L’ingénierie des protéines a longtemps été contrainte par une arithmétique brutale, l’espace des séquences protéiques possibles est astronomiquement vaste, les solutions fonctionnelles sont rares et les expériences de laboratoire sont coûteuses. Pour une classe spécifique d’enzymes appelée peptides synthétases non ribosomiques (NRPS), ces contraintes sont encore plus sévères. Ces machines moléculaires produisent un grand nombre d’antibiotiques, d’immunosuppresseurs et d’agents anticancéreux utilisés aujourd’hui en médecine clinique. Une étude publiée dans Nature Communications démontre désormais que les modèles d’IA générative peuvent concevoir de toute pièce de nouveaux domaines protéiques pour ces enzymes, certains designs surpassant les versions naturelles qu’ils ont remplacées.
L’enzyme qui refuse d’être modifiée
Les NRPS ne sont pas des enzymes ordinaires. Elles fonctionnent comme des chaînes de montage biologiques, avec de multiples domaines travaillant en séquence pour construire pas à pas des molécules peptidiques complexes. Chaque domaine a un rôle précis, sélectionner un bloc de construction, transporter un intermédiaire, former une liaison chimique. Le problème est que ces domaines ne fonctionnent pas de manière isolée. Ils communiquent par l’intermédiaire d’interfaces transitoires et dépendantes de l’état, ce qui signifie que les contacts entre les domaines changent selon l’étape du cycle catalytique à laquelle se trouve l’enzyme.
Cette qualité dynamique est précisément ce qui rend les NRPS si difficiles à concevoir. Remplacer un domaine par un autre, même structurellement similaire, perturbe souvent la coordination délicate entre partenaires. L’activité chute, ou disparaît complètement. L’analyse évolutive renforce cette image, les événements de recombinaison naturelle dans les NRPS ont tendance à préserver des contacts interdomaines spécifiques plutôt qu’à permettre un libre échange de domaines. La fonction de l’enzyme est ancrée non seulement dans les domaines individuels, mais aussi dans les relations entre eux.
Les cadres d’ingénierie précédents, y compris une approche appelée eXchange Unit Thiolation (XUT) qui définit des sites de fusion conçus pour maintenir la compatibilité structurelle, ont permis d’obtenir quelques chimères fonctionnelles. Pourtant, même avec de telles directives, les jonctions conçues compromettent fréquemment l’activité. La difficulté fondamentale est qu’une communication interdomaine productive ne peut pas être déduite des seuls motifs de séquence. Elle dépend de caractéristiques d’interface spécifiques au contexte et de la dynamique de l’ensemble de l’assemblage.
Ce que l’IA générative a fait différemment
L’équipe de recherche a intégré trois modèles génératifs pré-entraînés, ESM3, un modèle de base basé sur les séquences, EvoDiff, une approche basée sur la diffusion, et ProteinMPNN, qui conditionne la conception sur la structure des protéines. Plutôt que d’utiliser ces outils de manière isolée, l’équipe les a couplés à des cycles itératifs de conception, construction, test et apprentissage (DBTL), en utilisant les résultats expérimentaux de chaque cycle pour guider le suivant.
La cible était le domaine de thiolation (D), le composant transporteur du module NRPS qui achemine les intermédiaires chimiques entre les partenaires catalytiques. Les domaines D sont petits mais occupent une position critique, ils doivent interagir de manière productive avec les domaines en amont et en amont à travers de multiples états catalytiques. Concevoir un domaine qui fonctionne dans un contexte non natif est, selon l’évaluation du domaine lui-même, un problème exigeant.
L’équipe a généré 76 séquences de domaines D de novo et les a testées sur 578 variants de NRPS recombinants dans des cellules vivantes, couvrant des constructions minimales, des chaînes de montage à longueur complète et des architectures hybrides. Les résultats ont été remarquables. Les domaines D conçus par l’IA ont permis la biosynthèse de peptides dans toutes les architectures testées. Les designs les plus performants ont multiplié les rendements de produits par environ trois par rapport aux NRPS portant le domaine D natif.
Un design représentatif a été caractérisé en détail sur le plan biochimique. Il a montré une expression soluble améliorée, un meilleur comportement de repliement et une température de fusion supérieure de 12 degrés Celsius au domaine natif, ce qui indique une stabilité thermique sensiblement plus élevée. Des simulations de dynamique moléculaire de ce design ont révélé que son repliement global était préservé, mais que ses réseaux de contacts interdomaines étaient remodelés d’une manière dépendante de l’état. En d’autres termes, le domaine conçu par l’IA ne s’est pas contenté d’imiter le domaine naturel. Il a trouvé une solution différente qui satisfaisait toujours les exigences fonctionnelles de l’environnement de l’interface.
L’équipe a également constaté que la compatibilité fonctionnelle dépendait fortement du contexte, se montrant particulièrement sensible à l’identité du domaine partenaire en aval. Il ne s’agit pas d’une limite de l’approche, mais plutôt de la confirmation de ce qui rend les NRPS difficiles, le domaine D n’interagit pas dans le vide et les designs qui fonctionnent dans un contexte architectural peuvent ne pas se transférer directement à un autre.
Pourquoi c’est important au-delà du laboratoire
La portée de ce travail s’étend dans deux directions. La première est pratique. Les NRPS produisent des composés qui sont difficiles ou impossibles à synthétiser par la chimie conventionnelle. Les concevoir pour produire de nouvelles variantes, ou pour produire des composés connus plus efficacement, est un objectif de longue date en biotechnologie et dans la découverte de médicaments. Démontrer que l’IA générative peut concevoir des domaines de transport fonctionnels qui surpassent les séquences naturelles constitue une étape importante vers cet objectif.
La seconde direction est conceptuelle. Cette étude aborde une question ouverte dans le domaine, à savoir si la conception de protéines génératives peut gérer des systèmes hautement dynamiques et multidomaines où la fonction dépend de changements conformationnels coordonnés plutôt que de caractéristiques structurelles statiques. La réponse, du moins pour cette classe d’enzymes, semble être oui, à condition que le processus de conception soit couplé à une rétroaction expérimentale systématique et guidé par une compréhension des contraintes d’interface impliquées.
Ici, l’IA ne remplace pas le jugement du biochimiste sur ce qui compte dans une enzyme. Elle augmente la capacité de l’équipe à explorer l’espace des séquences à une échelle et à une vitesse qui seraient impossibles à réaliser par les seules méthodes conventionnelles.
En bref
Des chercheurs ont utilisé trois modèles d’IA générative, combinés à des tests expérimentaux itératifs, pour concevoir 76 nouveaux domaines de thiolation pour les peptides synthétases non ribosomiques. Sur 578 variants testés, les domaines conçus par l’IA ont permis la biosynthèse dans de multiples architectures, les meilleurs designs multipliant les rendements de produits par environ trois par rapport à la séquence native. Un design a montré une amélioration de 12 degrés Celsius de la stabilité thermique. L’étude établit que la conception générative peut naviguer à travers les contraintes d’interface dynamiques et dépendantes du contexte qui ont historiquement rendu l’ingénierie des NRPS si difficile, ouvrant une voie plus systématique pour reprogrammer ces machines biosynthétiques cliniquement importantes.
D’après un reportage de Nature: Machine Learning.