Soutenance mémoire
Répartition des familles des glycosides hydrolases en sous familles
Les familles de protéines définies dans CAZy permettent d’avoir un certain pouvoir prédictif : le même repliement, le même mécanisme d’action, et les mêmes résidus catalytiques sont conservés à l’intérieur d’une même famille. Or depuis quelques années, l’équipe CAZy participe à des projets de séquençages de génomes, intervenant au niveau de l’identification et de l’annotation fonctionnelle des gènes de CAZymes. CAZy est devenue une des principales références en ce qui concerne les CAZymes. Bien que l’inclusion d’une enzyme dans une famille particulière permet de prédire plusieurs caractéristiques structurales et mécanistiques, il n’était pas toujours possible de fournir une prédiction précise sur la fonction de cette enzyme. Devant l’accumulation de séquences enzymatiques dans une même famille telle que la famille GH 13 (contenant 20902 séquences), Stam et al. , dans le but d’améliorer les procédures d’annotation de séquences, ont fourni un effort de division des familles de GHs en sous-familles suivant l’idée que des enzymes possédant des séquences très similaires doivent partager des propriétés biochimiques très proches27,28. La famille GH 13, qui regroupe beaucoup de glycosidases a été subdivisée en 40 sous-familles (Tableau 2). Des α-amylases (EC 3.2.1.1) appartenant à cette même famille ont été rangées dans 13 sousfamilles qui sont GH13_1, GH13_2, GH13_5, GH13_6, GH13_7, GH13_15, GH13_19, GH13_24, GH13_27, GH13_28, GH13_32, GH13_36 et GH13_39. Quant aux αglucosidases (EC 3.2.1.20), elles se retrouvent dans des sous-familles différentes de celles des α-amylases. Il s’agit des sous-familles GH13_17, GH13_21, GH13_30 et GH13_40 (Tableau 2).
Types d’inhibition enzymatique
Si la vitesse d’une réaction enzymatique diminue dans des conditions où l’enzyme n’est pas dénaturée, cela signifie que l’enzyme est inhibée. De nombreuses substances modifient l’activité d’une enzyme en s’y combinant, ce qui altère la liaison du substrat et/ou sa constante catalytique. Les substances qui diminuent ainsi l’activité d’une enzyme sont appelées des inhibiteurs. Les inhibiteurs sont généralement des molécules de structure voisine du substrat, qui ne donnent pas de réaction ou réagissent beaucoup plus lentement que le substrat. L’étude de l’effet d’inhibiteur est fréquemment utilisée pour déterminer le mécanisme catalytique d’une réaction enzymatique, de mieux connaitre la spécificité d’une enzyme ainsi qu’obtenir des données physiques et chimiques concernant le site actif de l’enzyme. Les inhibiteurs d’enzymes peuvent être classés en deux types : inhibiteurs réversibles et inhibiteurs irréversibles. Les inhibiteurs réversibles s’associent à l’enzyme de manière non covalente, alors que les inhibiteurs irréversibles forment des liaisons covalentes stables avec l’enzyme. L’effet net de l’inhibition correspond à une diminution de la concentration de l’enzyme active.
Flavanoides
Les flavonoïdes sont les principaux polyphénols présents dans une grande variété de sources végétales66-71. Leurs structures sont représentées par un noyau benzénique, condensé avec une pyranne hétérocyclique à six chaînons ou un noyau pyrone, qui en position 2 ou 3 porte un anneau de phényle comme produit de remplacement (figure 19). Plus de 10 000 flavonoïdes séparés et identifiés à partir de plantes sont divisées en sousclasses, tels que les anthocyanes, les flavonols, les flavanones, les flavones et isoflavones. Les flavonoïdes présents dans les végétaux ont suscité un grand intérêt depuis les années 90 en raison de leur effet bénéfique sur la santé humaine notamment dans le traitement de troubles métaboliques comme l’obésité et le diabète. Plusieurs études ont été rapportées dans la littérature sur le pouvoir inhibiteur de ces composés et de leurs dérivés sur les glycosidase. Le vitexine et l’isovitexine, isolés à partir de l’extrait éthanolique du haricot Azuki (vignaangularis) présentent un pouvoir inhibiteur sur les α-glucosidases intestinales. Ces deux composés portent des fragments glycosidiques, permettant une interaction avec les sites actifs d’enzymes. Le saponarine, isolé à partir des feuilles de Tinosporacordifolia a montré un effet inhibiteur sur l’α-glucosidase et sur la sucrase de différentes origines75. Les valeurs d’IC50 mesurées sur l’α-glucosidase de champignons, sur l’invertase de levure, sur la maltase intestinale de rat et sur la sucrase sont 55, 48, 48 et 35 mM respectivement. Un autre composé, le coumestrol, identifié dans les feuilles de soja, a montré un effet inhibiteur puissant sur l’α-glucosidase de levure avec une valeur d’IC50 égale à 6 mM76. Cependant, aucune donnée n’a été signalée prouvant son pouvoir inhibiteur sur les α-glucosidases de mammifères. Par contre, le dolichandroside et l’aloesaponrine, isolés à partir de dolichanronefalcata ont montré une activité inhibitrice à la fois sur l’α-glucosidase intestinale de rat et sur celle de levure. Le dolichandroside et l’aloesaponrine (figure 19) possèdent un pouvoir inhibiteur sur l’α-glucosidase de levure avec des valeurs d’IC50 égales à 61 et 71,3 mM respectivement et sur l’α-glucosidase intestinale de rat avec des valeurs d’IC50 égales àt 28,7 et de 34,5 mM respectivement.
