Soutenance mémoire
Télécharger le fichier pdf d’un mémoire de fin d’études
Méthodes de prédiction du métabolisme et de la réactivité
Notre objectif et de définir une méthode de prédiction du métabolisme des xénobiotiques permettant d’interroger le rôle des enzymes dans la formation des adduits à l’ADN dérivés des métabolites des AHAs. Pour cela, nous allons présenter les outils qui permettent de prédire le métabolisme, les outils permettant de prédire la réactivité à l’ADN et les outils qui permettent d’obtenir des informations sur le rôle des enzymes.
Les outils de prédiction du métabolisme
Les outils permettant la prédiction du métabolisme fonctionnent tous sur un même principe initial, celui de l’application de règles de biotransformations [15, 45, 39, 78, 49, 25, 21, 60].
Concrètement une règle de biotransformation décrit une réaction biochimique avec une structure chimique d’entrée et une structure chimique de sortie. Une réaction biochimique consomme des molécules et en produit d’autres. Cependant lorsque les molécules sont complexes, seulement une partie de la structure chimique est impactée par la réaction. La spécificité d’une règle de biotransformation par rapport à la complète description de la réaction chimique est qu’elle ne décrit que les parties des molécules qui varient au cours de la réaction. Ainsi la règle de biotransformation
est plus générale que la description totale d’une réaction biochimique. Les outils de prédiction du métabolisme utilisent un ensemble de ces règles pour prédire des métabolites. Ils parcourent ces règles et la structure chimique de la molécule dont on prédit le métabolisme. Pour chaque règle, l’outil recherche des sous-structures, il s’agit d’une structure qui est complètement intégrée dans la structure chimique de la molécule. Lorsque la sous-structure correspond à la structure d’entrée de la règle de biotransformation, la règle est appliquée et permet de générer une nouvelle structure chimique, c’est un métabolite. Ensuite, l’outil recommence à rechercher des sous-structures. Une autre méthode très similaire consiste à utiliser des règles de biotransformations non plus par des structures chimiques d’entrée et de sortie mais par des empreintes moléculaires. L’idée est de définir l’empreinte d’une structure chimique d’entrée en détaillant chaque atome, leur position, les atomes voisins ou encore les liaisons que l’atome forme. Ensuite, lors du parcours des sous-structures de la molécule, on définit également l’empreinte de la sousstructure.
Puis, en comparant les empreintes par un système de score on peut alors définir la proximité des structures. Si cette proximité est considérée comme suffisamment grande alors la règle est appliquée et un nouveau métabolite est formé [10].
Les outils peuvent être accessibles à tous, ou bien sous licence commerciale. Ils diffèrent les uns des autres de part l’ensemble des règles de biotransformation qu’ils utilisent. Ces règles de biotransformation, que ces outils utilisent, sont classées en deux catégories : les règles dites expertes et les règles provenant de l’apprentissage. La première catégorie de règles décrit les règles qui proviennent de l’analyse de la littérature et de l’expertise des auteurs de l’outil de prédiction.
Les auteurs recherchent alors dans la littérature, les réactions biochimiques d’intérêt et les traduisent ensuite sous la forme de règles de biotransformation. Les règles peuvent également être issues de l’exploration automatique de bases de données de réactions biochimiques comme BioVia, DrugBank, PharmGKB ou XMETDB [76, 75, 68]. Ces bases de données sont explorées à travers des outils d’apprentissage automatique. Ces outils extraient des règles de biotransformation à partir d’une réaction chimique ou d’un ensemble de réactions chimiques en comparant la structure de la molécule consommée et de la molécule produite. Les outils de prédiction les plus cités comme Meteor Nexus ou ADMET Predictor [45, 32] utilisent tous deux des règles issues de l’exploration des bases de données mais également expertes. C’est une tendance générale qui rejoint l’idée que les outils de prédiction du métabolisme nécessitent une coopération entre un système d’apprentissage capable d’explorer une grande base de données et des connaissances expertes [38]. Encore récemment, l’outil BioTransformer, publié en 2019, qui est un outil de prédiction du métabolisme a montré cette tendance. Il utilise une base de données de réactions biochimiques MetXBioDB. Cette base de données permet de retrouver pour chaque réaction la règle de biotransformation définissant cette réaction. La base de données est construite à partir d’export des bases de données de réactions DrugBank, PharmGKB, XMETDB, et SuperCYP [76, 75, 68, 57] mais elle intègre également plus de 100 réactions, et donc règles de transformation, extraites de la littérature. L’utilisation d’un grand nombre de règles de biotransformation conduit inévitablement à la prédiction d’un grand nombre de métabolites [7]. Les métabolites prédits par ces outils sont généralement représentés sous la forme de carte du métabolisme. Il s’agit d’un graphe qui représente les métabolites ainsi que les réactions qui les relient. La figure 2.1 présentée dans le chapitre 2 décrit une telle carte.
