Une collection de ligands en vue d’un processus de modélisation moléculaire, cela n’a rien à voir avec une chimiothèque. Il se peut que l’outil de modélisation, par exemple un logiciel de docking, accepte des molécules au format SDF ou SMILES, mais il faut voir comment elles seront interprétées … Il peut manquer des charges, des liaisons, des doubles liaisons, des aromaticités, types d’hybridations, hydrogènes … Donc un risque de calcul basé sur une mauvaise structure chimique du ligand candidat. Si l’outil permet de corriger en place ces imperfections, c’est bien. Mais en général il vaudra mieux partir d’une collection de ligand qui soit déjà vérifiée et dont on sait qu’elle aura de bonnes chances d’être bien interprétée. Ce qui passe par un pipeline d’écriture et de transformation des molécules. J’ajouterais que dans processus d’arrimage moléculaire, nous avons souvent plusieurs versions (2D, 3D, hydrogénée, optimisations …) d’une même molécule organique (ligands, cofacteurs …) ou d’une collection de molécules. Ce qui veut dire que nous aurons plusieurs versions d’une même molécule, donc des conventions de nommage.

Publication initiale sur buildblog.buidez.net (2021) – Article mis à jour en Mars 2025.

1. Signifiants dans les noms de fichiers

Une manière de répondre à cette problématique est d’inclure des chaines de caractères significatives dans le noms des ligands. Il faut donc commencer par faire une sorte d’inventaire (non exhaustif) des formes sous lesquelles une molécule peut se présenter :

• Une formule développée, donc en 2D. Sous différents formats selon l’utilisation : SDF, SMI (SMILES), MOL2, CSVM, XML : s’il s’agit d’une collection. MDL Mol, MRV, MOL2 pour un format individuel … entre autres. Dans ces cas, nous insérons souvent la chaine _2d dans le nom du fichier.
• La structure 3D a été calculée, après une optimisation, incluant les atomes d’hydrogènes. Dans ce cas nous allons trouver des chaines _3d, _opt, _h dans le nom des fichiers.
• La structure 3D d’un ligand en 3D peut être extraite d’une protéine qui était alignée vis à vis d’une référence. Le ligand est donc dans l’espace de référence. Ce qui veut dire qu’une librairie de ces ligands, chargée d’une manière indépendante, va se loger dans le site (actif, liaison d’intérêt de la protéine étudiée) d’une protéine dont les coordonnées cartésiennes font partie du même espace de référence (protéine alignée => site actifs => alignés => résidus et ligands alignés). Dans ce cas on utilise la chaine _ref dans le nom du ligand.

Une fois dotés de cette nomenclature nous allons pouvoir explorer le répertoire qui contient les ligands (pour mémoire _ligands ou _new_ligands). Nous allons y trouver différents types de molécules, mais avec un lien entre elles. En effet, la mise en place se fait par étapes, dessiner les ligands ou les extraire de structures PDB, les corriger (chimiquement), les modifier (charges, hybridations, hydrogènes ), réaliser des optimisations limitées (par exemple rétablir la planéité de certains cycles ou hétérocycles aromatiques), puis les intégrer en collections dans un espace de référence, et enfin produire un fichier (SDF, 3D, optimisé, hydrogéné, corrigé, dans un espace de référence) importable dans un outil d’arrimage.

2. Contenu type pour un dossier ‘_ligands’

Chaque modélisateur a ses conventions, l’important est que le message soit clair et pratique. Explorons ce répertoire _ligands et tentons de savoir pourquoi telle molécule ou macromolécule est présente, sous une forme donnée:

