Expanding Protein Structure Prediction into Conformational State Space
Cet article soutient que la prédiction de la structure des protéines devrait évoluer d'une identification d'une conformation dominante unique vers un problème complet d'inférence de l'espace d'états qui récupère l'ensemble complet des états accessibles, leurs relations énergétiques et cinétiques, ainsi que leurs réponses aux perturbations.
Article original placé dans le domaine public sous CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). 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 secret de la métamorphose de la vie
Imaginez que vous essayiez de comprendre comment fonctionne une voiture. Pendant longtemps, les scientifiques ont pensé que la meilleure façon d'y parvenir était de prendre une photo haute résolution de la voiture garée dans le garage. Si vous connaissiez la forme exacte de la voiture stationnée, vous pourriez deviner ce qu'elle fait : elle a quatre roues, donc elle roule ; elle a un moteur, donc elle se déplace. Cela fonctionnait très bien pour les choses simples. Mais qu'en est-il si la voiture n'était pas simplement garée ? Et si elle pouvait se transformer en hélicoptère, en bateau ou en moto selon qu'il pleuve, qu'il fasse beau ou qu'elle transporte une cargaison lourde ? Si vous ne regardiez que la photo de la voiture garée, vous passeriez entièrement à côté de la magie. Vous ne sauriez pas comment elle vole ou comment elle flotte.
C'est exactement le casse-tête auquel les scientifiques sont confrontés avec les protéines. Les protéines sont les petites machines microscopiques qui maintiennent chaque être vivant en vie. Elles construisent nos muscles, combattent les virus et transportent l'oxygène dans notre sang. Pendant des décennies, la « norme d'excellence » en biologie consistait à déterminer la forme d'une protéine lorsqu'elle est immobile, comme une statue figée. Nous pensions autrefois que si nous connaissions la forme de la statue, nous connaissions toute l'histoire. Mais la vie n'est pas statique. Les protéines sont plus semblables à des acrobates qu'à des statues ; elles se tordent, tournent et changent de forme pour accomplir leurs tâches. Parfois, elles possèdent un « mode caché » qui n'apparaît que lorsqu'une substance chimique spécifique se présente, ou lorsque la température change. Si nous ne regardons que la version « garée », nous manquons les acrobaties qui font réellement fonctionner la vie.
L'article : Passer d'une photo unique à un film complet
Cet article, écrit par une équipe de chercheurs issus d'institutions telles que le NIH et l'Université de Toronto, soutient que nous devons cesser d'essayer de prendre une photo unique d'une protéine pour commencer à essayer de réaliser un film complet de sa vie. Les auteurs suggèrent que la façon dont nous utilisons actuellement l'intelligence artificielle (IA) pour prédire les structures des protéines est trop étroite. Actuellement, ces modèles d'IA sont incroyablement doués pour prédire une forme unique et « dominante » d'une protéine basée sur son code génétique. C'est comme une IA capable de dessiner un portrait parfait d'un caméléon assis sur une feuille verte. Mais si ce même caméléon doit devenir rouge pour se cacher sur une fleur, ou bleu pour se fondre dans le ciel, l'IA qui ne dessine que la version verte passe à côté de l'essentiel.
L'article explique que de nombreuses protéines n'ont pas seulement une forme ; elles possèdent tout un « espace d'états ». Voyez cela comme une aire de jeux avec plusieurs toboggans, des balançoires et des murs d'escalade. Une protéine peut passer la majeure partie de son temps sur la balançoire (la forme principale), mais parfois, elle doit descendre le toboggan (une forme différente) pour attraper un virus ou activer un gène. Le problème est que nos outils d'IA actuels sont principalement entraînés sur des images « figées » de protéines trouvées en laboratoire, qui sont généralement les formes les plus stables et les plus communes. Cela signifie que l'IA ignore souvent les autres formes, même si ces formes « rares » sont peut-être celles qui accomplissent le travail important, comme ouvrir une poche secrète pour laisser entrer un médicament.
Les auteurs soulignent que cette limitation devient un problème majeur lorsque les choses se compliquent. Par exemple, certaines protéines sont « métamorphiques », ce qui signifie que le même code génétique peut construire deux structures complètement différentes, comme un jouet Transformer qui change de robot en voiture. Les outils d'IA actuels échouent souvent ici car ils sont entraînés pour trouver une seule réponse, et non deux. De même, les protéines changent souvent de forme lorsqu'elles se lient à un médicament, à un ion spécifique, ou lorsque le pH (l'acidité) de leur environnement change. Si l'IA ne connaît pas l'environnement, elle ne peut pas prédire le changement de forme. L'article suggère qu'au lieu de demander : « Quelle est la forme de cette protéine ? », nous devrions demander : « Quelles sont toutes les formes que cette protéine peut prendre, à quelle fréquence change-t-elle entre elles, et qu'est-ce qui provoque ce changement ? »
Pourquoi nous avons besoin d'une nouvelle carte
L'article examine la manière dont nous essayons actuellement de résoudre ce problème. Certains scientifiques tentent de piéger l'IA pour qu'elle montre différentes formes en modifiant les données qu'elle reçoit, un peu comme si l'on demandait à un chef de cuisiner un plat avec des ingrédients légèrement différents pour voir si la saveur change. D'autres utilisent des simulations informatiques basées sur la physique pour observer les protéines s'agiter et bouger, mais ces simulations sont lentes et coûteuses, comme essayer de filmer un film en ne prenant qu'une image par heure. Les auteurs suggèrent une « feuille de route » pour l'avenir : un nouveau type d'IA qui ne se contente pas de deviner une forme, mais qui prédit l'ensemble du « paysage » des possibilités.
Cette nouvelle approche devrait être un joueur d'équipe. Elle combinerait la rapidité de l'IA avec la précision des simulations physiques et des expériences réelles. Imaginez un système où l'IA propose une liste de formes possibles, où la partie physique vérifie si ces formes sont stables et quelle énergie est nécessaire pour passer de l'une à l'autre, et où des expériences réelles (comme prendre des clichés de protéines en laboratoire) confirment lesquelles se produisent réellement dans la nature. L'article note que, bien que nous ayons fait d'énormes progrès dans la prédiction de la forme « garée » des protéines, la prochaine grande percée ne consistera pas à obtenir les coordonnées d'un atome de manière plus précise. Il s'agira plutôt de comprendre la danse dynamique de la protéine.
Les auteurs précisent toutefois que nous n'en sommes pas encore là. Les outils actuels peuvent parfois trouver ces formes alternatives, mais ils ne peuvent souvent pas nous dire quelle est la probabilité que la protéine soit sous cette forme ou la vitesse à laquelle elle change. Ils avertissent également que le fait d'avoir un score de « haute confiance » provenant d'une IA ne signifie pas que la forme est biologiquement réelle ; cela peut simplement signifier que l'IA a beaucoup vu cette forme dans ses données d'entraînement. Pour véritablement comprendre comment les protéines fonctionnent, nous devons passer d'une carte statique à une carte dynamique qui inclut la météo, le trafic et l'humeur du conducteur. Ce faisant, nous pourrions concevoir de meilleurs médicaments ciblant les « modes secrets » des protéines, comprendre les maladies causées par des protéines restant bloquées dans la mauvaise forme, et enfin voir l'image complète et vivante de la machinerie qui fait de nous ce que nous sommes.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.