La plupart des couvertures médiatiques de l’IA en biologie se concentrent sur une seule capacité : créer des protéines à partir de zéro. Un nouvel outil publié dans Nature fait quelque chose de différent et, à bien des égards, plus utile. Il prend des protéines qui existent déjà et redimensionne ces dernières, en les rendant plus petites ou plus grandes, sans briser ce qui leur permet de fonctionner à la base.
L’outil s’appelle Raygun.
Pourquoi modifier des protéines est plus difficile que de les concevoir
Pour comprendre pourquoi Raygun est important, il est utile de comprendre le problème qu’il résout. Ces dernières années, les modèles de langage protéique basés sur l’IA sont devenus remarquablement performants. Ces systèmes sont entraînés sur des millions de séquences de protéines, apprenant les schémas sous-jacents de la structure des protéines, un peu comme un modèle de langage apprend la grammaire à partir de texte. Ils peuvent désormais générer des protéines entièrement nouvelles, y compris des anticorps présentant un potentiel clinique.
Mais concevoir une nouvelle protéine et en modifier une existante sont deux défis différents. Lorsque des chercheurs ont essayé d’utiliser des systèmes d’IA existants pour redimensionner ou altérer des protéines naturelles, un problème persistant est apparu : les modifications avaient tendance à perturber soit la structure, soit la fonction de la protéine. La forme changeait. Le comportement changeait. La protéine cessait d’être ce qu’elle était censée être.
Il ne s’agit pas d’un simple inconvénient technique mineur. Pour de nombreuses applications concrètes en biotechnologie, les chercheurs ne veulent pas d’une protéine complètement nouvelle. Ils veulent une version d’une protéine de confiance, bien comprise, qui s’adapte à un contexte différent. Comme l’explique Rohit Singh, biologiste computationnel à l’Université Duke à Durham, en Caroline du Nord, et co-auteur de l’étude : parfois, une plus petite protéine peut faire des choses ou s’intégrer dans des endroits où une plus grande ne le peut pas.
Comment Raygun aborde le problème différemment
La plupart des modèles de langage protéique représentent les protéines sous forme de séquences d’acides aminés de longueurs variables. Le défi avec cette approche est que modifier la longueur d’une séquence tend à entraîner en cascade des changements structurels et fonctionnels. La séquence n’est pas seulement une liste ; elle code des relations entre des parties de la protéine qui déterminent la façon dont elle se replie et se comporte.
Raygun, qui repose sur un modèle de langage étendu pour la conception de protéines appelé ESM-2, emprunte une voie plus mathématique. Plutôt que de travailler directement avec des séquences d’acides aminés, il décompose chaque protéine en segments et traduit l’information de chaque segment en motifs numériques. À partir de ces motifs, il construit une représentation standardisée de la protéine qui suit un ensemble de règles définies. Le modèle apprend ces règles, et cet apprentissage est ce qui lui permet de générer la protéine à différentes tailles tout en préservant son intégrité structurelle.
L’analogie avec l’évolution naturelle est instructive. Raygun utilise certaines des opérations de base que l’évolution emploie pour modifier les protéines au fil du temps : ajouter ou supprimer des sous-unités protéiques individuelles, ou substituer une sous-unité à une autre. L’évolution ne reconçoit généralement pas les protéines à partir de zéro. Elle bricole. Raygun est, en un sens, une version contrôlée de ce bricolage.
Fajie Yuan, biologiste computationnel qui travaille sur les modèles de langage protéique à l’Université Westlake à Hangzhou, en Chine, et qui n’a pas participé à la recherche, décrit Raygun comme un premier pas significatif et créatif vers la modification de protéines existantes. La formulation est délibérée : il s’agit d’un début, et non d’une solution achevée. Mais il indique une direction que les outils existants n’ont pas été capable d’atteindre.
Ce que cela implique au-delà du laboratoire
Voici ce que la plupart des couvertures médiatiques de l’IA appliquée aux protéines manquent : la distinction entre la création et la modification n’est pas seulement technique. Elle reflète une question plus profonde sur la façon dont la science fonctionne réellement dans la pratique.
Les chercheurs et les développeurs en biotechnologie s’appuient souvent sur ce qu’ils connaissent déjà. Une protéine dotée d’un profil de sécurité bien documenté, d’un mécanisme d’action connu ou d’un processus de fabrication établi représente des années de connaissances accumulées. La capacité d’ajuster cette protéine, de la rendre plus petite pour qu’elle puisse traverser une barrière biologique, ou plus grande pour qu’elle reste en circulation plus longtemps, sans tout recommencer à zéro, n’est pas une commodité mineure. C’est un tout autre type de capacité.
C’est là que les outils d’IA comme Raygun augmentent les équipes scientifiques de manière concrète. Le volume de modifications protéiques possibles qui pourraient être explorées manuellement est énorme. Les outils computationnels gèrent cet espace de manière systématique, permettant aux chercheurs de se concentrer sur les modifications les plus prometteuses et d’évaluer les résultats plutôt que de générer des candidats à la main.
L’étude est publiée dans Nature, et la recherche représente une première preuve de concept. Le chemin entre un outil capable de redimensionner l’hémoglobine dans un cadre contrôlé et un outil couramment utilisé dans le développement de médicaments est long. Mais la direction est claire : l’IA en biologie passe d’une génération pure à quelque chose qui ressemble davantage à de l’édition, et ce changement ouvre un ensemble différent de possibilités.
En bref
Raygun est un outil d’IA capable de rendre les protéines naturelles plus petites ou plus grandes sans perturber leur structure ou leur fonction. Il y parvient en traduisant l’information protéique en motifs numériques et en apprenant les règles qui régissent l’architecture des protéines, plutôt qu’en travaillant directement avec des séquences d’acides aminés. L’importance n’est pas seulement technique : la capacité de modifier des protéines de confiance existantes plutôt que d’en concevoir de nouvelles à partir de zéro comble une lacune que les systèmes d’IA précédents ne pouvaient pas combler, et ouvre des possibilités pratiques pour les applications biotechnologiques où la taille et l’ajustement comptent.
D’après un reportage de Nature : Machine Learning.
D’après un reportage de Nature: Machine Learning.