• _depot – Certainement un répertoire comme _tmp ou _old. Nous y trouverons de vieilles versions des molécules, ou des informations à garder (sur les disques, c’est comme dans la vie, certaines personnes ne jettent rien).
• 1p45a_ref.pdb – La structure PDB 1P45 [Kuo_2003] de la protéine d’intérêt (InhA), limitée à sa chaine ‘A’, après normalisation (séparation des chaines, corrections diverses, élimination d’artefacts …) et dans un espace de référence _ref. C’est-à-dire alignée sur une structure de référence, dans ce cas 1BVRa [Rozwarski_1999]. Dans un contexte modélisation, cette structure ne contiendra que la protéine et éventuellement le cofacteur (ici un NAD+/NADH) mais pas les ligands qui sont amenés par un fichier SDF (ou MOL2).
• 1p45a_ref.dsv – La structure 1p45a_ref au format DSV (Discovery Studio Visualiser). Ce type de fichier pourra inclure des métadonnées et les restituer à l’ouverture avec DSV : couleurs différentes de molécules, distances, labels (identifiants d’atomes ou de résidus, charges, configurations R/S, etc).
• ligands.smi – La collection de ligands à travailler, après dessin (formule développée) dans un éditeur 2D (ex: Marvin Sketch) au format SMI. C’est-à-dire une succession de lignes (une ligne par molécule) composées par : une structure (2D) au format SMILES, suivie d’une tabulation, et de l’identifiant (une chaîne de 3 lettres/chiffres ou plus) de la molécule.
• ligands2d.sdf – Le fichier ligands.smi après transformation au format SDF (en 2D) par ouverture / vérification / sauvegarde via Marvin View.
• new_ligands_3d_ref_h_ref.dsv – Les ligands après optimisation géométrique, ajout des hydrogènes, vérification et positionnement (dans la zone d’intérêt : site actif / de liaison) dans l’espace de référence (par exemple 1p45a_ref). Format DSV, collection pouvant contenir des métadonnées et la protéine 1p45a_ref. En toute logique, nous aurions dû intégrer la chaine _1p45a_ref dans le nom du fichier, mais il faut aussi éviter les noms à rallonge. Une règle simple : si le fichier fait plus de 500 Ko, il y a une chaine protéique dans la structure.
• new_ligands_3d_ref_h_ref.sdf – La collection new_ligands_3d_ref_h_ref sans métadonnées et sans protéine. Fichier SDF prêt pour importation dans DSV, USCF Chimera, dans un outil de modélisation moléculaire.
• ligands_pdb_ref_opt_3dh_ty-pical_02.sdf – Collection des ligands de référence (ligands typiques, trouvés dans d’autres structures de la protéine) hydrogénés et optimisés, dans le même espace de coordonnées cartésiennes (espace de référence) que la structure 1p45a_ref. Sans protéine, fichier SDF prêt pour importation dans DSV, USCF Chimera et dans un outil de modélisation moléculaire (Molegro par exemple).

3. Une phase de ‘mise en place’

Il s’agit de la mise en place de l’organisation nécessaire aux paramétrages et aux calculs ultérieurs. Cette organisation doit également être pratique, si au fil de l’avancement du projet d’autres ligands sont ajoutés. Dans le cas d’une première mise en place, dans l’ordre des opérations, nous avons :

A. La conception des molécules sur papier ou tout autre outil de chimiste
Elle peut se faire à deux, devant une structure protéique et des ligands de référence. C’est ce qu’on appelle le binôme chimiste-modélisateur et qui permet d’aller beaucoup plus vite dans la conception, de molécules qui seront réellement synthétisables. Au final on arrive souvent à un papier ou une planche avec les noms correspondant aux cahiers de laboratoires. Mais que nous n’utiliserons pas, car à chaque synthèse les chimistes renumérotent à partir de zéro, et nous travaillons avec plusieurs chimistes …

B. Le choix d’un identifiant pour chaque molécule à travailler
Donc il faut trouver autre chose … Nous pouvons nous restreindre à 3 lettres, si l’on veut que l’identifiant soit conservé dans un fichier PDB. Avec plus de trois lettres, l’identifiant (long) sera pris en compte dans les fichiers SDF, mais après import dans un fichier PDB il risquera d’être tronqué. Dans un cas à 3 lettres nous pouvons choisir une ou deux lettres qui rappellent le(la) chimiste (la personne qui va synthétiser la molécule) et un ou deux chiffres qui vont identifier la molécule. Par exemple T01 pour ‘Toto, molécule 1’, ou T1R ou T1S, s’il y a des énantiomères R ou S.

C. Le dessin des formules développées
Un éditeur chimique (par exemple ChemAxon Marvin Sketch) est utilisé en combinaison avec la sauvegarde (individuelle) de chaque molécule au format natif (MRV pour Marvin Sketch) dans le répertoire _depot. Je conseille aux modélisateurs de dessiner les molécules puis de les faire valider par les chimistes, avec les deux identifiants (cahier de labo, modélisation).

