Les nouvelles substances psychoactives (NPS) posent un défi croissant pour la toxicologie clinique et médico-légale en raison du manque de données analytiques et métaboliques. Pour faire face à la rareté des échantillons biologiques humains ayant fait usage de NPS, la difficulté d’approvisionnement en standards commerciaux, et la technicité requise par les différents modèles expérimentaux, nous proposons ici l’utilisation d’une combinaison de 4 logiciels in silico de prédiction de métabolisme des NPS.

Cette étude évalue la performance du script METATOX utilisant quatre outils de prédiction in silico open-access (GLORYx, Biotransformer 3.0, SyGMa et MetaTrans) pour prédire le métabolisme de 7 NPS issus des 5 plus grandes familles chimiques (cathinones, cannabinoïdes synthétiques, opioïdes synthétiques, benzodiazépines synthétiques et anesthésiques dissociatifs). Les métabolites prédits ont été comparés à ceux rapportés dans la littérature, issus d’études in vivo ou in vitro.

Les résultats révèlent que SyGMa est l’outil le plus exhaustif, prédisant 437 métabolites, tandis que MetaTrans en prédisait le moins avec seulement 61 molécules. GLORYx identifiait de manière unique la conjugaison du glutathion, tandis que Biotransformer était particulièrement efficace pour prédire les réactions de phase I. À titre d’exemple, nous avons évalué l’efficacité des logiciels in silico en comparant les métabolites de l’ADB-FUBINACA retrouvés après incubation sur un pool d’hépatocytes humains. Sur les 23 métabolites identifiés dans la littérature, 7 ont été prédits par les logiciels in silico soit un score de prédiction de 30 %. Parmi eux 3 sont prédits par au moins 3 logiciels. Ainsi, aucun outil n’a fourni seul les prédictions exactes. De plus, ces logiciels génèrent un grand nombre de métabolites, dont la pertinence est parfois discutable. La combinaison des quatre outils a permis d’identifier plusieurs métabolites correspondant à des biomarqueurs clés compatibles avec les données expérimentales.

Ces résultats soulignent la nécessité de combiner les logiciels et les approches expérimentales pour optimiser la prédiction des métabolites. Les avancées futures dans les modèles basés sur l’intelligence artificielle et le machine learning pourraient réduire les faux positifs et améliorer la précision des prédictions, renforçant ainsi le rôle des outils in silico dans les enquêtes toxicologiques. L’ajout au script de logiciels plus récent comme MetaPredictor est également une piste intéressante pour faciliter l’identification des métabolites pertinents.