Utilisation des réseaux de neurones dans la construction du modèle non linéaire
Dans ce travail nous présentons une étude non linéaire de la relation quantitative structureactivité inhibitrice de l’α-glucosidase par les dérivés de xanthone et de curcuminoide. Pour se faire nous avons fait appel à la méthode des réseaux de neurones artificiels (RNA). Le réseau utilisé dans cette étude est un réseau de neurones à multicouches, constitué de trois couches :
– Une couche d’entrée dont les neurones reçoivent l’information présentée au réseau. Cette couche est constituée de six neurones, cinq d’entre eux représentent les cinq descripteurs sélectionnés et le sixième neurone une valeur constante, appelée biais, toujours égale à 1.
– Une couche de sortie qui fournit les résultats de traitement réalisé par le réseau artificiel. Cette couche contient un seul neurone représentant l’activité biologique pIC50.
– Une couche intermédiaire appelée couche cachée, elle contient un nombre variable de neurones.
Les neurones d’une même couche ne sont pas reliés entre eux, en revanche les neurones de chaque couche sont connectés à ceux de la couche suivante, chaque connexion d’un neurone j avec un autre i est associée à un coefficient de pondération synaptique Wij appelé poids, qui détermine l’intensité de l’influence des entrées (descripteurs). L’entrée d’un neurone est fonction des signaux provenant des autres neurones et des intensités des connexions. Cette fonction est la somme des entrées pondérées de leurs poids synaptiques. Le fonctionnement du réseau de neurone utilisé dans cette étude, se déroule selon la méthode de rétropropagation. L’objectif de cette méthode est d’adapter les paramètres Wij de façon à minimiser la fonction du coût, exprimée par l’erreur quadratique (MSE) entre la sortie donnée par le réseau (activité calculée) et la sortie désirée (activité expérimentale), en se basant sur la méthode des gradients itérative (eq01).
Conclusion Générale
Notre travail de thèse a été consacré à la modélisation de la relation quantitative structureactivité inhibitrice de l’α-glucosidase, pour construire des modèles de QSAR fiables, robustes, stables et précis, capables de prédire efficacement cette activité. Pour cela nous avons, dans un premier temps, mené notre étude à partir d’une bibliothèque de 57 molécules, d’origine naturelle, dérivées de xanthone et de curcuminoide. Cette même étude a été ensuite appliquée à une bibliothèque de 37 molécules, d’origine synthétique, dérivées du N-(phénoxyalkyl) phthalimide respectivement. Dans la première étude, nous avons fait appel aux réseaux de neurones artificiels en tant que méthode d’apprentissage non linéaire pour modéliser l’activité inhibitrice de l’α – glucosidase, exprimée par la grandeur pIC50. Cinq descripteurs moléculaires ont été sélectionnés par les algorithmes génétiques afin de construire le modèle non linéaire RNA, exprimés par : MATS7v, Mor15u, H5u, R4e +, et nArOR. La comparaison des bons résultats du modèle non linéaire de RNA avec ceux obtenus par le modèle linéaire de RLM a montré que les RNA sont des méthodes capables de modéliser efficacement l’activité inhibitrice de l’α-glucosidase, et que leurs résultats sont meilleurs et plus fiables que ceux obtenu par la méthode RLM. Dans la deuxième étude, nous avons utilisé la méthode de régression linéaire multiple et les algorithmes génétiques dans le développement du modèle QSAR en tant que méthodes d’apprentissage et de sélection respectivement. La dimension du modèle développé est déterminée par la technique du point de virage et est constituée de trois descripteurs moléculaires pondérés par le volume de Van Der Waals, la masse et l’électronégativité respectivement. La fiabilité et le pouvoir prédictif du modèle sont testés et évalués par l’utilisation de la validation croisée, le test de randomisation et la validation externe. Les résultats des deux études montrent que l’activité inhibitrice de l’α-glucosidase est influencée significativement par le volume de Van Der Walls et l’électronégativité. Cela peut être en relation avec la taille et la structure du site actif de l’α-glucosidase. Pour élucider en détail le mécanisme d’inhibition et connaitre le type d’interaction de l’ αglucosidase avec ces molécules, il est intéressant d’utiliser, avec la méthode QSAR, d’autres méthodes de chimie-informatique tel que le docking moléculaire. Il serait également intéressant d’employer les deux modèles QSAR construits lors de nos études dans le criblage virtuel des banques de molécules disponibles afin de découvrir d’autres structures moléculaires capables d’être de bons inhibiteurs de l’α-glucosidase.