D. L’Insertion dans une liste de molécules au format SMILES
Le plus simple est de réaliser un copier-coller au format SMILES, de l’éditeur chimique vers une ligne d’un fichier texte (éditeur de texte, type SciTE) qui sera sauvé avec l’extension .smi (format SMI). Dans l’exemple suivant nous voyons la fenêtre de Marvin Sketch à gauche, avec la molécule éditée, sélectionnée (en vert) puis copier au format SMILES vers SciTE à droite. La formule est insérée dans une ligne du fichier texte, et suivie d’un TAB et de la chaine à 3 caractères correspondant à l’id de la molécule (E14).

Il y a, bien sur, une diversité de méthodes pour produire une collection de molécules, il ne s’agit que d’une, mais elle marche avec peu de choses, on peut tout contrôler et elle donne des résultats fiables.

E. La Transformation du fichier SMI en fichier SDF
Il y a plusieurs manières et outils pour le faire. Sous Marvin View, il suffit d’ouvrir le fichier SMI, de contrôler les structures, en mode table ou matrice avec l’affichage des champs (pour visualiser l’identifiant). Les corrections sont possibles (charge, hybridation …) dans la formule développée, en lançant l’éditeur. Sauvegarde au format SDF (encore en 2D).
L’image suivante montre ce type d’opération, la collection de molécule en affichage matriciel, et l’édition dans l’éditeur de la première molécule.

Tamhaev & al. Exploring the plasticity of the InhA substrate-binding site using new diaryl ether inhibitors. (2004) Bioorg. Chem. 143, pp.107032. [Tamhaev_2024]

F. La génération d’un fichier SDF 3D à partir du SDF 2D précédent
Il faut réaliser l’hydrogénation (ajout d’hydrogènes explicites) et une optimisation géométrique (clean 3D ou plus). Une optimisation (calcul d’une structure 3D après minimisation de l’énergie) peu poussée est suffisante car les logiciels en aval feront leur propre modélisation. L’objectif ici et de valider les stéréochimies, la planéité des cycles aromatiques, le type de liaisons, les charges.
Il y a beaucoup de méthodes à base de logiciels ou de programmation qui peuvent réaliser cette phase, qui peut aussi être faite ‘dans la protéine’ sous DSV à l’étape suivante, ou via un éditeur chimique 3D.

G. Production d’un espace de travail DSV incluant une protéine dans un espace de référence
Il suffit d’ouvrir sous DSV une chaine de la protéine (ex : 1p45a_ref) existant dans un espace de référence. Cette structure peut contenir, les cofacteurs, l’eau, des ions, et une collection (sinon il faudra l’insérer) de ligands ‘typiques’ (co-cristallographiés dans d’autres structures qui ont été alignées sur la même structure de référence). Chaque modélisateur dispose de ce type de fichier qui est enrichi au fur et à mesure des travaux sur la protéine d’intérêt.
L’avantage d’utiliser DSV est que ce le logiciel est précis à la fois du coté macromolécules et chimie, avec la possibilité d’éditions en 3D, de déplacements de blocs, formation de liaisons chimiques, optimisations limités. L’autre intérêt est que les fichiers (.dsv) produits par Discovery Studio peuvent conserver des annotations (couleurs, labels) sur des éléments de la structure. Nous nous en servons comme fichiers de référence, chaque fois que nous ajoutons un ligand dans la collection, nous repartons de ce fichier avant l’importation de la nouvelle collection de structures (ligands) dans un espace de travail Molegro.

H. La combinaison des ligands 3d_h_opt avec la protéine _ref
Dans cet espace de travail DSV, il faudra insérer le fichier SDF 2D ou 3D des nouveaux ligands. Si ce n’est pas fait à l’étape précédente (par exemple un import de ligands en 2D) il faudra réaliser l’hydrogénation et l’optimisation géométrique ainsi que toutes les corrections liées à la chimie. Le choix d’importer en 2D ou 3D est avant tout liée à l’aisance de chacun pour réaliser ces opérations sur DSV plutôt que sur un éditeur chimique traditionnel.
Puis il faut déplacer les ligands dans la zone d’intérêt. Soit de manière très précise s’ils ont des sous-structures identiques à celles de ligands (typiques) soit ‘en tas’. L’objectif est d’avoir des ligands dans la zone d’intérêt et non à l’autre bout de l’espace de visualisation, ce qui sera mieux quand on fera tourner et zoomer la protéine dans l’espace. Vérifications multiples et positionnement de labels (étiquettes) et couleurs différentiées (et d’autres métadonnées) s’il y a lieu pour la compréhension du problème. Sauvegarde de l’espace de travail sous la forme d’un fichier DSV.

