# Activity-Based Probes as Causal Perturbagens for Dynamic Inference of Enzyme Network Topology in Live Cells

## Metadata

- **SPORE ID**: SPR-2026-0E36
- **Domaines**: Chemical Biology x Systems Biology
- **Date de generation**: 2026-07-20
- **Panel consensus score**: 5.9/10
- **Novelty score**: 0.85/1.0
- **Panel verdict**: publish_brief

## Abstract

If a cell-permeable, covalent activity-based probe (ABP) targeting a specific enzyme family is applied at a concentration that achieves ≥90% target occupancy within 15 minutes, then the resulting multi-omics perturbation response (transcriptomics, proteomics, metabolomics) will enable the inference of causal edges in the target's signaling network with a precision-recall AUC ≥ 0.75, because the ABP's activity-dependent, irreversible binding creates a temporally precise and specific node inhibition that allows for the deconvolution of direct from indirect regulatory effects via differential equation modeling of the time-resolved omics data.

The proposed mechanism involves 4 causal steps: (1) ABP (e.g., IMP-1710 for UCHL1) is added to live cells at a concentration (e.g.,  -> (2) The acute loss of target enzyme function disrupts its immediate downstream subst -> (3) The accumulated substrates trigger compensatory or feed-forward signaling throug -> (4) Time-resolved multi-omics data (e.g., 8 time points over 0-120 min) are used to .

Literature grounding on 10 verified references yields a novelty score of 0.85 (novel). A 3-phase experimental protocol (budget: €20k-80k, timeline: 8-14 months) is proposed, starting with in silico validation. A panel of 5 expert reviewers reached a consensus score of 5.9/10.

## 1. Hypothese et mecanisme propose

### 1.1 Formulation formelle

If a cell-permeable, covalent activity-based probe (ABP) targeting a specific enzyme family is applied at a concentration that achieves ≥90% target occupancy within 15 minutes, then the resulting multi-omics perturbation response (transcriptomics, proteomics, metabolomics) will enable the inference of causal edges in the target's signaling network with a precision-recall AUC ≥ 0.75, because the ABP's activity-dependent, irreversible binding creates a temporally precise and specific node inhibition that allows for the deconvolution of direct from indirect regulatory effects via differential equation modeling of the time-resolved omics data.

### 1.2 Variables

**Variables independantes :**

| Variable | Type | Plage | Unite |
|----------|------|-------|-------|
| ABP concentration | continuous | 0.1 - 10.0 | µM |
| ABP incubation time | continuous | 0 - 120 | minutes |
| Target enzyme identity | categorical | e.g., UCHL1, Cathepsin B, CRL E3 ligase | N/A |

**Variables dependantes :**

| Variable | Type | Direction attendue | Unite |
|----------|------|-------------------|-------|
| Target enzyme residual activity | continuous | decrease | % of baseline activity |
| Number of differentially expressed proteins (DEPs) at 60 min | continuous | increase | count |
| Causal network inference precision-recall AUC | continuous | increase | AUC (0-1) |
| Time to 50% maximal phosphoproteomic response (t_50) | continuous | non-monotonic | minutes |

### 1.3 Chaine causale

1. Step 1: ABP (e.g., IMP-1710 for UCHL1) is added to live cells at a concentration (e.g., 1 µM) that saturates the active site of the target enzyme within 15 minutes, forming a covalent adduct and reducing its catalytic activity by ≥95%.
1. Step 2: The acute loss of target enzyme function disrupts its immediate downstream substrates (e.g., ubiquitin chain processing for UCHL1), causing a rapid accumulation of specific substrate species within 5-10 minutes.
1. Step 3: The accumulated substrates trigger compensatory or feed-forward signaling through parallel pathways, leading to a cascade of post-translational modifications (e.g., phosphorylation) and transcriptional changes measurable by phosphoproteomics and RNA-seq at 30-120 minutes.
1. Step 4: Time-resolved multi-omics data (e.g., 8 time points over 0-120 min) are used to fit a dynamic Bayesian network or ordinary differential equation model, where the known time of ABP addition serves as a forced intervention node, allowing the algorithm to distinguish causal edges from correlations.

**Hypotheses cles :**

- Assumption 1: The ABP is cell-permeable and reaches an intracellular concentration sufficient for target occupancy without significant efflux or metabolism within the experimental window.
- Assumption 2: The ABP has no measurable off-target activity against any other enzyme in the proteome at the working concentration (selectivity >100-fold over the next closest target).
- Assumption 3: The target enzyme's activity is the rate-limiting step for its immediate downstream reactions, such that its inhibition produces a detectable accumulation of substrate within 10 minutes.
- Assumption 4: The biological network is at steady-state prior to perturbation, and the observed omics changes are solely due to the ABP-induced node inhibition, not to cellular stress responses from the vehicle (e.g., DMSO ≤0.1% v/v).

**Inconnues identifiees :**

- We do not know whether the off-target profile of a given ABP (e.g., IMP-1710) will be sufficiently clean in a non-human cell line (e.g., HEK293T) to avoid confounding signals.
- We do not know the optimal number of time points or the sampling frequency required to capture the fastest post-translational modification events (e.g., phosphorylation within 1-2 minutes).
- We do not know whether the inferred causal edges will be stable across different cell types or if they are highly context-dependent.

### 1.4 Conditions aux limites

- **ABP concentration must be ≤10 µM to avoid non-specific thiol reactivity.** — Above 10 µM, many covalent warheads (e.g., acrylamides) begin to react with off-target cysteines, violating the specificity assumption.
- **Cell viability must remain >90% (by MTT assay) throughout the 120-minute experiment.** — If cell death exceeds 10%, the omics signal will be dominated by apoptosis/necrosis pathways rather than the specific network perturbation.
- **The target enzyme must have a known, validated fluorogenic or activity-based substrate for the in-cell activity assay.** — Without a direct activity readout, target engagement cannot be confirmed, and the causal chain from probe binding to network perturbation is unverifiable.
- **The experiment must be performed in a cell line with a sequenced genome and well-annotated proteome (e.g., HEK293T, HeLa).** — Accurate protein identification and quantification in the omics pipeline requires a high-quality reference database.

### 1.5 Cadre theorique

Causal inference in biological networks via interventional perturbation-omics

## 2. Etat de l'art et positionnement

### 2.1 Travaux les plus proches

- **[2015] Empirical inference of circuitry and plasticity in a kinase signaling network** — [10.1073/pnas.1423344112](https://doi.org/10.1073/pnas.1423344112)
  - Similarite: related
  - Difference cle: This paper uses pharmacological inhibitors (kinase inhibitors) as perturbations to infer network topology, but does not use activity-based probes (ABPs) that covalently bind only the active form of enzymes. The hypothesis proposes ABPs as a more specific, activity-dependent perturbation tool, which is a methodological refinement not demonstrated here.
- **[2025] A large-scale benchmark for network inference from single-cell perturbation data** — [10.1038/s42003-025-07764-y](https://doi.org/10.1038/s42003-025-07764-y)
  - Similarite: related
  - Difference cle: This paper uses genetic perturbations (CRISPR) for causal network inference, not chemical perturbations. The hypothesis specifically proposes chemical biology probes as a complementary approach with different advantages (temporal control, reversibility, activity-dependence), which is not addressed here.
- **[2021] Concurrent TMS-fMRI for causal network perturbation and proof of target engagement** — [10.1016/j.neuroimage.2021.118093](https://doi.org/10.1016/j.neuroimage.2021.118093)
  - Similarite: analogous
  - Difference cle: This paper uses neurostimulation (TMS) for causal perturbation in neuroscience, which is conceptually analogous but in a different domain (neuroscience vs. molecular/cellular biology). The hypothesis applies the same logic to chemical biology probes in molecular networks.

