La dynamique structurelle des biomolécules est intimement liée à leur fonction, mais très coûteuse à étudier expériementalement. Pour cette raison, de nombreuses méthodologies computationnelles ont été développées afin de simuler la dynamique structurelle biomoléculaire. Toutefois, lorsque l'on s'intéresse à la modélisation des effects de milliers de mutations, les méthodes de simulations classiques comme la dynamique moléculaire, que ce soit à l'échelle atomique ou gros-grain, sont trop coûteuses pour la majorité des applications. D'autre part, les méthodes d'analyse de modes normaux de modèles de réseaux élastiques gros-grain (ENM pour "elastic network model") sont très rapides et procurent des solutions analytiques comprenant toutes les échelles de temps. Par contre, la majorité des ENMs considèrent seulement la géométrie du squelette biomoléculaire, ce qui en fait de mauvais choix pour étudier les effets de mutations qui ne changeraient pas cette géométrie. Le "Elastic Network Contact Model" (ENCoM) est le premier ENM sensible à la séquence de la biomolécule à l'étude, ce qui rend possible son utilisation pour l'exploration efficace d'espaces conformationnels complets de variants de séquence. La présente thèse introduit le pipeline computationel ENCoM-DynaSig-ML, qui réduit les espaces conformationnels prédits par ENCoM à des Signatures Dynamiques qui sont ensuite utilisées pour entraîner des modèles d'apprentissage machine simples. ENCoM-DynaSig-ML est capable de prédire la fonction de variants de séquence avec une précision significative, est complémentaire à toutes les méthodes existantes, et peut générer de nouvelles hypothèses à propos des éléments importants de dynamique structurelle pour une fonction moléculaire donnée. Nous présentons trois exemples d'étude de relations séquence-dynamique-fonction: la maturation des microARN, le potentiel d'activation de ligands du récepteur mu-opioïde et l'efficacité enzymatique de l'enzyme VIM-2 lactamase. Cette application novatrice de l'analyse des modes normaux est rapide, demandant seulement quelques secondes de temps de calcul par variant de séquence, et est généralisable à toute biomolécule pour laquelle des données expérimentale de mutagénèse sont disponibles. / The dynamics of biomolecules are intimately tied to their functions but experimentally elusive, making their computational study attractive. When modelling the effects of thousands of mutations, time-stepping methods such as classical or enhanced sampling molecular dynamics are too costly for most applications. On the other hand, normal mode analysis of coarse-grained elastic network models (ENMs) provides fast analytical dynamics spanning all timescales. However, the vast majority of ENMs consider backbone geometry alone, making them a poor choice to study point mutations which do not affect the equilibrium structure. The Elastic Network Contact Model (ENCoM) is the first sequence-sensitive ENM, enabling its use for the efficient exploration of full conformational spaces from sequence variants. The present work introduces the ENCoM-DynaSig-ML computational pipeline, in which the ENCoM conformational spaces are reduced to Dynamical Signatures and coupled to simple machine learning algorithms. ENCoM-DynaSig-ML predicts the function of sequence variants with significant accuracy, is complementary to all existing methods, and can generate new hypotheses about which dynamical features are important for the studied biomolecule's function. Examples given are the maturation efficiency of microRNA variants, the activation potential of mu-opioid receptor ligands and the effect of point mutations on VIM-2 lactamase's enzymatic efficiency. This novel application of normal mode analysis is very fast, taking a few seconds CPU time per variant, and is generalizable to any biomolecule on which experimental mutagenesis data exist.

