Protenix-v1: Toward High-Accuracy Open-Source Biomolecular Structure Prediction

Le papier présente Protenix-v1, le premier modèle open-source de prédiction de structures biomoléculaires surpassant AlphaFold3 en précision tout en respectant les mêmes contraintes de ressources, et offre une version mise à jour entraînée sur des données plus récentes pour soutenir des applications comme la découverte de médicaments.

L'essentiel

Imaginez que vous essayez de prédire la forme finale d'un objet complexe (comme un puzzle 3D géant ou une sculpture en argile) juste en regardant une liste d'ingrédients. C'est exactement ce que font les modèles de prédiction de structures biologiques : ils essaient de deviner la forme 3D des protéines, de l'ARN et de l'ADN, qui sont les "briques de construction" de la vie.

🌟 Le Héros : Protenix-v1

Jusqu'à présent, il existait un champion incontesté, un modèle secret et payant appelé AlphaFold3. C'était comme un chef étoilé qui gardait sa recette secrète. Les autres modèles, gratuits et open-source (comme Boltz-1 ou Chai-1), étaient de bons cuisiniers, mais ils ne pouvaient pas rivaliser avec le chef étoilé.

Protenix-v1, c'est le nouveau venu qui a dit : "Attendez, on peut faire aussi bien, voire mieux, et en plus, on partage la recette !".

Voici les 4 points clés de cette révolution, expliqués avec des analogies :

1. Le Grand Égalisateur (Performance)

Imaginez que vous devez construire un château de cartes. AlphaFold3 est le seul qui a réussi à faire des châteaux immenses et stables. Protenix-v1 est le premier modèle gratuit et ouvert qui a réussi à construire des châteaux tout aussi impressionnants, en utilisant exactement les mêmes ingrédients (données d'entraînement) et le même budget de temps que le champion secret.

• La leçon : La différence de performance entre les modèles gratuits et payants n'est pas une question de magie, mais de méthode. Protenix-v1 prouve que l'on peut atteindre le niveau du "meilleur du monde" sans payer de frais d'abonnement.

2. L'Art de la Persévérance (Mise à l'échelle)

C'est ici que Protenix-v1 devient vraiment spécial.

• Les anciens modèles : C'est comme si vous demandiez à un peintre de faire un portrait. Il fait un essai, il regarde, et s'il n'est pas satisfait, il s'arrête. Le résultat est moyen.
• Protenix-v1 : C'est comme si vous lui disiez : "Peins 100 croquis différents, puis choisis le meilleur". Plus vous lui donnez de temps et de ressources pour générer des options (ce qu'on appelle le "budget d'inférence"), plus le résultat final est parfait.
• L'analogie : C'est comme chercher une aiguille dans une botte de foin. Si vous fouillez une seule fois, vous risquez de rater. Si vous fouillez 100 fois avec des méthodes différentes, vous la trouverez presque à coup sûr. Protenix-v1 sait qu'en "réfléchissant" plus longtemps (en générant plus d'options), il devient plus intelligent.

3. La Boîte à Outils Complète (Nouvelles Capacités)

Les anciens modèles gratuits avaient des lacunes. Ils savaient prédire la forme d'une protéine seule, mais avaient du mal quand il fallait prédire comment deux protéines se tiennent la main, ou comment une protéine interagit avec de l'ARN (comme un duo de danse).
Protenix-v1 est comme un couteau suisse : il a été entraîné pour comprendre non seulement les protéines, mais aussi l'ARN, l'ADN, et comment ils s'assemblent tous ensemble. Il intègre même des "modèles" (des exemples passés) pour mieux deviner la forme, un peu comme un architecte qui regarde des plans de maisons similaires avant de dessiner la sienne.

4. Le Double Mode : Précision vs Réalité

L'équipe a créé deux versions du modèle, un peu comme une voiture de course et une voiture de ville :

• Protenix-v1 (Standard) : C'est la voiture de course. Elle est calibrée pour être comparée équitablement avec les autres modèles sur des circuits de test stricts. C'est pour la science pure.
• Protenix-v1-20250630 : C'est la voiture de ville. Elle a été entraînée avec des données plus récentes (jusqu'en juin 2025). Si vous êtes un chercheur qui veut découvrir un nouveau médicament aujourd'hui contre un virus qui vient d'apparaître, c'est cette version qu'il faut utiliser. Elle est plus à jour et donc plus efficace pour les problèmes du monde réel.

🛠️ Pourquoi c'est important pour nous ?

Jusqu'à présent, les benchmarks (les examens de contrôle) étaient parfois truqués ou incomplets, un peu comme un examen où certains élèves avaient des questions différentes. L'équipe Protenix a dit : "Stop, recréons un examen juste".
Ils ont créé de nouveaux tests plus larges et plus justes pour s'assurer que les résultats sont réels et non dus à la chance.