### 2.2 Base de preuves

- **[2019] Discovery of a Potent and Selective Covalent Inhibitor and Activity-Based Probe for the Deubiquitylating Enzyme UCHL1, with Antifibrotic Activity** — [10.1021/jacs.0c04527](https://doi.org/10.1021/jacs.0c04527)
  - Type: direct | Citations: 68
  - Directly demonstrates the design and application of an activity-based probe (ABP) that covalently and selectively binds to the active form of a specific enzyme (UCHL1). This is the core chemical biology tool the hypothesis relies on.
- **[2022] A cathepsin targeted quenched activity-based probe facilitates enhanced detection of human tumors during resection** — [10.1158/1078-0432.CCR-22-1215](https://doi.org/10.1158/1078-0432.CCR-22-1215)
  - Type: direct | Citations: 30
  - Shows clinical translation of an ABP (VGT-309) that targets cathepsins, demonstrating that ABPs can be used in vivo for specific, activity-dependent labeling. Supports the feasibility of using ABPs as perturbations in living systems.
- **[2017] Quantitative metaproteomics and activity-based probe enrichment reveals significant alterations in protein expression from a mouse model of inflammatory bowel disease** — [10.1021/acs.jproteome.6b00938](https://doi.org/10.1021/acs.jproteome.6b00938)
  - Type: indirect | Citations: 59
  - Combines ABPs with quantitative proteomics (metaproteomics) to study a biological system. This is methodologically similar to the proposed 'chemically triggered perturbation-omics' platform, though the focus is on enrichment/detection rather than perturbation for causal inference.
- **[2023] Activity-based profiling of cullin–RING E3 networks by conformation-specific probes** — [10.1038/s41589-023-01392-5](https://doi.org/10.1038/s41589-023-01392-5)
  - Type: indirect | Citations: 21
  - Develops probes that specifically recognize the active conformation of CRL complexes. This is an advanced form of activity-based probing that could be adapted for perturbation experiments to map network topology.
- **[2015] Empirical inference of circuitry and plasticity in a kinase signaling network** — [10.1073/pnas.1423344112](https://doi.org/10.1073/pnas.1423344112)
  - Type: indirect | Citations: 72
  - Demonstrates the systems biology goal of inferring network topology from perturbation experiments (using kinase inhibitors). Supports the feasibility of the overall approach, though the perturbations used are not ABPs.
- **[2025] A large-scale benchmark for network inference from single-cell perturbation data** — [10.1038/s42003-025-07764-y](https://doi.org/10.1038/s42003-025-07764-y)
  - Type: indirect | Citations: 35
  - Provides a benchmark for causal network inference from perturbation data, validating the systems biology methodology that the hypothesis aims to enhance with ABPs.
- **[2023] Thiomethyltetrazines are Reversible Covalent Cysteine Warheads whose Dynamic Behavior can be “Switched Off” via Bioorthogonal Chemistry Inside Live Cells** — [10.1021/jacs.3c04444](https://doi.org/10.1021/jacs.3c04444)
  - Type: indirect | Citations: 21
  - Introduces a bioorthogonal 'switch' to lock in covalent modifications. This provides a chemical tool that could be used to create temporally controlled perturbations (e.g., turn on/off inhibition), which is a key aspect of the hypothesis.
- **[2019] Dual-Reactivity trans-Cyclooctenol Probes for Sulfenylation in Live Cells Enable Temporal Control via Bioorthogonal Quenching** — [10.1021/jacs.9b01164](https://doi.org/10.1021/jacs.9b01164)
  - Type: indirect | Citations: 37
  - Demonstrates temporal control of probe reactivity via bioorthogonal quenching. This supports the hypothesis's claim that ABPs can provide time-controlled perturbations.

### 2.3 Contre-preuves et limitations connues

- **[serious] Chemical–biological characterization of a cruzain inhibitor reveals a second target and a mammalian off-target**
  - A supposedly specific covalent inhibitor (K777 analogue) was found to have an off-target (TcCYP51) that was actually responsible for its primary activity. This highlights the risk of off-target effects with covalent probes, which could confound causal inference in the proposed platform.
- **[addressable] Empirical inference of circuitry and plasticity in a kinase signaling network**
  - The study observed stochasticity in network remodeling upon chronic inhibition, suggesting that even with specific perturbations, the system's response can be variable and not deterministic. This could complicate causal inference from single perturbation experiments.

### 2.4 Evaluation de nouveaute

- **Score**: 0.85/1.0
- **Verdict**: novel

## 3. Predictions falsifiables

| # | Prediction | Borne quantitative | Methode | H0 | Test statistique |
|---|-----------|-------------------|---------|-----|-----------------|
| 1 | Application of 1 µM IMP-1710 to HEK293T cells will reduce UCHL1 activity by ≥95% within 15 minutes, as measured by a fluorogenic substrate assay. | Residual UCHL1 activity ≤5% of DMSO control at t=15 min. | In-cell activity assay using Ub-AMC substrate (ex/em 380/460 nm) on cell lysates. | H0: Mean residual UCHL1 activity at 15 min is not significantly different from DMSO control (≥90% of control). | One-tailed t-test, α=0.01, n=3 biological replicates. |
| 2 | The number of differentially expressed proteins (DEPs, fold-change >2, FDR <0.05) at 60 minutes post-IMP-1710 treatment will be at least 50, as measured by TMT-based quantitative proteomics. | ≥50 DEPs identified at 60 min vs. DMSO control. | TMT10-plex quantitative proteomics on a Q-Exactive HF-X mass spectrometer. | H0: The number of DEPs at 60 min does not exceed the number expected by chance (≤5 DEPs). | Permutation test (10,000 permutations) on the number of proteins with q<0.05, α=0.05. |
| 3 | Causal network inference using the time-resolved phosphoproteomics data (8 time points, 0-120 min) will achieve a precision-recall AUC ≥0.75 when validated against a known gold-standard network for UCHL1 signaling derived from literature-curated interactions. | PR-AUC ≥0.75 for the inferred network. | Dynamic Bayesian network inference (e.g., using the 'CausalBench' framework) on phosphopeptide intensity time series. | H0: The PR-AUC of the inferred network is not significantly greater than that of a network inferred from randomly permuted time labels (PR-AUC ≤0.50). | One-sided Wilcoxon signed-rank test comparing PR-AUC from 10 independent DBN runs vs. 10 runs on permuted data, α=0.05. |

## 4. Protocole experimental

**Timeline globale**: 8-14 months
**Budget global**: €20k-80k

### 4.1 Phase 1 — In Silico Validation: Target Engagement, Selectivity, and Network Feasibility

**Objectif**: To computationally confirm that the chosen ABP (IMP-1710 for UCHL1) can achieve ≥90% target occupancy within 15 minutes at ≤10 µM, has a predicted off-target profile that is clean enough to avoid confounding signals, and that the target enzyme's known interactome is sufficiently large to generate ≥50 DEPs upon perturbation.

