🧬 biology

TerraBind: Fast and Accurate Binding Affinity Prediction through Coarse Structural Representations

TerraBind est un modèle de fondation qui accélère de 26 fois l'inférence tout en améliorant de 20 % la précision de la prédiction de l'affinité de liaison, en utilisant des représentations structurales simplifiées plutôt que des modèles de diffusion coûteux en calcul.

Auteurs originaux : Matteo Rossi, Ryan Pederson, Miles Wang-Henderson, Ben Kaufman, Edward C. Williams, Carl Underkoffler, Owen Lewis Howell, Adrian Layer, Stephan Thaler, Narbe Mardirossian, John Anthony Parkhill

Publié 2026-02-10

📖 3 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Matteo Rossi, Ryan Pederson, Miles Wang-Henderson, Ben Kaufman, Edward C. Williams, Carl Underkoffler, Owen Lewis Howell, Adrian Layer, Stephan Thaler, Narbe Mardirossian, John Anthony Parkhill

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète

Le Problème : Le "Casse-tête" de la Création de Médicaments

Imaginez que pour créer un nouveau médicament, vous deviez trouver une clé (la molécule) qui s'insère parfaitement dans une serrure très complexe (une protéine dans votre corps). Si la clé est trop grande, elle ne rentre pas. Si elle est trop petite, elle tombe. Si elle n'a pas la bonne forme, elle ne tourne pas.

Aujourd'hui, les chercheurs utilisent des superordinateurs pour tester des milliards de clés virtuelles. Mais il y a un souci : les modèles actuels sont comme des architectes qui essaient de dessiner chaque brique, chaque vis et chaque goutte de peinture de la serrure avant de tester la clé. C'est incroyablement lent et coûteux. C'est comme si, pour savoir si une clé fonctionne, vous deviez d'abord construire la porte entière en 3D avec une précision millimétrique. On finit par passer des mois pour tester seulement quelques modèles.

La Solution : TerraBind, le "Maître des Silhouettes"

L'équipe de Terray Therapeutics a eu une idée révolutionnaire : et si on n'avait pas besoin de voir tous les détails pour savoir si ça marche ?

Au lieu de reconstruire la serrure avec chaque petit détail (ce qu'ils appellent l'approche "all-atom"), TerraBind travaille avec des silhouettes simplifiées.

L'analogie du Puzzle et de l'Ombre Chinoise

Imaginez que vous deviez vérifier si un objet rentre dans un trou.

Les anciennes méthodes (comme Boltz-2) : Elles essaient de sculpter l'objet en relief, avec toutes ses textures et ses couleurs, pour voir s'il s'emboîte. C'est précis, mais ça prend un temps fou.
TerraBind : Il regarde l'ombre chinoise de l'objet et la forme du trou. Si l'ombre de la clé correspond parfaitement à la silhouette de la serrure, alors on sait, avec une très grande certitude, que la clé fonctionnera.

En se concentrant uniquement sur les "contours" essentiels (les atomes principaux), TerraBind va 26 fois plus vite que les meilleurs modèles actuels, tout en étant 20 % plus précis pour prédire si le médicament sera efficace.

Les trois super-pouvoirs de TerraBind

La Vitesse de l'Éclair : Grâce à cette simplification, il peut scanner des quantités astronomiques de molécules en un temps record. C'est la différence entre lire un livre page par page et survoler les titres pour comprendre l'histoire.
L'Instinct de l'Expert (L'Incertitude) : TerraBind ne se contente pas de dire "ça marche". Il est capable de dire : "Je pense que ça marche, mais je ne suis pas sûr à 100 %". C'est comme un détective qui vous dirait : "J'ai un suspect, mais j'ai besoin de plus de preuves". Cela permet aux scientifiques de ne pas perdre de temps sur des pistes incertaines.
L'Apprentissage Continu : À chaque fois que les scientifiques testent une clé en vrai dans un laboratoire, TerraBind "apprend" de son erreur ou de son succès. Il devient de plus en plus intelligent, un peu comme un étudiant qui révise ses examens après chaque contrôle.

Pourquoi est-ce important pour vous ?

La découverte de médicaments est une course contre la montre (contre les maladies, les virus, etc.). En rendant ce processus beaucoup plus rapide et intelligent, TerraBind permet de passer de l'idée au médicament réel beaucoup plus vite.

C'est un peu comme si, au lieu de tester chaque clé une par une dans une serrure réelle, on avait inventé un scanner ultra-rapide capable de prédire le succès de millions de clés en quelques secondes. On ne cherche plus une aiguille dans une botte de foin ; on utilise un aimant géant.

