Des chercheurs du MIT développent une nouvelle méthode d’intelligence artificielle pour la conception de protéines
Une avancée significative dans le domaine de la biologie moléculaire a été réalisée par des chercheurs du Massachusetts Institute of Technology (MIT) avec le développement de PottsMPNN, un cadre d’apprentissage automatique qui améliore la conception de protéines. Cette méthode permet de générer des séquences d’acides aminés susceptibles d’adopter des structures spécifiques, cruciales pour la fonction des protéines.
La fonction d’une protéine est déterminée par sa structure, laquelle est influencée par la séquence d’acides aminés. Traditionnellement, la conception de nouvelles protéines suit un processus en deux étapes : d’abord, la structure est déterminée, puis un cadre d’apprentissage automatique génère des séquences pouvant adopter cette structure. Cependant, de nombreuses séquences d’acides aminés peuvent mener à la même structure, et une seule séquence peut adopter différentes configurations en fonction de divers facteurs.
Amy E. Keating, responsable du département de biologie du MIT, souligne que la réussite dans ce domaine a souvent été mesurée par la capacité d’un modèle à reproduire des séquences sélectionnées par l’évolution. Or, les chercheurs affirment que ce n’est pas le meilleur indicateur pour la conception de protéines. PottsMPNN, en intégrant des principes physiques régissant la structure et la stabilité des protéines, améliore la génération de séquences et la prédiction des effets des mutations sur la stabilité des protéines.
L’intégration de ce cadre dans le pipeline de conception de protéines permettra de concevoir des protéines structurales viables dont les séquences ne ressemblent à aucune protéine native. Foster Birnbaum, auteur principal de l’étude, indique que l’objectif est de déterminer la probabilité que les séquences générées adoptent les structures souhaitées et d’améliorer la compréhension du paysage séquence-énergie.
L’impact de l’apprentissage automatique sur la recherche biologique fondamentale est de plus en plus manifeste, avec des modèles récents montrant une capacité accrue à générer des structures ou des séquences protéiques. PottsMPNN, qui a été lancé en 2022, n’a pas encore été surpassé par d’autres modèles, ce qui soulève des questions sur ce qui rend ce modèle si efficace.
En conclusion, la possibilité de concevoir n’importe quelle protéine ouvre la voie à des applications variées en ingénierie biologique. Les chercheurs espèrent que ce modèle pourra être encore amélioré, permettant de meilleures prédictions concernant les conséquences des mutations. Selon Keating, ces méthodes orientent le domaine vers la conception de protéines nouvelles et utiles pour diverses applications.
Source : MIT News.