**Methodologie**: 1. **Molecular Docking & Covalent Docking**: Use AutoDock Vina with covalent docking module (ADFR) to predict binding pose and binding energy of IMP-1710 to UCHL1 active site (PDB: 3KVF). Simulate occupancy kinetics using a simple ODE model (MATLAB/Python) with kon/koff estimates from literature (e.g., kobs/[I] from [2019] paper). 2. **Off-Target Prediction**: Run the IMP-1710 structure through SwissTargetPrediction, SEA (Similarity Ensemble Approach), and DOCKovalent (for cysteine-reactive warheads). Filter for cysteine-containing proteins with >50% sequence similarity in active site. Generate a list of top 50 predicted off-targets. 3. **Network Topology Analysis**: Query STRING DB, BioGRID, and PhosphoSitePlus for UCHL1 interactors (direct and indirect). Build a literature-curated gold-standard network (≥100 edges). Simulate a 90% inhibition of UCHL1 using a Boolean network model (CellNetOptimizer) to predict the number of DEPs at 60 min. 4. **Time-Series Sampling Feasibility**: Use the simulated data to determine the minimal number of time points needed to capture the fastest phosphorylation events (e.g., 1-2 min) using Nyquist-Shannon sampling theorem. Generate a sampling schedule (e.g., 0, 2, 5, 10, 15, 30, 60, 120 min).

- Cout: €500-2000
- Duree: 4-6 weeks
- Equipement: High-performance workstation (64 GB RAM, 8-core CPU, NVIDIA RTX 3080 GPU for docking)
- Logiciels: AutoDock Vina + ADFR, MATLAB R2023a or Python 3.10 with SciPy, PySB, SwissTargetPrediction web server, SEA web server, DOCKovalent (UCSF), CellNetOptimizer (MATLAB), Cytoscape 3.9

**Criteres de succes :**

- Predicted target occupancy at 15 min: ≥90% at ≤1 µM IMP-1710
- Off-target selectivity index: IC50(off-target) / IC50(UCHL1) > 100
- Simulated DEP count at 60 min: ≥50 DEPs (fold-change >2, FDR <0.05)

- **GO**: All three success criteria met (occupancy ≥90%, selectivity >100-fold, DEPs ≥50).
- **NO-GO**: Any criterion fails (e.g., occupancy <80% at 1 µM, or top off-target IC50 <10 µM, or DEPs <20).
- **PIVOT**: If occupancy is borderline (80-90%) but selectivity is excellent, consider increasing ABP concentration to 3 µM (still ≤10 µM). If DEP count is low (<50), consider a different target enzyme (e.g., Cathepsin B) with a larger known interactome.

### 4.2 Phase 2 — Minimal Experimental Validation: Target Engagement and Immediate Downstream Effects

**Objectif**: To physically confirm that IMP-1710 achieves ≥95% UCHL1 inhibition within 15 minutes in live HEK293T cells, that cell viability remains >90%, and that the immediate downstream substrate (e.g., ubiquitin-AMC processing) accumulates detectably within 10 minutes.

**Methodologie**: 1. **Cell Culture and Treatment**: Culture HEK293T cells in DMEM + 10% FBS. Treat with 1 µM IMP-1710 (or DMSO 0.1% v/v as control) for 0, 5, 10, 15, 30, 60, 120 min. 2. **In-Cell Activity Assay**: At each time point, lyse cells in ice-cold RIPA buffer (without inhibitors). Measure UCHL1 activity using 10 µM Ub-AMC substrate (Boston Biochem) in a 96-well plate reader (ex/em 380/460 nm) at 37°C for 30 min. Calculate residual activity as % of DMSO control at t=0. 3. **Cell Viability**: Perform MTT assay (Sigma) on parallel wells at 120 min. 4. **Substrate Accumulation**: Use a ubiquitin chain-specific antibody (e.g., anti-K48 ubiquitin, Cell Signaling #4289) to perform Western blot on lysates from 0, 5, 10 min time points. Quantify band intensity for high-molecular-weight ubiquitin conjugates. 5. **Off-Target Check**: Run a small-scale (3-plex TMT) proteomics on 60 min samples vs. DMSO control. Identify proteins with >2-fold change (FDR <0.05) that are not in the UCHL1 interactome (from STRING). If >5 such proteins appear, flag off-target activity.

- Cout: €2k-15k
- Duree: 1-3 months
- Equipement: CO2 incubator, Biosafety cabinet (Class II), 96-well plate reader (fluorescence/absorbance), Western blot apparatus (gel electrophoresis, transfer, imager), Q-Exactive HF-X mass spectrometer (shared facility)
- Logiciels: GraphPad Prism 10, MaxQuant v2.4 (for proteomics), ImageJ (for Western blot quantification)

**Criteres de succes :**

- Residual UCHL1 activity at 15 min: ≤5% of DMSO control (mean, n=3)
- Cell viability at 120 min: >90% of DMSO control
- K48-ubiquitin conjugate fold-change at 10 min: ≥2-fold increase vs. t=0
- Off-target protein count: ≤5 proteins with >2-fold change not in UCHL1 interactome

- **GO**: All four criteria met (activity ≤5%, viability >90%, substrate accumulation ≥2-fold, off-targets ≤5).
- **NO-GO**: Activity >10% at 15 min, or viability <85%, or off-targets >10.
- **PIVOT**: If activity is 5-10% at 15 min, increase IMP-1710 concentration to 3 µM (still ≤10 µM). If off-targets are 6-10, perform a dose-response (0.1-10 µM) to find a concentration with minimal off-targets while maintaining ≥95% inhibition.

### 4.3 Phase 3 — Full Experimental Protocol: Time-Resolved Multi-Omics and Causal Network Inference

**Objectif**: To generate a high-quality time-resolved multi-omics dataset (transcriptomics, proteomics, phosphoproteomics, metabolomics) from IMP-1710-treated HEK293T cells, and to use these data to infer a causal network for UCHL1 signaling with a precision-recall AUC ≥0.75 against a literature-curated gold standard.

**Methodologie**: 1. **Large-Scale Cell Culture**: Grow HEK293T cells in 15 cm dishes (10 dishes per time point). Treat with 1 µM IMP-1710 (or DMSO 0.1%) for 0, 2, 5, 10, 15, 30, 60, 120 min (8 time points, n=3 biological replicates = 24 samples total). 2. **Sample Collection**: At each time point, wash cells with ice-cold PBS, scrape, and pellet. Split into four aliquots: (a) RNA extraction (TRIzol), (b) protein extraction (8 M urea + phosphatase inhibitors), (c) metabolite extraction (80% methanol), (d) cell viability check (MTT). 3. **Omics Processing**: - **Transcriptomics**: RNA-seq (Illumina NovaSeq 6000, 30M reads/sample). - **Proteomics**: TMT11-plex (3 replicates per time point, 8 time points = 24 samples, use 2 TMT kits). LC-MS/MS on Orbitrap Eclipse. - **Phosphoproteomics**: TiO2 enrichment (GL Sciences) from 1 mg protein per sample. LC-MS/MS on Orbitrap Eclipse. - **Metabolomics**: HILIC-UPLC-MS (Waters Xevo TQ-XS). 4. **Data Analysis**: - **Differential Expression**: DESeq2 (RNA-seq), MaxQuant + Perseus (proteomics/phoshoproteomics), MetaboAnalyst (metabolomics). - **Causal Network Inference**: Use the 'CausalBench' framework (Python) with a Dynamic Bayesian Network (DBN) model. Input: phosphopeptide intensity time series (8 time points). Forced intervention node: IMP-1710 addition at t=0. - **Validation**: Compare inferred edges to the gold-standard network from Phase 1 (literature-curated). Compute precision-recall AUC. 5. **Statistical Power**: With n=3 per time point and 8 time points, we have 80% power to detect a 2-fold change in protein expression (FDR <0.05) for proteins with mean intensity >10^6 (based on pilot data from Phase 2).

