💻 bio-informatique

Zero-Shot Protein-Ligand Binding Site Prediction from Protein Sequence and SMILES

Cet article introduit un cadre de référence systématique en trois étapes qui exploite des modèles de langage protéiques et chimiques pour prédire les sites de liaison protéine-ligand à partir de séquences et de SMILES, démontrant que si le conditionnement par le ligand améliore la performance sur les ligands connus, une approche zero-shot utilisant des plongements chimiques pré-entraînés permet une prédiction efficace sur des ligands auparavant inconnus.

Auteurs originaux : Pourmirzaei, M., Alqarghuli, S., Chen, K., Pourmirzaei, M., Xu, D.

Publié 2026-11-07 (v2)

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Pourmirzaei, M., Alqarghuli, S., Chen, K., Pourmirzaei, M., Xu, D.

Article original sous licence CC BY 4.0 (https://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

Au sein de chaque cellule vivante, les protéines agissent comme des machines moléculaires qui maintiennent la vie en mouvement. Elles se replient en formes complexes pour accomplir des tâches telles que la copie d'instructions génétiques ou la lutte contre les infections. Souvent, ces machines doivent s'agripper à de plus petites molécules chimiques, appelées ligands, pour fonctionner. Lorsqu'une protéine saisit une molécule spécifique, elle le fait à un emplacement précis sur sa surface, tout comme une clé s'insère dans une serrure spécifique. Savoir exactement où se trouve cette serrure sur la protéine est crucial pour les scientifiques. Si les chercheurs peuvent localiser ces points, ils peuvent comprendre comment les maladies fonctionnent et concevoir de nouveaux médicaments pour bloquer ou activer ces interactions. Pendant des décades, la recherche de ces points a reposé sur des expériences de laboratoire coûteuses et lentes qui prennent des photos des molécules. Aujourd'hui, les scientifiques se tournent vers l'informatique pour prédire ces emplacements plus rapidement, mais un obstacle majeur subsiste : les ordinateurs ont du mal lorsqu'ils rencontrent un nouveau type de molécule chimique qu'ils n'ont jamais vu auparavant.

Une équipe de chercheurs a développé une nouvelle façon d'apprendre aux ordinateurs à trouver ces sites de liaison, même lorsque la molécule chimique est totalement inconnue. Ils ont construit un système qui apprend de la vaste bibliothèque de formes de protéines connues et des formules chimiques des molécules pour faire des suppositions éclairées sur l'endroit où elles se connecteront. L'équipe a testé leur approche dans trois scénarios différents pour voir comment elle fonctionnait. Premièrement, ils ont examiné des produits chimiques courants que l'ordinateur avait vus de nombreuses fois auparavant. Deuxièmement, ils l'ont testé sur des produits chimiques qui n'apparaissaient que quelques fois dans les données d'entraînement. Enfin, ils ont mis le système au défi avec un test « zero-shot », où l'ordinateur devait prédire les sites de liaison pour des milliers de produits chimiques qu'il n'avait jamais rencontrés pendant son entraînement. Ce dernier test est le plus difficile, imitant la situation réelle où un scientifique découvre un nouveau candidat médicament et doit savoir comment il interagit avec une protéine immédiatement.

Les chercheurs ont commencé par entraîner un modèle informatique à l'aide d'une base de données massive de séquences de protéines et de leurs partenaires de liaison connus. Ils ont d'abord créé un système de base qui apprenait à prédire les sites de liaison pour un produit chimique spécifique à la fois. Cela fonctionnait bien pour les produits chimiques courants, mais nécessitait un modèle distinct pour chaque type de molécule, ce qui est inefficace. Ensuite, ils ont amélioré le système en lui apprenant à reconnaître différents produits chimiques tous à la fois, en utilisant un code spécial pour chacun d'eux. Cela a permis à un seul modèle de gérer de nombreuses molécules différentes, et il a été plus performant que la première version. Cependant, cette approche échouait toujours face à un produit chimique complètement nouveau car l'ordinateur n'avait pas de code pour celui-ci. Pour résoudre cela, l'équipe a introduit une troisième étape. Au lieu d'utiliser un code pré-établi pour le produit chimique, ils ont fourni à l'ordinateur la formule structurelle du produit chimique, écrite sous la forme d'une chaîne de texte appelée chaîne SMILES. Ils ont utilisé un programme informatique distinct, entraîné sur des millions de formules chimiques, pour transformer ce texte en une représentation mathématique que le système principal pouvait comprendre. Cela a permis au modèle de faire des prédictions pour des produits chimiques qu'il n'avait jamais vus auparavant.

