3.2.1. Principe et classification
1.3.2.2. Les glycosidases responsables de la digestion des carbohydrates
4. Inhibition enzymatique
4.1. Bref rappel sur la cinétique enzymatique
4.1.1. Equation de Michaëlis-Menten
4.1.2. Détermination de Vmax et KM
4.2. Types d’inhibition enzymatique
4.2.1. Inhibition réversible
4.2.1.1. Inhibition compétitive
4.2.1.2. Inhibition non compétitive
4.2.1.3. Inhibition incompétitive
4.2.2. Inhibition irréversible
4.3. Inhibiteurs des glycosidases
4.3.1. Les inhibiteurs mimétiques
4.3.1.1. L’acarbose et ses analogues
4.3.1.2. Les aminosucres et leurs analogues
4.3.1.3. Salacinol et katalanol
4.3.2. Les inhibiteurs non-mimétiques
4.3.2.1. Flavonoides
4.3.2.1. Les xanthones
Références Biblioghraphiques
Chapitre II : Criblage virtuel : voie d’accès à des substances médicamenteuses
1. Drug discovery: Historique et développement
1.1. Choix d’une cible thérapeutique
1.2. Identification de hits
1.3 Génération et optimisation des leads
1.4 Le tests précliniques et cliniques
2. Criblage virtuel «in silico», méthodes et alternatives
2.1. Criblage virtuel « ligand-based »
2.1.1. Recherche de similarité
2.1.2. Modèles pharmacophoriques « ligand- based »
2.1.3. QSAR : Modèles de relations quantitatives structure-activité
2.1.4. 3D-QSAR
2.2. Criblage virtuel « structure-based »
2.2.1. Les approches pharmacophoriques 3D
2.2.2. La conception de novo « de novo design »
2.2.3. Docking moléculaire
2.2.3.1. Les approches de Docking
Références Bibliographiques
Partie II : Résultats et discussions
Chapitre I : Criblage par Docking d’une chimiothèque de xanthones
1. Choix d’une cible à intérêt biologique
2. Chimiothéque de ligands : Création et préparation
3. Le processus du docking moléculaire
3.1. Post-préparation du récepteur et des ligands par MDV
3.2. Détection des cavités et définition du site actif
3.3. Protocole et validation
3.3.1. Algorithme de recherche
3.3.2. Fonction de score
3.3.3. Validation du protocole de docking
4. Criblage de la chimiothèque
5. Conclusion
Références Bibliographiques
Chapitre II : Synthèse de dérivés de xanthone et étude de leur effet inhibiteur
1. Voie de Synthèse de quelques dérivés de xanthones sulfamide sélectionnés à partir du criblage
2. Evaluation de l’activité inhibitrice
3. Démethylation des composés synthétisés
4. Evaluation biologique des dérivés tetra-hydroxyxanthone sulfonamides
5. Cinétique enzymatique
6. Etude de mode d’interaction des dérivés synthétisés .
6.1. Génération de la structure 3D de l’enzyme cible par homologie .
5.2. Docking Moléculaire
6. Conclusion
Références Bibliographiques
Conclusion générale
Partie expérimentale
1. Synthèse des dérivés de xanthone
1.1. Généralités
1.2. Synthése des derivés 1,3,6,7-teramethoxy-xanthobne sulfamide
1.2.1. Synthèse des précurseurs
2. Evaluation de l’activité inhibitrice
2.1.Généralités
2.2. Protocole du test in vitro et évaluation des valeurs IC50
2.3. Etude cinétique
ANNEX