L’image montre partiellement un environnement de travail DSV. A gauche, l’explorateur affiche une hiérarchie avec (du haut vers le bas) la protéine et ses composants, puis une série de ligands: JPL, GEQ, TCL … associés au nom de la structure dans laquelle ils sont présents et à leur numéro de résidu. Par exemple JPL est le résidu 400 dans la structure 3FNG_ [Freundlich_2009]. Il s’agit de la collection dite ‘typique’ de ligands co-cristallographiés dans la même série protéique et qui accompagne le projet.
Dans la fenêtre de visualisation, à droite, le JPL apparaît en jaune (ball & stitcks) et la TYR158 de 1P45a en vert (ball & sticks). Autour du JPL on distingue la masse des ligands ‘typiques’ qui partagent la même enveloppe dans l’espace. Ce qui est normal car leurs structures d’origine sont alignées sur la même référence que 1P45a (protéines alignées => sites alignés => résidus et ligands alignés). Le volume du site est représenté par une surface (hydrophobicité) en mode transparent.
Enfin, en revenant à l’explorateur, la liste se finit par des ligans qui ne sont pas cochés (donc il n’apparaissent pas dans la visualisation) et qui correspondent aux molécules candidates issues des phases E-G précédentes, elles sont 3d_h_opt_(quasi)ref. Je dis (quasi)ref car elles sont placées en gros dans le site. Bien que étant des dérivés du triclosan, elles ne sont pas alignées sur les TCL ‘typiques’ car leur structures sont trop différentes pour qu’on choisisse les bonnes options d’alignement.

I. Génération de fichiers SDF ligands et ligands ‘typiques’ pour import dans Molegro
Dans le même espace de travail DSV, nous supprimerons la protéine, l’eau, les cofacteurs, de manière à ne garder que les ligands ‘typiques’ et les nouveaux ligands. Cette collection sera sauvegardée au format SDF. L’image suivante montre l’affichage de ce fichier SDF avec Marvin View. C’est cette collection qui sera importée dans les logiciels d’arrimage et de visualisation (ex : UCSF Chimera).

4. Un fichier DSV ‘pivot’ qui a son importance

Le fichier DSV produit à l’étape H est très important, il s’agira de la source de données primaire pour la suite du travail. Les autres ligands à venir seront importés dans cet espace de travail, et il y aura génération du fichier de l’étape I, avec l’ajout d’un numéro de version. Parfois, les nouveaux ligands sont très proches de ceux qui étaient déjà dans le fichier DSV, par exemple l’ajout ou la modification d’un groupement OH ou Cl. Dans ce cas : il est plus facile de dupliquer (copier-coller) un ligand ‘en place’ et de le modifier (identifiant et structure), DSV incorpore un éditeur moléculaire 3D qui est remarquable, probablement un des meilleurs encore à l’heure actuelle. Il faut également bien vérifier l’ordre (index) des nouvelles molécules dans la collection.  Elles doivent apparaitre après les molécules initiales dans le fichier SDF, ce qui nous facilitera la vie avec les logiciels en aval (notamment Molegro).

5. Conclusion

Nous comprenons maintenant que la mise en place et la préparation des ligands correspond à un pipeline logiciel, 3 outils différents (Marvin, SciTE, DSV) peuvent être utilisés. Les processus sont plus ou moins interactifs et différents en fonction du nombre de molécules. Ce protocole est utile pour l’ajout de 20-40 molécules nouvelles (qui ne se trouvent pas dans une base de données), ce qui correspond à nos cycles de conception, au-delà, il faut passer sur une autre organisation.
L’intérêt d’un pipeline est aussi d’être robuste, celui-ci ci garantit une reproductibilité des résultats, il n’y a pas beaucoup de mauvaises surprises lorsque le fichier SDF est inséré dans un espace de travail Molegro (ou un autre logiciel de modélisation). En effet il arrive que chaque logiciel interprète à sa manière les molécules qu’il charge (liaisons non conformes, problèmes de charge et d’hybridation …) et s’il y en a, elles seront assez faciles à diagnostiquer et à corriger.

D’une manière générale, il est souhaitable de combiner: le minimum d’outils, le maximum de robustesse dans les opérations, le coté ‘ouvert’ du processus (ne pas dépendre d’un logiciel et de ses bugs).