Lorsque l'équipe a testé cette nouvelle capacité « zero-shot », les résultats étaient prometteurs mais ont souligné la difficulté de la tâche. Sur les produits chimiques que l'ordinateur avait déjà vus, le système est resté précis. Mais pour les produits chimiques inconnus, la précision a chuté, ce qui est attendu lorsqu'on traite des données entièrement nouvelles. Le système a correctement identifié les sites de liaison sur environ 31 % des parties pertinentes de la protéine pour ces nouvelles molécules, un accomplissement significatif pour une première tentative sur ce problème spécifique. Pour s'assurer que l'ordinateur utilisait réellement l'information chimique et ne se contentait pas de deviner en fonction de la forme de la protéine, les chercheurs ont mené des expériences de contrôle. Ils ont injecté dans le système la protéine correcte mais ont remplacé la formule chimique par du texte absurde ou le mauvais produit chimique. Dans ces cas, la performance de l'ordinateur a chuté de manière significative dans tous les groupes de test. Cela a prouvé que le modèle prêtait effectivement attention au produit chimique spécifique qui lui était donné, plutôt que de s'appuyer sur une supposition générique.

L'étude a également exploré comment la taille des modèles informatiques affectait leur performance. Ils ont testé différentes versions du modèle d'apprentissage des protéines, allant de petites à très grandes. Généralement, les modèles plus grands ont mieux performé, suggérant que disposer de plus de puissance de calcul aide le système à comprendre les motifs complexes des formes de protéines. Cependant, rendre le modèle d'apprentissage chimique plus grand n'a pas toujours conduit à de meilleurs résultats, indiquant que le côté protéique est actuellement le facteur le plus critique pour la précision. Les chercheurs ont découvert que, bien que le système ne soit pas encore parfait, il fournit un cadre fiable pour prédire comment les protéines et les nouveaux produits chimiques pourraient interagir. Ce travail établit une nouvelle norme pour tester ces prédictions, en distinguant ce qu'un ordinateur peut faire avec des données familières de ce qu'il peut accomplir avec des découvertes véritablement inédites. En prouvant que le système peut se généraliser à des produits chimiques inconnus, les chercheurs ont ouvert une voie vers une découverte de médicaments plus rapide, permettant aux scientifiques de cribler de nouvelles molécules contre des protéines sans avoir besoin d'attendre les expériences traditionnelles plus lentes.

Résumé Technique : Prédiction de sites de liaison protéine-ligand en mode Zero-Shot à partir de séquences protéiques et de SMILES

Énoncé du problème
L'identification précise des sites de liaison protéine-ligand est cruciale pour la biologie mécaniste et la découverte de médicaments. Cependant, les outils computationnels existants manquent souvent de polyvalence, limitant leur efficacité à des catégories de ligands spécifiques, et leurs performances prédictives varient considérablement selon les familles de ligands en fonction de la disponibilité des données. Bien que les techniques expérimentales comme la cristallographie aux rayons X fournissent des données structurelles, elles sont laborieuses, ce qui nécessite des approches computationnelles pour une prédiction à haut débit. Une limitation clé dans la recherche actuelle est l'absence d'évaluation systématique de la manière dont la performance prédictive change selon différents régimes de disponibilité des données de ligands : riches en données (surreprésentés), pauvres en données (sous-représentés) et absence de données (zero-shot). De plus, distinguer la performance sur des ligands riches en données de la généralisation à des ligands inédits nécessite un cadre d'évaluation sensible au ligand (ligand-aware).

Méthodologie
Les auteurs présentent un benchmark et un cadre d'évaluation systématique et sensible au ligand utilisant un ensemble de données dérivé de BioLiP2. L'ensemble de données a été traité par regroupement (clustering) CD-HIT à 4 \text{ %} d'identité de séquence au sein de jeux de données de récepteurs spécifiques aux ligands afin de réduire la redondance. L'évaluation est structurée autour de trois régimes distincts :

Surreprésentés : Ligands avec $\ge$ 100 échantillons.
Sous-représentés : Ligands avec 20–99 échantillons.
Zero-shot : Ligands avec 1–19 échantillons, entièrement exclus de l'entraînement et de la validation.

Pour évaluer les performances à travers ces régimes, les auteurs ont développé une suite de modélisation séquentielle progressive en trois étapes :

Étape 1 (Baseline spécifique au ligand) : Une architecture de base où un modèle séparé est entraîné pour chaque type de ligand en utilisant un modèle de langage protéique pré-entraîné (PLM, spécifiquement ESM-2) pour générer des plongements (embeddings) au niveau des résidus. Ces plongements sont injectés dans un classificateur linéaire. Aucune entrée spécifique au ligand (SMILES ou ID) n'est fournie au modèle lors de l'inférence ; le modèle repose uniquement sur la séquence protéique et ses données d'entraînement spécifiques.
Étape 2 (Multi-ligand avec plongements appris) : Un modèle unique est entraîné pour prédire les sites de liaison pour plusieurs types de ligands prédéfinis. Les séquences protéiques sont encodées par le même PLM. L'identité du ligand est fournie sous forme d'un index interrogeant une table de plongement entraînable, qui est fusionnée avec les caractéristiques protéiques via un décodeur transformer bidirectionnel par attention croisée (cross-attention). Cela permet au modèle d'apprendre à partir d'un ensemble de données regroupées mais ne lui permet pas de généraliser à des ligands inédits.
Étape 3 (Généralisation Zero-shot) : La table de plongement de ligands fixe est remplacée par un modèle de langage chimique pré-entraîné (CLM, spécifiquement MolFormer) opérant sur des chaînes SMILES. Le CLM génère des représentations de ligands qui sont projetées pour correspondre à la dimension des caractéristiques du PLM et fusionnées via le même décodeur. Cette architecture permet la prédiction pour des identités de ligands absentes des données d'entraînement et de validation supervisées.