Les outils de prédiction du site du métabolisme
D’autres outils de prédictions sont complémentaires des outils de prédictions des métabolites, il s’agit des outils de prédictions du site du métabolisme ou SOM. Un SOM désigne un atome ou des atomes d’une molécule qui sont soit catalysés par une enzyme, soit réactifs par rapport à un ensemble de réactions données. Par exemple, dans une réaction qui ajoute un groupe à une molécule, il peut s’agir de l’atome qui forme une liaison avec le groupe ajouté. Les outils qui prédisent des SOMs, prédisent en fait la réactivité des atomes par rapport à un groupe de réactions données. Les groupes de réactions sont formés afin de représenter les réactions qui sont catalysées par une enzyme donnée. Ainsi, prédire un SOM c’est prédire la réactivité des atomes par rapport à des réactions catalysées par une enzyme donnée. Les outils prédicteurs de SOMs associent à chaque atome d’une molécule un score qui décrit la probabilité que l’atome soit un SOM. Il existe différentes stratégies pour prédire des SOMs [36].
Tout d’abord, il existe des méthodes qui utilisent des descripteurs moléculaires. Ce sont des caractéristiques que chaque atome d’une molécule possède. Il peut s’agir de sa nature, du nombre
de liaisons que l’atome forme, du type de liaison, de la nature des atomes auquel il est lié ou de la charge de l’atome. Un descripteur particulier est l’énergie nécessaire à l’abstraction d’un hydrogène de l’atome analysé. Cette caractéristique est prédictive de la réactivité des atomes par rapport aux CYPs [66]. Des outils QMBO, CypScore, SMARTCyp ou MetaSite [28, 2, 63, 64, 15, 14] utilisent ce type de descripteur spécifique. Plutôt que d’utiliser ce seul descripteur, une autre stratégie est d’utiliser un vaste ensemble de descripteurs moléculaires et des méthodes d’apprentissage automatique. L’idée est tout d’abord de définir un ensemble de réactions, caractérisées par le fait qu’elles sont catalysées par une enzyme ou une famille d’enzymes. Ensuite on repère dans cet ensemble de réactions le site du métabolisme donc l’atome de la molécule consommée qui réagit. On décrit chaque SOM à partir d’un ensemble de descripteurs moléculaires, puis on utilise l’apprentissage automatique pour inférer, à partir de ces descripteurs, des règles de calculs. Ces règles permettent de calculer un score, à partir de la valeur des descripteurs, qui décrit la probabilité d’être un SOM. À partir d’un ensemble de descripteurs, caractéristiques d’un atome, on peut alors calculer ce score et prédire si un atome est un SOM ou non. L’utilisation des méthodes d’apprentissages se retrouvent dans des outils comme Way2Drug SOMP, FAst MEtabolizer (FAME) ou XenoSite Metabolism 1.0 [61, 37, 65, 29, 30]. Enfin une dernière stratégie est d’utiliser des méthodes de recherche de similarités entre des structures de ligands à une enzyme et celle du composé dont on cherche à prédire les SOMs en complément d’une approche de docking [43, 9, 54].
Les outils prédicteurs de SOMs se concentrent principalement sur la prédiction de SOMs par rapport aux enzymes du métabolisme des xénobiotiques et principalement autour des CYPs, en effet prédire la réactivité des molécules par rapport aux enzymes de ce métabolisme est une question cruciale dans le développement de médicaments notamment pour prédire une potentielle toxicité.
Les outils de prédictions de la réactivité vis-à-vis de l’ADN
Nous nous intéressons à la question de la formation des adduits à l’ADN dérivés des AHAs. Il existe un ensemble d’outils de prédictions qui permettent non pas de prédire la formation d’adduits mais la réactivité d’une molécule vis-à-vis de l’ADN. Cette prédiction reste tout de même relative à la question de la formation des adduits.