- Cout: €15k-100k+
- Duree: 6-12 months
- Equipement: Large-scale CO2 incubator (10 x 15 cm dishes), Orbitrap Eclipse mass spectrometer (shared facility), Illumina NovaSeq 6000 (shared facility), Waters Xevo TQ-XS (shared facility), TiO2 enrichment columns (GL Sciences), SpeedVac concentrator
- Logiciels: DESeq2 (R), MaxQuant v2.4 + Perseus, MetaboAnalyst 5.0, CausalBench (Python, GitHub: causalbench/causalbench), Cytoscape 3.9 (network visualization)

**Criteres de succes :**

- Precision-recall AUC of inferred network: ≥0.75 (mean over 10 independent DBN runs)
- Number of DEPs at 60 min (proteomics): ≥50 DEPs (fold-change >2, FDR <0.05)
- Time to 50% maximal phosphoproteomic response (t_50): ≤30 min (non-monotonic expected)

- **GO**: PR-AUC ≥0.75 and DEP count ≥50 and t_50 ≤30 min.
- **NO-GO**: PR-AUC <0.60 or DEP count <20.
- **PIVOT**: If PR-AUC is 0.60-0.75, try alternative network inference methods (e.g., SINCERITIES, GENIE3) or include metabolomics data as additional features. If DEP count is 20-50, extend time course to 180 min to capture later transcriptional changes.

### 4.4 Quick start : comment demarrer aujourd'hui

- **Peut demarrer maintenant**: Oui
- **Premiere action**: Download the IMP-1710 structure from PubChem (CID: 137321344) and the UCHL1 crystal structure (PDB: 3KVF). Run AutoDock Vina with covalent docking to predict binding pose and estimate kon/koff.
- **Outils**: AutoDock Vina + ADFR, Python 3.10 with SciPy, PDB file 3KVF, IMP-1710 SMILES: CC(C)(C)OC(=O)NC[C@H](O)[C@H](Cc1ccccc1)NC(=O)COc2ccc(cc2)C#C
- **Donnees ouvertes**: PubChem (IMP-1710), PDB (3KVF), STRING DB v12.0 (https://string-db.org), BioGRID (https://thebiogrid.org)

## 5. Analyse d'impact

### 5.1 Impact scientifique

Novelty score: 0.85/1.0 (novel)

### 5.2 Applications industrielles et marche

**Score industriel**: 6.5/10

**Forces :**
- Marche captif et solvable : les grandes pharmas (Novartis, Pfizer, Roche) et biotechs en oncologie/neurodegenerescence (e.g., Alnylam pour les DUBs) paieraient pour valider des cibles enzymatiques orphelines ou deconvoluer des mecanismes de resistance aux inhibiteurs, avec un budget R&D typique de €500k-2M par projet de validation de cible.
- Avantage competitif unique : contrairement aux CRISPR KO (lent, compensatoire) ou aux siRNA (perturbation partielle), un ABP covalent offre une inhibition quasi-instantanee et irreversible, permettant de capturer les effets proximaux (phosphoproteomique precoce) que les autres methodes ratent. C'est un argument de vente fort pour les etudes de signalisation dynamique.
- Faible cout de prototypage : Phase 1 et 2 (€2k-17k) permettent de valider la faisabilite sans investissement massif, ce qui est ideal pour un spin-off ou un projet exploratoire finance par des grants (ERC, BPI France).

**Faiblesses :**
- Barriere majeure : la specificite des ABP est le talon d'Achille. Pour UCHL1, IMP-1710 est connu pour avoir des cibles secondaires (UCHL3, USP5) a concentrations elevees. Une inhibition >90% en 15 min a 1 µM est optimiste ; le bruit de fond des off-targets pourrait rendre l'inference causale inexploitable (PR-AUC <0.6), ruinant la proposition de valeur.
- Marche de niche, pas de plateforme : l'hypothese est liee a un ABP specifique (UCHL1). Pour etre un produit commercialisable, il faudrait une bibliotheque d'ABP couvrant plusieurs familles d'enzymes (proteases, kinases, etc.). Sans cela, le marche adressable est limite a quelques dizaines de clients academiques et pharma interesses par les DUBs.
- Timeline de commercialisation irrealiste pour un produit : Phase 3 (6-12 mois) ne genere qu'un prototype de preuve de concept. Pour un produit SaaS ou un kit commercial (e.g., ABP + pipeline d'inference cle en main), il faudrait 2-3 ans supplementaires de developpement logiciel, validation sur 5-10 cibles, et gestion reglementaire (IVDR si usage diagnostic).

**Recommandation**: Ne pas lancer un produit standalone. A la place, positionner cette approche comme un service de validation de cible (CRO) pour les grandes pharmas, facture €100k-200k par cible. Utiliser les Phases 1-2 comme preuve de concept pour attirer un partenaire pharma (e.g., collaboration avec le groupe DUB de Genentech). Si le PR-AUC >0.75 est atteint, breveter le pipeline de debruitage et licencier le logiciel a une plateforme de CRO existante (e.g., Evotec, Charles River). Le marche est reel mais trop etroit pour justifier un spin-off dedie sans un portefeuille de 10+ ABP valides.

### 5.3 Opportunites de financement

| Programme | Agence | Fit | Budget type | Taux succes |
|-----------|--------|-----|-------------|-------------|
| ERC Proof of Concept Grant 2025 | European Research Council | 0.85 | €150,000 (forfaitaire) | ~40% (sur éligibles) |
| ANR Jeune Chercheur (JCJC) 2025 | Agence Nationale de la Recherche (France) | 0.8 | €150k - €300k | ~18% (toutes disciplines) |
| MSCA Postdoctoral Fellowship 2025 (Global Fellowship) | European Commission (Horizon Europe) | 0.7 | €200k - €250k (pour 2-3 ans) | ~15% (2023) |

- **ERC Proof of Concept Grant 2025** (European Research Council): Ce programme finance la validation de concepts à haut risque issus de recherches ERC antérieures. L'hypothèse ABP comme perturbateur causal est exactement le type d'idée 'proof of concept' qui peut être testée rapidement (8-14 mois) avec un budget modeste. Idéal pour démontrer la sélectivité et l'inférence sur un petit réseau, sans nécessiter de consortium.
- **ANR Jeune Chercheur (JCJC) 2025** (Agence Nationale de la Recherche (France)): L'ANR JCJC est adapté à un porteur de projet junior (max 10 ans après thèse) avec une idée originale. Le budget permet de couvrir la synthèse de l'ABP, les tests de sélectivité, et une première série d'omiques (transcriptomique + protéomique) sur HEK293T. Le caractère interdisciplinaire (chimie, biologie, modélisation) est un atout pour l'évaluation ANR.
- **MSCA Postdoctoral Fellowship 2025 (Global Fellowship)** (European Commission (Horizon Europe)): Ce programme finance un chercheur postdoctoral pour mener un projet de recherche dans un pays tiers (ex : USA) avec retour en Europe. L'hypothèse pourrait être portée par un postdoc ayant une double compétence en chimie des ABP et en biologie systémique. Le Global Fellowship permettrait de collaborer avec un labo américain expert en modélisation de réseaux (ex : MIT, Stanford) pour la phase d'inférence causale, puis de revenir en Europe pour la validation in vivo.