Les produits naturels (PNs) englobent une énorme diversité chimique qui a conduit à la découverte de médicaments révolutionnaires contre le cancer, contre les maladies infectieuses et contre d'autres maladies. La majorité des médicaments actuellement approuvés sont des dérivés de PNs, où nombre d’entre eux engagent des cibles considérées comme non thérapeutiques. Malgré ces avantages, les PNs posent des problèmes au niveau de l’isolement, de la déréplication, du réapprovisionnement et de la traçabilité chimique. Compte tenu du besoin urgent de découvrir de nouvelles molécules bioactives contre de nouvelles cibles pour tous les types de maladies, des stratégies innovantes sont nécessaires pour revigorer la découverte de médicaments à partir des PNs. Nous avons développé une plateforme utilisant Saccharomyces cerevisiae pour la production hétérologue de molécules similaire aux PNs, appelée « produits naturels synthétiques » (PNSs). Nous avons synthétisé une vaste bibliothèque de gènes impliqués dans la biosynthèse de PNs (GBSs) provenant de plantes, de champignons et de bactéries, pour lesquels leur contenu en GC et leurs codons ont été optimisés pour l’expression dans S. cerevisiae. Ces gènes sont assemblés en chromosomes artificiels de levure pour générer de vastes bibliothèques combinatoires de BSG pour la production de molécules similaires aux PNs. Les bibliothèques de PNSs peuvent être directement criblées contre des microorganismes ou des cibles spécifiques dans des essais à haut débit. J'ai effectué le criblage de bibliothèques de PNSs contre une variété de cibles bactériennes et humaines. L'un de ces criblages a conduit à la découverte de PNSs ayant une activité antimicrobienne contre un groupe de pathogènes cliniquement pertinents. Récemment, certaines équipes scientifiques, dont la nôtre, ont découvert que l'hyperactivation de la protéase mitochondriale humaine CLPP par les composés anticancéreux ONC201 et ONC212, qui sont présentement en phase préclinique, provoque la mort cellulaire par protéolyse mitochondriale incontrôlée. Cependant, j'ai trouvé que ONC201/212 activent également la version bactérienne de ClpP et ils pourraient donc perturber le microbiome. J'ai donc développé des essais génétiques de substitution dans la levure pour les protéases ClpP afin de cribler pour des activateurs plus spécifiques. Ensuite, j'ai adapté mon approche dans la levure pour le criblage d’inhibiteurs de la protéase principale (Mpro) et de l'endoribonucléase (NendoU) de SRAS-CoV-2, afin de répondre au besoin pour des thérapies antivirales efficaces afin de traiter les personnes atteintes de la forme grave de la COVID-19. Enfin, une autre variante de mon approche dans la levure a également été développée pour le criblage de stabilisateurs de l'interaction entre FKBP12 et calcineurine dans le but d'identifier de nouveaux immunosuppresseurs qui présentent moins d'effets secondaires. Le criblage de ces différents essais m’a permis d’identifier des candidats potentiels pour chaque cible. Bien que les tests faits dans la levure soient utilisés dans le contexte de criblages traditionnels, l’utilisation de la plateforme PNS permet d’explorer un espace chimique inaccessible auparavant afin de favoriser la découverte de médicaments, le tout de manières économique, modulable et durable. / Natural products (NPs) encompass enormous chemical diversity, leading to revolutionary medicines in cancer, infectious disease, and other indications. The majority of currently approved drugs are derived from NPs, with many of them engage targets otherwise viewed as undruggable. Despite these advantages, NPs pose problems in isolation, dereplication, resupply and chemical tractability. Given the pressing need to discover bioactive chemical matter against new targets in all disease areas, innovative strategies are required to reinvigorate NP-based drug discovery. We have developed a Saccharomyces cerevisiae platform for heterologous production of NP-like chemical matter, termed Synthetic Natural Products (SynNPs). We synthesized an extensive library of codon- and GC-content optimized NP biosynthetic genes (BSGs) from plants, fungi and bacteria. These genes are then assembled into programmable yeast artificial chromosomes (YAC) to generate vast combinatorial BSG libraries that produce NP-like molecules. SynNP libraries can be directly screened in high-throughput in either cell- or target-based assays. I constructed and screened SynNP libraries in yeast-based surrogate genetic assays against a variety of bacterial and human targets. One of these screens led to the discovery of SynNPs with antimicrobial activity against a panel of clinically relevant pathogens. Recently, we and others discovered that hyperactivation of the human mitochondrial caseinolytic protease proteolytic subunit (CLPP) by the preclinical anti-cancer compounds ONC201 and ONC212 causes cell death by rampant mitochondrial proteolysis. However, I found that ONC201/212 also activates bacterial ClpP and could therefore disrupt the microbiome. I thus developed yeast-based surrogate genetic assays for ClpP proteases to screen for more specific activators. Then, I adapted my yeast-based approach to screen for inhibitors of SARS-CoV-2 main protease (Mpro) and endoribonuclease (NendoU) to address the need for efficacious antiviral therapies to mitigate the COVID-19 pandemic. Finally, I developed another variant of my yeast-based approach to screen for stabilizers of the interaction between FKBP12 and calcineurin to identify novel candidate immunosuppressants. Screens with these various assay formats allowed me to identify candidate hits for each target. In summary, the SynNP platform allows the exploration of new-to-nature NP-like chemical space for drug discovery in a cost-effective, scalable and sustainable manner, and yeast-based surrogate genetic assays can be used to screen both existing chemical libraries and SynNP libraries.