Il existe différents outils de prédictions de cette réactivité. Tout d’abord des outils permettant la prédiction de la toxicité d’une molécule. Ces prédictions portent sur différentes toxicités et notamment la génotoxicité et donc la réactivité vis-à-vis de l’ADN. Tout d’abord, il existe des outils basés sur la recherche de structures spécifiques [46, 33, 55]. Ces structures sont des structures dont on sait, expérimentalement, qu’elles lient l’ADN. Retrouver une telle structure dans une molécule la classe donc comme réactive vis-à-vis de l’ADN. Une autre façon de déterminer si un composé peut réagir avec l’ADN est d’utiliser les relations structure-toxicité. C’est la méthode des modèles QSAR (Quantitative Structure-Activity Relationship), ces modèles utilisent les descripteurs moléculaires des composés. Cette fois les descripteurs décrivent la molécule et non plus un atome comme pour la prédiction des SOMs. La génotoxicité est déterminée par une fonction mathématique appliquée au descripteur d’un composé[77, 46, 33, 62]. Plus récemment, des outils ont utilisé les mêmes principes que pour la prédiction des SOMs par machine learning. XenoSite Reactivity v1 [29, 30] utilise donc la même méthode que la prédiction des SOMs, c’est-à-dire qu’il utilise les descripteurs moléculaires des atomes. Cette fois l’outil ne prédit plus la probabilité qu’un atome soit l’atome de la réaction, par rapport à un groupe de réactions, catalysées par la même enzyme mais plutôt la probabilité qu’un atome soit l’atome liant l’ADN, par rapport à un groupe de réactions qui seraient des réactions de formation d’adduit à l’ADN.
C’est la prédiction de sites de réactivité ou SORs. Comme pour la prédiction des SOMs, l’outil détaille les descripteurs moléculaires des atomes identifiés comme liant l’ADN, dans des réactions de formation d’adduit à l’ADN. Ces réactions proviennent de bases de données de réactions. Une fois les atomes décrits, une méthode de réseau de neurones permet d’inférer des règles de calculs permettant de calculer, à partir des descripteurs moléculaires, la probabilité que l’atome soit un SOR.
Les ressources disponibles
Notre problématique est de prédire le rôle des enzymes du métabolisme des xénobiotiques et les conditions de formation des adduits à l’ADN dérivés des AHAs. Pour cela, nous devons donc être en mesure de prédire à la fois le métabolisme et la réactivité à l’ADN des métabolites.
Nous devons pouvoir prédire un effet des enzymes sur les réactions prédites afin de déterminer des conditions de formation des adduits à l’ADN. Pour cela nous avons présenté une série de méthodes de prédictions. Nous allons présenter ici les applications de cette méthode à des problématiques similaires.
Prédiction de carte du métabolisme des AHAs et de la formation d’adduits à l’ADN
Tout d’abord, l’ensemble de ces méthodes a été appliqué aux 30 AHAs [19]. Cette première étude de Delannée et. al propose un workflow permettant de prédire le métabolisme des AHAs et leur réactivité vis-à-vis de l’ADN. La figure 1.2 provient de la thèse à l’origine de cette étude et détaille le pipeline [20].
Ce pipeline a permis de générer les cartes du métabolisme de 30 AHAs [18] et de décrire les métabolites réactifs vis-à-vis de l’ADN. La prédiction du métabolisme utilise l’outil Metaprint2DReact, aujourd’hui indisponible. Cet outil basait la prédiction du métabolisme sur des règles de biotransformation d’empreintes moléculaires et non de stricte structure chimique. L’outil utilisait une méthode provenant de Metaprint2D encore disponible qui est un outil prédicteur de sites du métabolisme spécialisé sur les CYPs. Ensuite le pipeline utilise les prédicteurs de SOMs WaytoDrugs SOMP et XenoSite Metabolism pour filtrer certains métabolites. L’idée est d’identifier les scores SOMs de la réaction, c’est-à-dire le score associé à l’atome de la réaction, et si celui-ci est supérieur ou égal à un seuil alors la réaction est conservée. Sinon la réaction est éliminée et l’ensemble des métabolites qui ne sont plus liés par une réaction à l’AHA d’origine sont des métabolites réactifs à l’ADN Ce pipeline provient de la thèse à l’origine de l’étude Delannée et al. 2019 [20]. Il décrit un pipeline en deux parties permettant de générer des cartes du métabolisme des AHAs.