**Recommandation financement**: Cibler d'abord un financement exploratoire de type ERC Proof of Concept ou ANR Jeune Chercheur pour valider la sélectivité de l'ABP et la faisabilité de l'inférence causale sur un petit réseau (coût <€150k). En parallèle, soumettre à un appel ERC Starting Grant 2026 avec un consortium incluant un chimiste des ABP et un modélisateur, en ajoutant une validation in vivo sur un modèle murin de glioblastome (UCHL1 surexprimé). Éviter Horizon Europe Cluster 1 (Santé) car le TRL est trop bas ; privilégier le pilier ERC ou un appel MSCA Postdoctoral Fellowship pour un chercheur expérimenté.

## 6. Panel Review Summary

| Reviewer | Score | Verdict | Point cle |
|----------|-------|---------|-----------|
| methodologist | 7.2/10 | accept | Le protocole intègre une phase de validation in silico (Phase 1) avec des critères GO/NO-GO explicites, ce qui permet de filtrer les cibles et les conditions avant de s'engager dans des expériences coûteuses, une pratique exemplaire de design expérimental séquentiel. |
| domain_expert | 6.5/10 | weak_accept | L'hypothèse exploite de manière convaincante la spécificité mécanistique des ABPs (inhibition dépendante de l'activité, irréversible) pour créer une perturbation temporellement précise, ce qui est un avantage clair par rapport aux inhibiteurs réversibles ou aux perturbations génétiques qui ont des délais d'action plus longs et moins contrôlables. |
| contrarian | 2.5/10 | reject | L'idée d'utiliser une sonde ABP comme intervention causale temporellement précise est conceptuellement élégante et répond à un vrai besoin méthodologique en inférence de réseaux. |
| industrialist | 6.5/10 | weak_accept | Marche captif et solvable : les grandes pharmas (Novartis, Pfizer, Roche) et biotechs en oncologie/neurodegenerescence (e.g., Alnylam pour les DUBs) paieraient pour valider des cibles enzymatiques orphelines ou deconvoluer des mecanismes de resistance aux inhibiteurs, avec un budget R&D typique de €500k-2M par projet de validation de cible. |
| funding_strategist | 7.2/10 | accept | Hypothèse mécanistiquement élégante et disruptive : utiliser des ABP comme perturbateurs causaux pour l'inférence de réseaux, ce qui dépasse la simple imagerie ou inhibition réversible. |

**Consensus score**: 5.9/10
**Verdict final**: publish_brief

### 6.1 Consensus

- L'utilisation d'ABP comme perturbateurs causaux temporellement précis est conceptuellement élégante et répond à un besoin méthodologique réel en inférence de réseaux.
- La formulation explicite de prédictions chiffrées (≥90% d'occupation, PR-AUC ≥0.75, ≥50 DEPs) et de critères GO/NO-GO est une force méthodologique qui rend l'hypothèse falsifiable.
- La sélectivité des ABP est unanimement identifiée comme le talon d'Achille critique : les effets hors-cible quasi-inévitables des sondes covalentes menacent directement la validité de l'inférence causale.
- Le design temporel actuel (8 points sur 120 min) est jugé insuffisant par plusieurs reviewers pour capturer la dynamique causale rapide des événements de signalisation.

### 6.2 Points de desaccord

- Le Contrarian (score 2.5, confiance 0.9) considère l'hypothèse comme non testable et rejette catégoriquement, tandis que les autres reviewers (scores 6.5-7.2) voient un potentiel significatif malgré des réserves majeures.
- Désaccord sur la faisabilité d'atteindre PR-AUC ≥0.75 : le Contrarian et le Domain Expert estiment ce seuil irréaliste (<0.5-0.6 dans les réseaux réels), tandis que le Methodologist et le Funding Strategist le considèrent comme un objectif ambitieux mais défendable.
- Le Domain Expert et l'Industrialist jugent le marché trop étroit pour un produit standalone, alors que le Funding Strategist voit un potentiel de financement ERC/ANR pour un projet exploratoire.
- Désaccord sur la puissance du signal omique attendu : le Contrarian prédit un signal trop faible dans HEK293T (UCHL1 peu exprimée), tandis que le Domain Expert et le Funding Strategist estiment que l'interactome de UCHL1 est suffisant.

### 6.3 Critical path

La démonstration expérimentale irréfutable de la sélectivité de l'ABP IMP-1710 (ou d'un ABP alternatif) par protéomique de compétition à large échelle dans le système cellulaire choisi, couplée à une validation que l'inhibition de UCHL1 produit un signal omique robuste et reproductible (≥100 phosphopeptides significatifs à des temps précoces <15 min), constitue le prérequis absolu sans lequel l'hypothèse entière s'effondre.

**Recommandation finale**: L'hypothèse est intellectuellement prometteuse mais immature. Le panel recommande une révision majeure avant resoumission. Les auteurs doivent : (1) fournir des données de protéomique compétitive démontrant la sélectivité de l'ABP dans le système cellulaire cible ; (2) augmenter la résolution temporelle à 12-15 points incluant des temps <5 min ; (3) démontrer un signal omique précoce robuste sur un modèle bien caractérisé ; (4) intégrer des contrôles pour les voies compensatoires (ex : inhibiteur du protéasome). Sans ces prérequis, l'hypothèse reste spéculative et ne peut être publiée dans un journal de premier plan.

## 7. Gap Manifest residuel

### 7.1 Data gaps

- The counter_evidence from paper 835de5f009e82d7344540cdf8c62db91426db64f reveals a critical gap: the potential for off-target effects of ABPs to confound causal inference. The hypothesis must address how to validate target specificity in the proposed platform.
- The counter_evidence from paper 0aca68b2f5922b5c02d4d4fe138430fde9a05499 reveals a gap in understanding how stochasticity in network remodeling might affect the reproducibility and interpretability of causal inference from single ABP perturbations.

### 7.2 Competence gaps

- Phase 1: Computational chemistry (docking)
- Phase 1: Systems biology modeling (ODE/Boolean)
- Phase 1: Bioinformatics (network analysis)
- Phase 1: Python/MATLAB scripting
- Phase 2: Mammalian cell culture
- Phase 2: Enzyme activity assays (fluorogenic)
- Phase 2: Western blotting
- Phase 2: Basic proteomics sample preparation (TMT labeling)
- Phase 3: Advanced cell culture (large-scale)
- Phase 3: Multi-omics sample preparation (TMT, TiO2, HILIC)
- Phase 3: LC-MS/MS operation (shared facility)
- Phase 3: Bioinformatics (DBN, network inference)
- Phase 3: Statistical analysis (R/Python)

### 7.3 Epistemic gaps

- We do not know whether the off-target profile of a given ABP (e.g., IMP-1710) will be sufficiently clean in a non-human cell line (e.g., HEK293T) to avoid confounding signals.
- We do not know the optimal number of time points or the sampling frequency required to capture the fastest post-translational modification events (e.g., phosphorylation within 1-2 minutes).
- We do not know whether the inferred causal edges will be stable across different cell types or if they are highly context-dependent.