Résumé Technique : TerraBind

TerraBind est un modèle de fondation (foundation model) conçu pour la prédiction de la structure et de l'affinité de liaison protéine-ligand, optimisé pour le criblage à haut débit dans le cadre de la découverte de médicaments.

1. Problématique (The Problem)

La conception de médicaments assistée par la structure (SBDD) fait face à un dilemme technologique :

Les méthodes physiques (docking) : Rapides mais souvent imprécises, car elles peinent à capturer les effets d'ajustement induit (induced-fit).
Les modèles de Deep Learning modernes (ex: Boltz-2, AlphaFold 3) : Très précis, mais extrêmement coûteux en calcul. Ils utilisent des processus de diffusion all-atom pour générer des coordonnées 3D, ce qui crée un goulot d'étranglement empêchant le criblage de milliards de composés.
Les modèles basés uniquement sur les séquences : Très rapides, mais manquent de nuances structurales et de généralisation sur des cibles peu caractérisées.

L'hypothèse centrale des auteurs est que la résolution "all-atom" (tous les atomes) n'est pas strictement nécessaire pour prédire avec précision la pose d'une petite molécule et son affinité de liaison.

2. Méthodologie (Methodology)

TerraBind adopte une approche de représentation grossière (coarse-grained) centrée sur la poche de liaison. L'architecture se compose de quatre modules principaux :

Encodeurs pré-entraînés et gelés (Frozen Encoders) :
- COATI-3 : Pour les ligands (utilise les chaînes SMILES, les graphes 2D et les nuages de points 3D).
- ESM-2 (650M) : Pour les protéines (capture l'information évolutive à partir de la séquence seule, sans nécessiter d'alignement de séquences multiples - MSA).
Module de Structure (Structure Module) : Un "Pairformer" de 48 couches (27M de paramètres) qui prédit des distributions de probabilités sur des intervalles de distances (distogrammes) entre les atomes lourds du ligand et les atomes $C\beta$ des résidus de la protéine.
Module de Pose (Pose Module) : Au lieu de la diffusion, TerraBind utilise un schéma d'optimisation sans diffusion. Il minimise l'écart entre les distances prédites par le Pairformer et les coordonnées 3D via une descente de gradient. Cela permet de générer des poses en moins de 0,2 seconde.
Module d'Affinité (Affinity Module) : Un Pairformer de 6 couches qui utilise les représentations structurales latentes pour prédire la probabilité de liaison et la valeur d'affinité (régression). Il intègre un réseau épistémique (epinet) pour fournir une estimation calibrée de l'incertitude de l'affinité.

3. Contributions Clés (Key Contributions)

Efficacité extrême : Une accélération de l'inférence de 26 fois par rapport à Boltz-2.
Représentation par poche : Utilisation de contextes de petite taille (environ 256 tokens) centrés sur le site de liaison, ce qui réduit drastiquement la complexité computationnelle $O(N^3)$ .
Incertitude intrinsèque : Introduction de l'entropie de distance ( $H_{LP}$ ) comme mesure de confiance structurelle, corrélée à la précision de la pose.
Apprentissage continu et sélection de lots (Batch Selection) : Un cadre permettant d'intégrer de nouvelles données expérimentales rapidement et une stratégie de sélection "hedged" (via la fonction d'acquisition $E_{MAX}$ ) qui surpasse les approches gloutonnes (greedy) dans les cycles de conception-fabrication-test (DMTA).

4. Résultats (Results)

Précision de la pose : TerraBind égale les performances des modèles basés sur la diffusion sur les benchmarks FoldBench, PoseBusters et Runs N’ Poses.
Précision de l'affinité : Le modèle surpasse Boltz-2 d'environ 20 % (corrélation de Pearson) sur des données propriétaires diversifiées (18 cibles biochimiques) et sur le benchmark public CASP16.
Fine-tuning efficace : L'ajustement fin du module de structure sur un très petit nombre de cristaux propriétaires (3 à 6 structures) améliore significativement la prédiction d'affinité sur des molécules non vues.
Optimisation DMTA : Dans des simulations de cycles de découverte, la stratégie de sélection de TerraBind permet d'atteindre une amélioration de l'affinité 6 fois supérieure aux méthodes classiques.

5. Signification (Significance)

TerraBind démontre qu'il est possible de rompre le compromis entre vitesse et précision en abandonnant la génération de coordonnées all-atom coûteuse au profit de représentations structurales riches mais simplifiées.

Cette avancée est cruciale pour l'industrie pharmaceutique : elle rend possible le criblage virtuel à l'échelle de milliards de composés avec une précision de niveau structurel, tout en permettant une intégration fluide des données expérimentales réelles pour affiner continuellement les modèles. C'est un outil conçu pour passer de la recherche académique au déploiement industriel massif.