La première partie est une étape de prédiction des métabolites en utilisant Metaprint2D-React (en bleu) comme outil de prédiction du métabolisme. Ensuite vient une partie de filtration des résultats de la première partie à partir de différents outils de prédictions de sites du métabolisme (en vert). Les prédictions sont également filtrées à travers les résultats de XenoSite Reactivitity afin d’orienter la construction des cartes du métabolisme vers la formation d’adduits à l’ADN.
|
Table des matières
1 Introduction
1.1 Contexte biologique
1.1.1 Les maladies chroniques hépatiques
1.1.2 Les contaminants de l’environnement
1.2 État de l’art de la prédiction du métabolisme et de la réactivité
1.2.1 Les Amines Hétérocycliques Aromatiques et leur métabolisme
1.2.2 Méthodes de prédiction du métabolisme et de la réactivité
1.2.2.1 Les outils de prédiction du métabolisme
1.2.2.2 Les outils de prédiction du site du métabolisme
1.2.2.3 Les outils de prédictions de la réactivité vis-à-vis de l’ADN
1.2.3 Les ressources disponibles
1.2.3.1 Prédiction de carte du métabolisme des AHAs et de la formation d’adduits à l’ADN
1.2.3.2 Prédiction de site du métabolisme associés à la N-Dealkylation et application à la terbinafine
1.3 Contribution
1.3.1 Problématique de recherche
1.3.2 Un nouveau pipeline pour répondre à notre problématique
1.3.3 Applications de notre pipeline
1.3.3.1 Application à la caféine
1.3.3.2 Application aux AHAs
1.3.4 Conclusion
2 Construction de cartes métaboliques
2.1 Reconstruction d’une carte du métabolisme annotée
2.1.1 Production de la carte du métabolisme
2.1.2 Annotation de la carte du métabolisme
2.1.2.1 Annotation des métabolites
2.1.2.2 Annotation des réactions
2.2 Calcul du score de probabilité de production à partir de propriétés des réseaux Bayésiens
2.2.1 Les réseaux Bayésiens
2.2.2 Application des Modèles Bayésiens aux cartes du métabolisme des xénobiotiques
2.2.2.1 Compatibilité des structures des cartes du métabolisme et des réseaux Bayésien
2.2.2.2 Construction du réseau Bayésien à partir de la carte du métabolisme annotée
2.3 Conclusion
2.3.1 Valeurs ajoutées
2.3.2 Application du pipeline
3 Production d’une carte prédictive du métabolisme de la caféine
3.1 Production de la carte du métabolisme de la caféine issue des connaissances
3.1.1 Les métabolites de la caféine
3.1.1.1 Métabolisme de la paraxanthine
3.1.1.2 Métabolisme de la théophylline
3.1.1.3 Métabolisme de la theobromine
3.1.2 La carte du métabolisme de la caféine
3.2 Évaluation du pipeline de prédiction du métabolisme
3.2.1 Evaluation de la prédiction des métabolites par SyGMa
3.2.2 Annotation et filtration de la carte du métabolisme de la caféine
3.2.3 Classification des métabolites via le score de probabilité de production calculé par un modèle Bayésien
3.2.3.1 Étude de la distribution des scores sur les métabolites
3.2.4 Filtration de la carte du métabolisme
3.3 Conclusion
4 Etude du métabolisme des AHAs
4.1 Prédiction du métabolisme des 30 AHAs par la première étape du pipeline (SyGMa)
4.1.1 Identification des métabolites susceptibles de réagir avec l’ADN
4.1.1.1 Analyse des caractéristiques des cartes du métabolisme prédites
4.2 Annotation des cartes du métabolisme, calcul et analyse du score de probabilités de production
4.2.1 Identification de six AHAs d’intérêt
4.2.2 Annotation des cartes du métabolisme des six AHAs
4.2.3 Métabolites connus des trois AHAs de références dans les cartes prédites du métabolisme
4.2.4 Calcul et distribution du score de confiance des AHAs de référence
4.3 Filtration des cartes du métabolisme
4.3.1 Effet de la filtration sur les métabolites
4.3.2 Effet de la filtration sur les métabolites réactifs à l’ADN
4.4 Conditions favorisant la production de métabolites réactifs chez les AHAs
4.4.1 Influence des contextes enzymatiques sur le calcul du score de probabilités de production
4.4.2 Calcul des signature optimale en terme de réactivité
4.4.3 Impact du seuil de définition des métabolites réactifs à l’ADN
4.5 Conclusion
5 Conclusion & Perspectives
5.1 Contributions méthodologiques
5.2 Contributions biologiques
5.3 Perspectives
5.3.1 Amélioration du pipeline
5.3.2 Applications Biologiques
6 Annexe
Bibliographie
Télécharger le rapport complet