## References

[1] Nattawadee Panyain, A. Godinat, et al. (2019). *Discovery of a Potent and Selective Covalent Inhibitor and Activity-Based Probe for the Deubiquitylating Enzyme UCHL1, with Antifibrotic Activity*. DOI: [10.1021/jacs.0c04527](https://doi.org/10.1021/jacs.0c04527)
[2] G. Kennedy, David E Holt, et al. (2022). *A cathepsin targeted quenched activity-based probe facilitates enhanced detection of human tumors during resection*. DOI: [10.1158/1078-0432.CCR-22-1215](https://doi.org/10.1158/1078-0432.CCR-22-1215)
[3] Michael Mayers, Clara Moon, et al. (2017). *Quantitative metaproteomics and activity-based probe enrichment reveals significant alterations in protein expression from a mouse model of inflammatory bowel disease*. DOI: [10.1021/acs.jproteome.6b00938](https://doi.org/10.1021/acs.jproteome.6b00938)
[4] L. T. Henneberg, Jaspal Singh, et al. (2023). *Activity-based profiling of cullin–RING E3 networks by conformation-specific probes*. DOI: [10.1038/s41589-023-01392-5](https://doi.org/10.1038/s41589-023-01392-5)
[5] E. Wilkes, Camille Terfve, et al. (2015). *Empirical inference of circuitry and plasticity in a kinase signaling network*. DOI: [10.1073/pnas.1423344112](https://doi.org/10.1073/pnas.1423344112)
[6] Mathieu Chevalley, Yusuf H. Roohani, et al. (2025). *A large-scale benchmark for network inference from single-cell perturbation data*. DOI: [10.1038/s42003-025-07764-y](https://doi.org/10.1038/s42003-025-07764-y)
[7] Amanda M. Tallon, Yingrong Xu, et al. (2023). *Thiomethyltetrazines are Reversible Covalent Cysteine Warheads whose Dynamic Behavior can be “Switched Off” via Bioorthogonal Chemistry Inside Live Cells*. DOI: [10.1021/jacs.3c04444](https://doi.org/10.1021/jacs.3c04444)
[8] Samuel L. Scinto, Oshini Ekanayake, et al. (2019). *Dual-Reactivity trans-Cyclooctenol Probes for Sulfenylation in Live Cells Enable Temporal Control via Bioorthogonal Quenching*. DOI: [10.1021/jacs.9b01164](https://doi.org/10.1021/jacs.9b01164)
[9] J. Choy, Clifford Bryant, et al. (2013). *Chemical–biological characterization of a cruzain inhibitor reveals a second target and a mammalian off-target*. DOI: [10.3762/bjoc.9.3](https://doi.org/10.3762/bjoc.9.3)
[10] T. Bergmann, R. Varatheeswaran, et al. (2021). *Concurrent TMS-fMRI for causal network perturbation and proof of target engagement*. DOI: [10.1016/j.neuroimage.2021.118093](https://doi.org/10.1016/j.neuroimage.2021.118093)

## Annexes

### A. Detailed Reviewer Reports

#### Methodologist

- **Score**: 7.2/10 | **Verdict**: accept | **Confidence**: 0.82
- **Strengths**: Le protocole intègre une phase de validation in silico (Phase 1) avec des critères GO/NO-GO explicites, ce qui permet de filtrer les cibles et les conditions avant de s'engager dans des expériences coûteuses, une pratique exemplaire de design expérimental séquentiel.; La formulation de l'hypothèse est clairement falsifiable avec des prédictions chiffrées (≥90% d'occupation, PR-AUC ≥0.75, ≥50 DEPs) et des H0 bien définies, facilitant l'évaluation objective des résultats.; L'utilisation de multiples contrôles (DMSO, contrôles de viabilité, validation par réseau gold-standard) et la planification d'une puissance statistique (n=3, 8 time points) montrent une conscience des biais et des exigences de reproductibilité.
- **Weaknesses**: La dépendance à un réseau gold-standard 'littérature-curé' pour valider l'inférence causale (PR-AUC) est une faiblesse majeure : ce réseau est probablement incomplet, biaisé vers des interactions bien étudiées, et peut contenir des erreurs, ce qui rend la métrique PR-AUC potentiellement trompeuse et non représentative de la vérité terrain.; Le protocole ne décrit pas de stratégie de randomisation ou d'aveugle pour l'attribution des traitements et l'analyse des données omiques, ce qui expose à des biais de confirmation et de mesure, notamment lors de l'étape d'inférence de réseau où le choix des paramètres du DBN peut être subjectif.; La puissance statistique annoncée (80% pour un fold-change de 2) est basée sur des données pilotes hypothétiques et ne tient pas compte de la correction pour tests multiples sur des milliers de caractéristiques (protéines, phosphopeptides). Le risque de faux positifs est sous-estimé.
- **Questions**: Comment comptez-vous valider objectivement le réseau gold-standard utilisé pour le calcul du PR-AUC, et quelle est la stratégie pour traiter le biais de publication inhérent à ce type de réseau ?; Quel plan de randomisation (par exemple, blocs de temps, randomisation des plaques de culture) et quelles mesures d'aveugle (par exemple, analyste ignorant le traitement) sont prévues pour minimiser les biais de sélection et de mesure dans les phases 2 et 3 ?; Le protocole mentionne un risque de faible couverture en phosphoprotéomique. Quel est le plan de contingence si le nombre de phosphopeptides quantifiés est insuffisant pour alimenter le modèle DBN (par exemple, < 2000) ?
- **Recommendation**: Ce protocole est bien structuré et montre une bonne compréhension des principes de design expérimental, notamment avec l'approche séquentielle et les critères GO/NO-GO. Cependant, la faiblesse centrale réside dans la validation par un réseau gold-standard biaisé et l'absence de procédures de randomisation/aveugle. Je recommande d'accepter le protocole sous réserve que les auteurs fournissent un plan détaillé pour la construction et la validation indépendante de leur réseau de référence (par exemple, en utilisant des perturbations génétiques indépendantes ou une validation par CRISPR), et qu'ils intègrent explicitement des étapes de randomisation et d'aveugle dans le protocole opérationnel.