L'étude emploie des expériences de contrôle rigoureuses, incluant des entrées avec des SMILES constants, discordants ou brouillés, pour vérifier que le modèle utilise des informations spécifiques au ligand plutôt qu'une propension protéique générique. Des études d'ablation ont également été menées sur cinq échelles d'ESM-2 (de 8M à 3B de paramètres) et sur plusieurs configurations de CLM (MolFormer, UniMol-2) pour analyser l'impact de l'échelle du modèle.

Contributions clés

Benchmark sensible au ligand : Établissement d'un cadre d'évaluation standardisé avec des divisions pour les ligands surreprésentés, sous-représentés et zero-shot, incorporant le regroupement de séquences intra-ligand pour évaluer systématiquement la prédiction au niveau des résidus à travers diverses disponibilités de données.
Suite de modélisation progressive : Développement et évaluation d'une progression de modélisation en trois étapes qui caractérise la performance à mesure que la supervision des ligands diminue, passant de l'entraînement sur un seul ligand au conditionnement multi-ligand, puis enfin à l'inférence zero-shot basée sur les SMILES.
Analyse contrôlée des représentations : Évaluation systématique des représentations protéiques et chimiques via des ablations et des contrôles d'entrée de ligands (SMILES constants, discordants ou brouillés), démontrant la contribution des entrées de ligands spécifiques à la précision de la prédiction.

Résultats

Étape 2 vs Étape 1 : Sur l'ensemble de test surreprésenté, l'Étape 2 a atteint un F1 macro par ligand (0,5832) supérieur à l'Étape 1 (0,4769). Cependant, les auteurs notent que cette comparaison implique des changements simultanés d'architecture, de conditionnement et de régime d'entraînement. Une ablation appariée sur six ligands a montré que remplacer le prédicteur linéaire par le décodeur de l'Étape 2 n'apportait qu'une amélioration modeste (+0,0136 F1), suggérant que les gains sont principalement portés par l'entraînement multi-ligand et le conditionnement.
Performance de l'Étape 3 : Le modèle de l'Étape 3 a obtenu un F1 global par résidu de 0,3109 et un F1 macro par ligand de 0,2338 sur des ligands inédits (zero-shot). Bien que cela représente une diminution modeste de la performance sur les ligands représentés par rapport à l'Étape 2 (par exemple, le F1 macro par ligand surreprésenté est passé de 0,5832 à 0,5526), cela démontre la capacité de prédire les sites de liaison pour des identités de ligands non vues.
Expériences de contrôle : Remplacer les SMILES natifs par des entrées constantes, discordantes ou brouillées réduit significativement la performance dans les trois régimes de test (par exemple, le F1 global zero-shot est passé de 0,3193 à 0,1335 avec une entrée constante). Cela prouve que le modèle repose sur l'association de ligands fournie plutôt que sur une simple propension de liaison protéique générique.
Analyse de mise à l'échelle (Scaling) : L'augmentation de l'échelle du PLM (ESM-2) a généralement amélioré les performances à travers les régimes, bien que la tendance ne soit pas strictement monotone. En revanche, l'augmentation de l'échelle du CLM (par exemple, UniMol-2 de 84M à 570M) a produit des gains plus faibles et moins cohérents.
Baselines : Le modèle de l'Étape 2 a surpassé plusieurs baselines basées sur les séquences et les structures (incluant Boltz-2x, Prot2Token et LMetalSite) sur des ions métalliques et des cofacteurs spécifiques dans l'ensemble surreprésenté.

Signification et affirmations
L'article affirme fournir un benchmark systématique pour quantifier l'effet de la disponibilité des données de ligands sur la prédiction des sites de liaison au niveau des résidus et pour évaluer la généralisation à des ligands précédemment non vus. Les auteurs soulignent que leur capacité zero-shot permet la prédiction au niveau des résidus en utilisant uniquement des séquences protéiques et des SMILES, sans générer de complexes 3D.

L'étude conclut modestement que, bien que le modèle démontre une généralisation zero-shot, l'architecture actuelle repose sur un projecteur superficiel pour la fusion multimodale, et que le bénéfice limité de la mise à l'échelle des CLM suggère que la capacité de représentation protéique a un effet plus fort sur la performance dans la configuration actuelle. Les auteurs précisent que le cadre zero-shot est défini au niveau de l'identité du ligand (IDs de ligands absents de l'entraînement) et n'implique pas l'absence de séquences ou de familles de récepteurs de l'entraînement. Ce travail vise à soutenir une progression reproductible de la prédiction de liaison au niveau des résidus, sensible au ligand et en mode zero-shot, en publiant le code, les données et les poids des modèles.

Articles similaires