L’édition génétique est passée d’une curiosité de laboratoire à une réalité clinique. Les thérapies basées sur la technologie CRISPR arrivent chez les patients, et la science qui les sous-tend a considérablement mûri au cours des deux dernières décennies. Pourtant, un problème persiste depuis le début : ces systèmes modifient parfois la mauvaise partie du génome. Une équipe de recherche travaillant au sein de plusieurs institutions en Chine a désormais utilisé AlphaFold de Google, un outil d’IA de prédiction du repliement des protéines, pour identifier exactement quelles parties d’une protéine d’édition génétique sont responsables de ces erreurs, puis a repensé ces parties pour réduire considérablement les fautes.
Le problème des effets hors cible qui rend l’édition génétique risquée à grande échelle
Pour comprendre pourquoi cela est important, il est utile de comprendre l’architecture de base d’un système d’édition génétique basé sur CRISPR. Il y a trois composants essentiels. Le premier est un ARN guide, une courte séquence moléculaire conçue pour correspondre à un segment spécifique d’ADN dans le génome. Le second est une protéine Cas, la plus célèbre étant Cas9, qui se lie physiquement à la fois à l’ARN guide et à l’ADN cible et garantit la spécificité de l’interaction. Le troisième est une protéine effectrice qui modifie réellement l’ADN une fois le complexe en place.
L’ARN guide comporte généralement environ 18 bases. Statistiquement, une séquence de cette longueur ne devrait apparaître qu’une seule fois dans environ 70 milliards de bases d’ADN aléatoire, et le génome humain ne compte qu’environ 3 milliards de bases. Sur le papier, le système devrait être suffisamment précis pour éviter les modifications accidentelles. La complication réside dans le fait que Cas9 peut tolérer un petit nombre de bases mésappariées tout en continuant de se lier à une séquence d’ADN. Cela signifie qu’elle s’accroche parfois à des sites similaires mais non identiques à la cible visée, produisant ce que les chercheurs appellent des effets hors cible.
Dans le cadre d’une thérapie, il ne s’agit pas d’une préoccupation théorique. Les traitements nécessitent de modifier un grand nombre de cellules, et même une erreur à faible probabilité, répétée sur des millions d’événements d’édition, devient statistiquement inévitable. Réduire ce taux d’erreur n’est pas optionnel. C’est un prérequis indispensable à une utilisation clinique sûre.
Comment AlphaFold a révélé les origines structurales du problème
L’intuition de l’équipe de recherche était d’ordre structural. Un hybride ADN-ARN parfaitement apparié a une forme tridimensionnelle spécifique. Un hybride comportant une ou plusieurs bases mésappariées présente une forme légèrement différente. Cas9 a évolué pour reconnaître la bonne forme, mais l’évolution ne l’a pas empêchée d’adopter des conformations légèrement différentes qui lui permettent d’interagir avec les versions mésappariées.
Pour découvrir quelles parties de Cas9 étaient responsables de cette flexibilité, l’équipe a d’abord créé une vaste bibliothèque de sites d’édition hors cible connus. Ils ont utilisé un système CRISPR modifié pour convertir une base d’ADN spécifique, l’adénine, en un composé chimique apparenté appelé inosine, puis ont isolé et analysé les fragments d’ADN résultants. Ils ont répété ce processus avec 10 ARN guides différents afin d’obtenir une vue d’ensemble du paysage des effets hors cible.
Ils ont ensuite injecté ces données dans AlphaFold. Le complexe complet s’est d’abord révélé trop compliqué à traiter correctement pour le logiciel, qui plaçait une protéine au mauvais endroit. L’équipe a simplifié les données d’entrée pour ne conserver que l’ADN, l’ARN guide et Cas9 elle-même, et les résultats ont bien correspondu aux structures déterminées par des expériences physiques.
En comparant les résultats d’AlphaFold pour les sites cibles et hors cible, des tendances claires sont apparues. Environ deux tiers des sites hors cible amenaient Cas9 à adopter une structure globale légèrement différente. De manière plus frappante, plus de 95 % d’entre eux modifiaient les acides aminés de Cas9 qui entraient en contact avec l’ARN. L’équipe a conçu un cadre d’analyse appelé ContactSeek, qui utilisait la capacité intégrée d’AlphaFold à calculer la « probabilité de contact » — essentiellement la probabilité que deux composants moléculaires se trouvent à moins de huit ångströms l’un de l’autre — pour cartographier exactement quels acides aminés modifiaient leur comportement sur les sites hors cible.
ContactSeek a produit une longue liste d’acides aminés candidats. L’équipe s’est concentrée sur les régions où ces candidats se regroupaient, interprétant ce regroupement comme le signe que ces zones s’adaptaient activement pour s’accommoder des bases mésappariées. Ils ont ensuite testé 23 substitutions d’acides aminés différentes sur 10 positions clés. Le résultat a été un variant de Cas9 qui maintenait une activité d’édition normale sur les sites cibles prévus, tandis que son activité hors cible chutait de 28 % à 5 %. L’approche a également fonctionné avec différents ARN guides et avec un système apparenté utilisant une protéine différente, Cas12.
Pourquoi une méthode importe plus qu’un simple résultat
D’autres groupes de recherche ont développé des variants améliorés de Cas9 au moyen de différentes techniques, notamment l’évolution dirigée. Les nouveaux variants ont affiché des performances comparables, voire légèrement supérieures, à ces alternatives existantes. Mais la contribution la plus significative ici n’est pas une protéine améliorée en particulier. C’est la méthode elle-même.
Les approches précédentes pour réduire les effets hors cible avaient tendance à produire des variants de Cas9 globalement améliorés, des protéines généralement plus vigilantes dans de nombreuses situations. L’approche ContactSeek, en revanche, identifie des modifications qui peuvent être plus spécifiques à une combinaison particulière d’ARN guide et de mésappariement. Cela ouvre la possibilité de concevoir des systèmes d’édition génétique personnalisés, non seulement pour un gène cible, mais aussi pour le contexte génomique spécifique d’un patient, avec des risques hors cible cartographiés et minimisés à l’avance.
Les chercheurs notent également que les modifications d’acides aminés identifiées par cette méthode pourraient potentiellement être combinées avec celles déjà présentes dans des variants de Cas9 développés auparavant, bien que cette combinaison n’ait pas été testée dans cette étude.
C’est ce qui échappe à la plupart des articles traitant de l’IA en biologie. AlphaFold n’est pas simplement un outil de prédiction de la forme des protéines. Il devient un instrument d’analyse pour comprendre comment les protéines se comportent dans différentes conditions, et pour identifier les leviers moléculaires spécifiques qui contrôlent ce comportement. C’est dans ce passage de la description au diagnostic, puis à la conception, que réside la véritable valeur scientifique.
En résumé
Une équipe de recherche a utilisé AlphaFold pour cartographier les parties de la protéine Cas9 qui favorisent les erreurs d’édition génétique, puis a repensé ces parties pour faire passer l’activité d’édition hors cible de 28 % à 5 %. La méthode, qu’ils appellent ContactSeek, fonctionne avec différents ARN guides et différentes protéines Cas. Sa portée plus large ne réside pas seulement dans l’obtention d’une protéine plus sûre, mais dans un cadre général pour concevoir des systèmes d’édition génétique avec des profils d’erreur connus et contrôlables — une capacité qui pourrait s’avérer critique à mesure que ces thérapies progressent vers l’utilisation clinique.
D’après un reportage de Ars Technica.