#### Domain Expert

- **Score**: 6.5/10 | **Verdict**: weak_accept | **Confidence**: 0.8
- **Strengths**: L'hypothèse exploite de manière convaincante la spécificité mécanistique des ABPs (inhibition dépendante de l'activité, irréversible) pour créer une perturbation temporellement précise, ce qui est un avantage clair par rapport aux inhibiteurs réversibles ou aux perturbations génétiques qui ont des délais d'action plus longs et moins contrôlables.; La chaîne causale proposée (inhibition → accumulation de substrat → cascades de signalisation → modélisation ODE/DBN) est logiquement cohérente et s'appuie sur des principes bien établis de biologie des systèmes et de cinétique enzymatique. L'utilisation de données multi-omiques temporelles pour la déconvolution causale est une approche de pointe.; La base de référence inclut des preuves directes de l'existence d'ABPs sélectifs (ex: UCHL1) et des travaux antérieurs sur l'inférence de réseaux par perturbation (ex: inhibiteurs de kinases, CRISPR), ce qui ancre l'hypothèse dans un contexte de recherche réaliste.
- **Weaknesses**: L'hypothèse est trop optimiste sur la sélectivité des ABPs. L'affirmation 'selectivity >100-fold over the next closest target' est extrêmement difficile à atteindre pour une sonde covalente dans un contexte cellulaire complexe, et les preuves fournies (IMP-1710) ne démontrent pas une telle sélectivité dans un protéome entier. Les effets hors-cible sont une source majeure de bruit qui peut invalider l'inférence causale.; Le mécanisme proposé est trop linéaire et ignore la redondance et la plasticité des réseaux de signalisation. L'hypothèse que l'inhibition d'une seule enzyme (ex: UCHL1) produira un signal 'propre' et interprétable est naïve. Les voies compensatoires et les boucles de rétroaction peuvent masquer les effets directs, rendant l'inférence des arêtes causales ambiguë, même avec des modèles ODE.; Le positionnement par rapport à l'état de l'art est partiellement incorrect. L'inférence de réseaux à partir de données de perturbation omiques est un domaine mature, et le seuil de PR-AUC ≥ 0.75 est arbitraire et très élevé pour des données biologiques réelles, même avec des perturbations idéales. L'hypothèse sous-estime la difficulté de la modélisation et la variance due au contexte cellulaire.
- **Questions**: Comment l'hypothèse compte-t-elle gérer le problème des effets hors-cible des ABPs, qui sont quasi-inévitables pour les sondes covalentes, et comment distinguer un effet causal direct d'un artefact dû à une réaction croisée avec une cystéine non-ciblée mais fonctionnellement importante ?; Le modèle suppose un état d'équilibre avant perturbation. Dans un système dynamique comme une cellule vivante, comment garantir que les changements observés sont uniquement dus à l'ABP et non à des oscillations intrinsèques ou à des stress cellulaires (ex: stress du réticulum) induits par la liaison covalente elle-même, indépendamment de l'inhibition de l'activité ?; Quelle est la stratégie pour valider les arêtes causales inférées ? Sans une validation expérimentale indépendante (ex: mutagenèse, double perturbation), comment être certain que le modèle ne capture pas des corrélations non causales, même avec une intervention temporelle connue ?
- **Recommendation**: L'hypothèse est intellectuellement stimulante et propose une synergie intéressante entre la chimie des sondes et la biologie des systèmes. Cependant, elle repose sur des hypothèses trop fortes concernant la sélectivité des ABPs et la simplicité des réseaux biologiques. Je recommande de reformuler l'hypothèse pour qu'elle soit plus réaliste, en proposant une validation systématique des effets hors-cible (ex: protéomique compétitive) et en utilisant des modèles de réseau plus robustes au bruit. L'acceptation est conditionnelle à une démonstration expérimentale préalable de la sélectivité et de la reproductibilité de l'approche sur un modèle bien caractérisé.

#### Contrarian

- **Score**: 2.5/10 | **Verdict**: reject | **Confidence**: 0.9
- **Strengths**: L'idée d'utiliser une sonde ABP comme intervention causale temporellement précise est conceptuellement élégante et répond à un vrai besoin méthodologique en inférence de réseaux.; La formulation explicite des prédictions avec des bornes chiffrées (e.g., PR-AUC ≥ 0.75) est louable et rend l'hypothèse falsifiable en principe.
- **Weaknesses**: FAIL REASON #1: L'hypothèse d'une sélectivité parfaite de l'ABP (Assumption 2) est intenable. Les données existantes montrent que même des sondes bien caractérisées (comme le cruzain inhibitor, DOI:10.3762/bjoc.9.3) ont des cibles secondaires. IMP-1710 n'a pas été validé en protéomique compétitive à large échelle dans HEK293T. Le moindre off-target sur une kinase ou une déubiquitinase voisine créera un signal de perturbation confondu, rendant l'inférence causale invalide. L'effet mesuré ne sera pas celui de la seule inhibition de UCHL1.; FAIL REASON #2: L'effet taille attendu sur les omiques est probablement trop faible pour être détecté de manière fiable. UCHL1 est une DUB abondante mais son inhibition aiguë dans une cellule non neuronale (HEK293T, où UCHL1 est peu exprimée) produira un signal de perturbation ténu. La prédiction de ≥50 DEPs à 60 min est irréaliste : la plupart des changements seront des modifications post-traductionnelles transitoires, pas des changements d'abondance protéique. Le bruit technique du TMT masquera ces signaux faibles, conduisant à un réseau inféré dominé par du bruit aléatoire.; FAIL REASON #3: Le design temporel (8 points sur 120 min) est insuffisant pour capturer la dynamique causale. Les événements de phosphorylation les plus rapides surviennent en 1-2 minutes. Avec un premier point à t=0 et un second à t=15 min (temps de saturation de l'ABP), on rate la fenêtre critique des effets directs. Le modèle ODE ou DBN inférera alors des corrélations entre des points espacés, et non des relations causales. Le PR-AUC ≥ 0.75 est un vœu pieux : dans des réseaux réels (e.g., kinase signaling network, DOI:10.1073/pnas.1423344112), même avec des perturbations bien contrôlées, la PR-AUC dépasse rarement 0.5-0.6.
- **Questions**: Avez-vous une preuve expérimentale directe, par protéomique de compétition (e.g., ABPP avec enrichissement par click-chemistry), que IMP-1710 à 1 µM dans HEK293T n'a AUCUNE cible secondaire détectable (fold-change < 2, FDR < 0.05) parmi les 5000 protéines les plus abondantes ? Sans cela, l'hypothèse de base est fausse.; Comment comptez-vous distinguer un effet causal direct de UCHL1 sur son substrat d'un effet indirect via la déstabilisation du protéasome ou le stress du RE, sachant que l'inhibition d'une DUB peut déclencher une réponse au protéasome défectueux en quelques minutes ? Avez-vous inclus un contrôle avec un inhibiteur du protéasome (e.g., MG132) pour démêler ces voies ?
- **Recommendation**: Avant toute soumission, il est impératif de : (1) réaliser un ABPP compétitif complet dans HEK293T pour cartographier les off-targets de IMP-1710 ; (2) démontrer que l'inhibition de UCHL1 dans cette lignée produit un signal omique robuste (≥100 phosphopeptides significatifs à 5 min) ; (3) augmenter la résolution temporelle à 12-15 points incluant t=1, 2, 5, 10 min. Sans ces prérequis, l'hypothèse reste spéculative et non testable.