|
Table des matières
Introduction générale
Chapitre 1 : Généralités sur les glycosidases et leurs inhibiteurs
1. Introduction
2. Mécanismes d’action
2.1. Mécanisme avec inversion de configuration anomérique
2.2. Mécanisme avec rétention de configuration anomérique
2.3. Quelques cas particuliers
2.4. Etat de transition
3. Classifications des glycosidases
3.1. Classification traditionnelle
3.2. Classification structurale
3.2.1. Principe et classification
3.2.2. Répartition des familles des glycosides hydrolases en sous familles
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
4.2.1.1.1. Cinétique de l’inhibition compétitive
4.2.1.1.2. Activité fractionnaire et degré d’inhibition
4.2.1.1.3. Mesure du paramètre IC50
4.2.1.2. Inhibition non compétitive
4.2.1.2.1. Inhibition non compétitive pure
4.2.1.2.1.1. Détermination du Degré d’inhibition et de l’IC50
4.2.1.2.2. Inhibition non compétitive mixte
4.2.1.2.2.1. Détermination du degré d’inhibition (i) et de l’IC50
4.2.1.2.2.2. Modèles d’inhibition non compétitive mixte
4.2.1.3. Inhibition incompétitive
4.2.1.3.1. Degré d’inhibition et IC50
4.2.2. Inhibition irréversible
4.3. Inhibiteurs des glycosidases
4.3.1. Aminocyclitols polyhydroxylés
4.3.2. Iminosucres polyhydoxylés
4.3.3. Polyphénols
4.3.3.1. Flavanoides
4.3.3.2. Tanins
4.3.4. Chalcones
4.4.5. Salacinol et katalanol
5. Références
Chapitre 2 : QSAR : PRINCIPE ET METHODOLOGIE
1. Introduction
2. Principe de QSAR
3.3. D QSAR
4. Application de QSAR
5. Outils et Méthodologie de QSAR
5.1. Paramètres biologiques
5.2. Utilisation des descripteurs moléculaires
5.2.1. Descripteurs générés par le logiciel DRAGON
5.2.1.1. Les descripteurs constitutionnels
5.2.1.2. Descripteurs de groupements fonctionnels
5.2.1.3. Les descripteurs topologiques
5.2.1.4. Les descripteurs géométriques
5.3. Sélection des descripteurs
5.3.1. Sélection objective
5.3.2. Sélection subjective
5.3.2.1. Introduction progressive
5.3.2.2. Elimination progressive
5.3.2.3. Sélection pas à pas
5.3.2.4. Sélection par les algorithmes génétiques
5.4. Méthodes de modélisation des données
5.4.1. Réseaux de neurones
5.4.2. La régression linéaire multiple
5.5. Validation du modèle
5.5.1. Coefficients et tests statistiques standards
5.5.2. Validation interne
5.5.2.1. La procédure leave-n-out
5.5.2.2. La procédure leave-one-out
5.5.2.3. Test de randomisation
5.5.3. Validation externe
5.6. Domaine d’applicabilité
6. Références
Chapitre3 : Modélisation de la relation non linéaire quantitative structure activité inhibitrice de l’α-glucosidase par les dérivés de Xanthone et de Curcuminoïde
1. Introduction
2. Ensemble de molécules
3. Dessin et optimisation des structures
4. Génération des descripteurs moléculaires
5. Sélection des variables et formation du modèle
6. Utilisation des réseaux de neurones dans la construction du modèle non linéaire
7. Résultats et discussion
7.1 Comparaisons entre le modèle RNA et RLM
7.2 Analyse de la contribution des descripteurs dans le modèle RNA
8. Conclusion
9. Références
Conclusion générale
Télécharger le rapport complet
