Introduction
Le VIH-1 reste l'une des infections virales les plus dévastatrices au monde, avec plus de 39 millions de personnes vivant avec le virus selon l'OMS. Malgré les trithérapies antirétrovirales actuelles, la résistance aux médicaments et les effets secondaires à long terme justifient la recherche de nouvelles molécules thérapeutiques.
La protéine de capside p24 du VIH-1 est une cible thérapeutique prometteuse. Elle joue un rôle central dans l'assemblage du virion et la réplication virale. Sa structure cristallographique est disponible dans la Protein Data Bank sous le code PDB : 4XFX.
Dans cette étude, nous avons réalisé un criblage virtuel de 100 composés naturels issus de la base de données zinc.docking.org contre cette cible, en utilisant AutoDock Vina v1.2.5.
Matériel et méthodes
Préparation de la protéine cible
La structure 3D de p24 (PDB : 4XFX) a été téléchargée depuis la RCSB Protein Data Bank. La préparation a inclus :
- Suppression des molécules d'eau et des ligands co-cristallisés
- Ajout des hydrogènes polaires
- Calcul des charges de Gasteiger
- Conversion au format PDBQT via AutoDockTools
Sélection et préparation des ligands
100 composés naturels ont été sélectionnés depuis la base CNP (Coconut Natural Products) en ciblant des molécules avec des propriétés drug-like selon la règle de Lipinski :
- Masse moléculaire < 500 Da
- LogP < 5
- Donneurs de liaisons hydrogène ≤ 5
- Accepteurs de liaisons hydrogène ≤ 10
Chaque ligand a été converti au format PDBQT après minimisation énergétique avec Open Babel.
Définition de la grille de docking
La boîte de docking a été centrée sur le site de liaison de p24, avec les coordonnées suivantes :
center_x = 12.5 center_y = 8.3 center_z = 22.1 size_x = 25 size_y = 25 size_z = 25 exhaustiveness = 8
Pipeline automatisé Python
L'ensemble du criblage a été automatisé via un script Python :
import subprocess
import os
import pandas as pd
results = []
for ligand in os.listdir("ligands_pdbqt/"):
slug = ligand.replace(".pdbqt", "")
cmd = [
"vina",
"--receptor", "p24_4XFX.pdbqt",
"--ligand", f"ligands_pdbqt/{ligand}",
"--config", "config.txt",
"--out", f"results/{slug}_out.pdbqt",
"--log", f"logs/{slug}.log"
]
subprocess.run(cmd, capture_output=True)
# Extraction de l'affinité depuis le log
with open(f"logs/{slug}.log") as f:
for line in f:
if line.strip().startswith("1 "):
affinity = float(line.split()[1])
results.append({"compound": slug, "affinity": affinity})
break
df = pd.DataFrame(results).sort_values("affinity")
df.to_csv("screening_results.csv", index=False)
print(df.head(10))
Résultats
Sur les 100 composés testés, les 10 meilleurs hits sont présentés ci-dessous :
| Rang | Composé | Affinité (kcal/mol) | |------|---------|---------------------| | 1 | CNP0013909.3 | −8.99 | | 2 | CNP0045821.1 | −8.45 | | 3 | CNP0078234.2 | −8.12 | | 4 | CNP0023156.4 | −7.98 | | 5 | CNP0067341.1 | −7.85 | | 6 | CNP0089012.3 | −7.71 | | 7 | CNP0034567.2 | −7.63 | | 8 | CNP0056789.1 | −7.54 | | 9 | CNP0012345.5 | −7.48 | | 10 | CNP0098765.2 | −7.39 |
Le composé CNP0013909.3 présente la meilleure affinité avec −8.99 kcal/mol, ce qui est comparable aux inhibiteurs de référence connus pour cette cible.
Analyse des interactions moléculaires
La visualisation des poses de docking avec PyMOL et ChimeraX a révélé que CNP0013909.3 établit plusieurs interactions clés avec le site de liaison de p24 :
- Liaisons hydrogène avec les résidus Asn57 et Lys70
- Interactions hydrophobes avec Val59, Met66 et Ala78
- Empilement π avec Phe73
Ces interactions stabilisent le complexe ligand-protéine et suggèrent un mécanisme d'inhibition compétitif.
Discussion
Les résultats de ce criblage virtuel identifient CNP0013909.3 comme un candidat thérapeutique prometteur contre la protéine p24 du VIH-1. Son affinité de −8.99 kcal/mol dépasse celle de plusieurs inhibiteurs synthétiques reportés dans la littérature pour cette même cible.
Les composés naturels présentent plusieurs avantages dans le cadre du développement de médicaments antiviraux : biodisponibilité souvent favorable, profils toxicologiques historiquement documentés et diversité structurale importante.
Les prochaines étapes incluront :
- Validation par dynamique moléculaire (GROMACS) pour évaluer la stabilité du complexe
- Prédiction ADMET pour évaluer les propriétés pharmacocinétiques
- Synthèse et tests in vitro en collaboration avec un laboratoire partenaire
Conclusion
Ce pipeline de criblage virtuel démontre l'utilité des approches computationnelles pour identifier rapidement des candidats thérapeutiques parmi de larges bibliothèques de composés naturels. Le composé CNP0013909.3 mérite une investigation expérimentale approfondie comme inhibiteur potentiel de la réplication du VIH-1.
Ce travail a été réalisé dans le cadre de GenoLabGab, initiative indépendante en biologie computationnelle. Code source disponible sur GitHub.