#### Industrialist

- **Score**: 6.5/10 | **Verdict**: weak_accept | **Confidence**: 0.75
- **Strengths**: Marche captif et solvable : les grandes pharmas (Novartis, Pfizer, Roche) et biotechs en oncologie/neurodegenerescence (e.g., Alnylam pour les DUBs) paieraient pour valider des cibles enzymatiques orphelines ou deconvoluer des mecanismes de resistance aux inhibiteurs, avec un budget R&D typique de €500k-2M par projet de validation de cible.; Avantage competitif unique : contrairement aux CRISPR KO (lent, compensatoire) ou aux siRNA (perturbation partielle), un ABP covalent offre une inhibition quasi-instantanee et irreversible, permettant de capturer les effets proximaux (phosphoproteomique precoce) que les autres methodes ratent. C'est un argument de vente fort pour les etudes de signalisation dynamique.; Faible cout de prototypage : Phase 1 et 2 (€2k-17k) permettent de valider la faisabilite sans investissement massif, ce qui est ideal pour un spin-off ou un projet exploratoire finance par des grants (ERC, BPI France).
- **Weaknesses**: Barriere majeure : la specificite des ABP est le talon d'Achille. Pour UCHL1, IMP-1710 est connu pour avoir des cibles secondaires (UCHL3, USP5) a concentrations elevees. Une inhibition >90% en 15 min a 1 µM est optimiste ; le bruit de fond des off-targets pourrait rendre l'inference causale inexploitable (PR-AUC <0.6), ruinant la proposition de valeur.; Marche de niche, pas de plateforme : l'hypothese est liee a un ABP specifique (UCHL1). Pour etre un produit commercialisable, il faudrait une bibliotheque d'ABP couvrant plusieurs familles d'enzymes (proteases, kinases, etc.). Sans cela, le marche adressable est limite a quelques dizaines de clients academiques et pharma interesses par les DUBs.; Timeline de commercialisation irrealiste pour un produit : Phase 3 (6-12 mois) ne genere qu'un prototype de preuve de concept. Pour un produit SaaS ou un kit commercial (e.g., ABP + pipeline d'inference cle en main), il faudrait 2-3 ans supplementaires de developpement logiciel, validation sur 5-10 cibles, et gestion reglementaire (IVDR si usage diagnostic).
- **Questions**: Quel est le modele de revenu : vente de kits ABP (consommable recurrent) ou licence du logiciel d'inference causale ? Les pharmas preferent des solutions cle en main avec garantie de performance, ce qui implique un cout de validation eleve.; Comment comptez-vous gerer la competition des plateformes de perturbation multiplexees (e.g., Cellecta's CRISPRi/a barcoded libraries, ou Perturb-seq) qui offrent deja de l'inference causale a l'echelle du genome pour un cout similaire par cible ?; Quel est le plan d'IP ? Un brevet sur l'utilisation d'ABP pour l'inference causale est probablement invalide face a l'art anterieur (Perturbation + DBN). Un brevet sur le pipeline specifique (e.g., methode de debruitage des off-targets) serait plus defendable mais necessite un algorithme original.
- **Recommendation**: Ne pas lancer un produit standalone. A la place, positionner cette approche comme un service de validation de cible (CRO) pour les grandes pharmas, facture €100k-200k par cible. Utiliser les Phases 1-2 comme preuve de concept pour attirer un partenaire pharma (e.g., collaboration avec le groupe DUB de Genentech). Si le PR-AUC >0.75 est atteint, breveter le pipeline de debruitage et licencier le logiciel a une plateforme de CRO existante (e.g., Evotec, Charles River). Le marche est reel mais trop etroit pour justifier un spin-off dedie sans un portefeuille de 10+ ABP valides.

#### Funding Strategist

- **Score**: 7.2/10 | **Verdict**: accept | **Confidence**: 0.7
- **Strengths**: Hypothèse mécanistiquement élégante et disruptive : utiliser des ABP comme perturbateurs causaux pour l'inférence de réseaux, ce qui dépasse la simple imagerie ou inhibition réversible.; Protocole clair avec critères GO/NO-GO quantitatifs (occupancy ≥90%, PR-AUC ≥0.75) qui rassure les évaluateurs sur la rigueur méthodologique.; Cible UCHL1 bien documentée (DUBs, cancer, neurodégénérescence) avec un interactome suffisant pour générer des DEPs, ce qui facilite la validation biologique.; Approche multi-omique temporelle (transcriptomique, protéomique, métabolomique) alignée sur les priorités de la biologie systémique et de la médecine de précision.
- **Weaknesses**: TRL actuel très bas (TRL 1-2) : l'hypothèse repose sur une validation in silico et des expériences minimales en cellules HEK293T, sans preuve de faisabilité in vivo ou dans un modèle pathologique.; Risque élevé de signaux confondants : la sélectivité de l'ABP IMP-1710 pour UCHL1 face aux autres DUBs (ex : USP7, UCHL3) n'est pas démontrée expérimentalement, ce qui pourrait invalider l'inférence causale.; Consortium non défini : l'hypothèse nécessite des compétences en chimie des ABP, modélisation de réseaux causaux (équations différentielles), et multi-omiques, mais aucun partenaire n'est proposé.; Budget estimé (€20k-80k) trop faible pour un projet multi-omique complet (séquençage, spectrométrie de masse) et pour un programme européen standard (Horizon Europe exige souvent >€500k).
- **Questions**: Quel est le plan pour démontrer la sélectivité de l'ABP contre les principales DUBs humaines (USP7, UCHL3, USP5) avant de lancer la phase multi-omique ? Un panel de 20 DUBs recombinantes est-il envisagé ?; Comment comptez-vous passer de HEK293T à un modèle pathologique pertinent (ex : cellules cancéreuses avec mutation UCHL1) pour justifier un financement translationnel ?; Quel est le plan de gestion des données pour les omiques temporelles (format, stockage, partage) afin de satisfaire les exigences de la science ouverte d'Horizon Europe ?
- **Recommendation**: Cibler d'abord un financement exploratoire de type ERC Proof of Concept ou ANR Jeune Chercheur pour valider la sélectivité de l'ABP et la faisabilité de l'inférence causale sur un petit réseau (coût <€150k). En parallèle, soumettre à un appel ERC Starting Grant 2026 avec un consortium incluant un chimiste des ABP et un modélisateur, en ajoutant une validation in vivo sur un modèle murin de glioblastome (UCHL1 surexprimé). Éviter Horizon Europe Cluster 1 (Santé) car le TRL est trop bas ; privilégier le pilier ERC ou un appel MSCA Postdoctoral Fellowship pour un chercheur expérimenté.

### B. Semantic Scholar Search Queries

- [novelty] `activity-based probes causal inference networks` — Direct search for the core hypothesis combining ABPs with causal network inference
- [novelty] `chemical perturbation multi-omics causal structure` — Checks if chemically triggered perturbation-omics platforms for causal mapping exist
- [novelty] `activity-based probes systems biology perturbation` — Verifies if ABPs are explicitly used as systems biology perturbation tools beyond detection
- [novelty] `covalent inhibitor network topology inference` — Tests if covalent inhibitors (like ABPs) are applied to infer network topology
- [evidence] `activity-based probe enzyme inhibition proteomics` — Finds evidence for ABP specificity and covalent binding to active enzymes
- [evidence] `bioorthogonal labeling temporal perturbation signaling` — Searches for evidence of time-controlled perturbations using bioorthogonal chemistry
- [evidence] `chemical genetics causal inference transcriptomics` — Looks for evidence of chemical genetics approaches for causal inference from omics data
- [evidence] `targeted protease inhibitor metabolomics flux` — Finds evidence for using targeted enzyme inhibitors to perturb metabolic fluxes
- [cross_domain] `optogenetics perturbation causal network mapping` — Explores precedents from optogenetics for dynamic, spatially resolved perturbation in systems biology
- [cross_domain] `chemogenomics kinase inhibitor network inference` — Searches for interdisciplinary precedents using chemogenomic libraries for network mapping
- [cross_domain] `CRISPR perturbation multi-omics causal modeling` — Finds precedents from CRISPR-based perturbation-omics for causal inference, analogous to ABP approach

---

*Generated by SPORE (Systeme de Production d'Opportunites de Recherche par Exploration) on 2026-07-20*