Voici une synthèse de travail sur GHK-Cu, pour qui veut plus qu'un paragraphe et moins qu'un manuel.
Cette page a été mise à jour le 2025-07-25 et est revue régulièrement.
=== Cartographie des épitopes === La prédiction des épitopes et des paratopes, correspondant respectivement aux régions de l’antigène et de l’anticorps impliquées dans leur interaction, a constitué l’une des premières applications de l’IA dans la découverte d’anticorps. Les premières approches se limitaient à la prédiction d’épitopes linéaires, qui ne représentent qu’environ 10 % des épitopes reconnus par les anticorps. L’introduction progressive d’algorithmes plus sophistiqués a permis d’atteindre des niveaux de précision plus élevés. De nombreuses études ont depuis démontré l’efficacité de ces méthodes.
Sources : fr.wikipedia.org
=== Criblage des clones === Traditionnellement, la sélection des premiers anticorps candidats repose sur des approches expérimentales classiques, telles que les hybridomes ou les technologies d’affichage sur phage ou sur levure, à partir d’animaux immunisés ou de banques d’anticorps préexistantes. Cette stratégie privilégie les anticorps à forte affinité, mais présente plusieurs limites : exclusion de candidats à affinité modérée ou faiblement représentés, absence de contrôle sur l’épitope ciblé, difficulté d’identifier expérimentalement les épitopes ou la compétition entre anticorps, et perte de l’appariement naturel des chaînes lourdes et légères. Les technologies de cellules B uniques ont permis d’améliorer cette étape en permettant la sélection directe de lymphocytes B produisant des anticorps spécifiques d’une cible donnée, tout en conservant l’appariement naturel des chaînes. Toutefois, cette approche reste dépendante d’une sélection basée sur la forte affinité et demeure limitée par les capacités expérimentales de caractérisation à grande échelle. À ce jour, aucune méthode in silico ne permet une exploration exhaustive de l’espace séquentiel d’un répertoire naturel d’anticorps. Les modèles de langage basés sur l’apprentissage profond ont récemment montré leur capacité à identifier de nouveaux anticorps améliorés à partir de vastes bibliothèques artificielles générées par dégénérescence des régions CDR, ouvrant la voie à une expansion significative des répertoires explorables.
Sources : fr.wikipedia.org
== Liste des anticorps monoclonaux approuvés en Europe au 28 février 2026 == La table affiche la liste des anticorps monoclonaux présent dans le fichier des médicaments approuvés dans l'Union Européenne à la date du 28 février 2026. Cette liste est disponible en téléchargement ici.
Sources : fr.wikipedia.org
Aboul-Ella, H., Gohar, A., Ali, A.A. et al. Monoclonal antibodies: From magic bullet to precision weapon. Mol Biomed 5, 47 (2024). https://doi.org/10.1186/s43556-024-00210-1 Sharma, P.; Joshi, R.V.; Pritchard, R.; Xu, K.; Eicher, M.A. Therapeutic Antibodies in Medicine. Molecules 2023, 28, 6438. https://doi.org/10.3390/molecules28186438
Sources : fr.wikipedia.org
GHK-Cu est résumé ici à partir de littérature publique : définition, contexte et points récurrents en pratique. Informations générales, pas un avis médical.
La recherche sur GHK-Cu repose surtout sur des travaux de laboratoire et des modèles animaux ; les données cliniques varient selon la substance.
La pureté et l'analyse (HPLC, spectrométrie de masse), une reconstitution correcte et un stockage adapté sont déterminants.%!(EXTRA string=GHK-Cu)
Tous les mécanismes ne sont pas démontrés et une étude isolée ne fait pas une preuve globale. Les questions ouvertes sont signalées comme telles.%!(EXTRA string=GHK-Cu)