DynaPPI: A Large-scale Dynamic Protein Dataset for AI-driven Advances in Protein Interactomics

Imaginez le corps humain comme une ville bouillonnante faite de minuscules briques LEGO invisibles appelées protéines. Certaines de ces briques travaillent seules, mais la plupart sont comme des équipes spécialisées qui doivent s'assembler pour construire des machines, envoyer des signaux ou combattre des envahisseurs. Pendant des décennies, les scientifiques ont été très doués pour prendre des photos de ces équipes une fois qu'elles sont déjà construites et verrouillées ensemble. C'est comme avoir l'image d'un château LEGO terminé, mais sans aucune idée de la façon dont les pièces ont volé dans les airs, se sont cognées les unes aux autres et se sont emboîtées. C'est un gros problème car le « comment » importe autant que le « quoi ». Si vous voulez concevoir un nouveau médicament pour arrêter un virus, vous devez savoir comment les protéines du virus trouvent leurs cibles, et pas seulement ce à quoi elles ressemblent lorsqu'elles sont collées ensemble.

Récemment, les ordinateurs sont devenus très performants pour deviner l'apparence de ces équipes de protéines en utilisant un type d'intelligence artificielle appelé « modèles de diffusion ». Considérez ces modèles comme un artiste magique capable de prendre un croquis flou et désordonné pour en faire un dessin net et parfait. Mais voici le hic : ces artistes n'ont été entraînés que sur des instantanés statiques ou sur des briques isolées se déplaçant seules. Ils ne savent pas comment peindre le film de deux équipes distinctes courant l'une vers l'autre, dansant autour l'une de l'autre et se serrant finalement dans les bras pour devenir une seule et même machine complexe. Sans ce « film », l'IA ne peut pas prédire comment de nouvelles équipes inconnues se formeront, ce qui laisse un fossé énorme dans notre capacité à concevoir de nouveaux médicaments ou à comprendre la vie à son niveau le plus fondamental.

C'est ici qu'intervient DynaPPI, un nouveau jeu de données massif conçu pour apprendre à l'IA à observer et à prédire ces danses protéiques. Les chercheurs derrière ce projet ont réalisé que pour combler l'angle mort de l'IA, ils avaient besoin de créer une bibliothèque de « films » montrant exactement comment les chaînes protéiques passent de l'état d'être éloignées à celui d'être étroitement liées. Au lieu de simplement regarder la poignée de main finale, ils ont simulé l'intégralité du voyage. Ils ont pris des équipes de protéines connues, les ont séparées, puis ont utilisé de puissantes simulations informatiques pour les regarder dériver, entrer en collision et se réassembler au fil du temps.

L'équipe a créé un ensemble de données contenant environ 10 000 de ces complexes protéiques, couvrant différents types de partenariats comme protéine-protéine, protéine-ligand (une protéine rencontrant une petite molécule médicamenteuse) et protéine-acide nucléique (une protéine rencontrant de l'ADN ou de l'ARN). Pour s'assurer que les simulations étaient réalistes, ils n'ont pas fait que deviner ; ils ont mené des milliers d'expériences informatisées détaillées. Chaque expérience suivait le mouvement des atomes sur des périodes allant de 10 nanosecondes à 1 milliseconde. Bien que cela semble court, dans le monde des atomes, c'est une éternité — assez de temps pour les voir frétiller, tourner et se trouver. Le jeu de données comprend plus de 100 milliards de cadres de données, capturant chaque infime changement de position, de vitesse et d'énergie.

Ce qui rend DynaPPI spécial, c'est qu'il enseigne explicitement à l'IA le processus de liaison. Par le passé, les modèles d'IA étaient comme des étudiants qui n'étudiaient que les réponses finales de l'examen. Désormais, avec DynaPPI, ils peuvent étudier le travail de préparation étape par étape. Le jeu de données montre à l'IA comment les protéines se comportent lorsqu'elles sont éloignées, comment elles changent de forme lorsqu'elles se rapprochent, et à quoi ressemble l'« entre-deux » avant qu'elles ne se verrouillent. Les chercheurs ont simulé ces événements en prenant des structures connues, en séparant les chaînes, puis en les laissant en liberté dans un océan virtuel d'eau et de sel pour voir si elles se retrouveraient à nouveau. Ils ont exécuté ces simulations plusieurs fois (répliques) pour s'assurer de capturer le caractère aléatoire de la nature, tout comme on lance les dés de nombreuses fois pour voir tous les résultats possibles.

L'article suggère qu'en injectant ces données dynamiques dans les modèles de diffusion, l'IA peut apprendre non seulement à prédire la forme finale d'un complexe protéique, mais aussi tout le chemin parcouru pour y arriver. Cela pourrait changer la donne pour la conception de médicaments. Imaginez pouvoir simuler la façon dont une nouvelle molécule de médicament va traquer une protéine causant une maladie, en repérant des poches temporaires qui ne s'ouvrent que pendant la danse, plutôt que de simplement regarder la porte fermée. Les auteurs proposent que cela puisse aider les scientifiques à concevoir de meilleurs médicaments, à créer de nouvelles machines biologiques et même à se préparer à de futures pandémies en comprenant comment les virus pourraient interagir avec les cellules humaines.

Cependant, il est important de noter qu'il s'agit d'une proposition et de la construction d'une ressource, et non d'un produit fini qui a déjà résolu chaque mystère. L'article expose un plan pour construire ce jeu de données, décrivant comment ils sélectionneront les protéines, nettoyeront les données et lanceront les simulations. Ils ont fixé des objectifs précis, tels que s'assurer que les données couvrent une grande variété de types de protéines et que les simulations sont suffisamment précises pour correspondre aux expériences du monde réel. Ils reconnaissent également que, bien qu'ils puissent simuler ces processus, le véritable test sera lorsque d'autres scientifiques utiliseront ces données pour entraîner leurs propres modèles d'IA et verront si ces modèles peuvent prédire avec succès des structures qui n'ont pas encore été vues auparavant. Le jeu de données est conçu pour être ouvert et accessible, permettant à la communauté scientifique mondiale de s'appuyer sur cette fondation et de repousser les limites de ce que l'IA peut accomplir en biologie.