En résumé :
Protenix-v1, c'est comme si un groupe de chercheurs avait réussi à copier le secret du meilleur cuisinier du monde, l'avait amélioré pour qu'il soit encore plus précis, et l'avait rendu gratuit pour tout le monde. Que vous soyez un chercheur en laboratoire ou un développeur d'applications médicales, vous avez maintenant accès à un outil capable de prédire la forme de la vie avec une précision inédite, gratuitement.

C'est une étape majeure vers une science plus ouverte, plus rapide et plus juste pour tout le monde.

Résumé technique

Titre : Protenix-v1 : Vers une prédiction de structure biomoléculaire open-source de haute précision

1. Problématique

Bien que l'écosystème open-source de prédiction de structures biologiques se soit rapidement développé, un écart de performance persiste entre les modèles open-source actuels et AlphaFold3 (AF3), un modèle propriétaire. De plus, la nature fermée d'AlphaFold3 empêche des comparaisons systématiques et transparentes. Les benchmarks existants souffrent souvent de biais méthodologiques, tels que des ensembles de données d'évaluation non communs entre les modèles (ce qui fausse les classements) et une variance statistique élevée due à la taille insuffisante des jeux de données pour certaines tâches complexes (comme les complexes anticorps-antigène).

L'objectif est de créer un modèle entièrement open-source capable d'égaler ou de dépasser les performances d'AlphaFold3 tout en respectant strictement les mêmes contraintes de données d'entraînement, de taille de modèle et de budget d'inférence, tout en proposant des outils d'évaluation plus robustes.

2. Méthodologie

Architecture et Entraînement :

• Protenix-v1 (PX-v1) est le premier modèle entièrement open-source à atteindre le niveau d'AlphaFold3.
• Il utilise une inférence basée sur la diffusion, alignée sur les hyperparamètres d'AlphaFold3.
• Le modèle intègre des fonctionnalités avancées : support des MSA (Multiple Sequence Alignments) pour l'ARN, intégration de modèles protéiques (templates), et des pipelines de traitement de données améliorés (distillation axée sur le désordre et distillation à grande échelle de monomères basée sur MGnify).
• Deux variantes sont publiées :
  1. Protenix-v1 : Entraîné avec une date de coupure stricte (identique à celle d'AlphaFold3) pour permettre une comparaison équitable.
  2. Protenix-v1-20250630 : Entraîné sur un jeu de données élargi (coupure au 30 juin 2025) pour optimiser les performances dans des applications réelles comme la découverte de médicaments.

Protocoles d'Évaluation Innovants :

• Correction des Benchmarks : Les auteurs identifient que les benchmarks existants (comme FoldBench) comparent souvent des modèles sur des sous-ensembles de données différents en raison d'échecs d'inférence (OOM). Ils construisent un sous-ensemble corrigé basé sur l'intersection stricte des échantillons évalués avec succès par tous les modèles.
• Nouveaux Benchmarks : Introduction de suites d'évaluation stratifiées par année (PXM-2024, PXM-2025, PXM-22to25) pour couvrir une diversité plus large d'interfaces et réduire les biais de clustering.
• Gestion de la Variance : Utilisation de techniques de bootstrapping (jusqu'à 20 graines aléatoires) pour stabiliser les métriques sur des tâches à faible nombre d'échantillons (ex: complexes anticorps-antigène).
• Mise à l'échelle à l'inférence (Inference-Time Scaling) : Le modèle est conçu pour bénéficier d'un budget de calcul accru. L'augmentation du nombre d'échantillons (seeds) lors de l'inférence améliore linéairement la qualité de la prédiction.

3. Contributions Clés

1. Parité avec AlphaFold3 en Open-Source : Protenix-v1 démontre que l'écart de performance entre l'open-source et AlphaFold3 n'est pas fondamental. Il surpasse ou égale AF3 sur de nombreuses tâches (protéine-protéine, anticorps-antigène) tout en restant open-source.
2. Comportement de Mise à l'Échelle à l'Inférence : Contrairement aux modèles open-source précédents, Protenix-v1 montre une amélioration log-linéaire de la précision lorsque le budget d'échantillonnage augmente (ex: passer de 1 à 100 seeds). Cela offre aux utilisateurs un "bouton de contrôle" pour arbitrer entre coût computationnel et précision.
3. Support Multi-Modalité Étendu : Intégration native du support des MSAs d'ARN et des templates protéiques, permettant une prédiction précise des complexes Protéine-ARN et Protéine-ADN.
4. Outils d'Évaluation Révisés : Publication d'outils d'évaluation mis à jour et de benchmarks stratifiés par année pour une évaluation plus transparente, reproductible et équitable, corrigeant les biais des benchmarks existants.
5. Double Stratégie de Publication : La distinction entre un modèle "benchmark" (coupure stricte) et un modèle "application" (données récentes) permet d'adapter l'outil à la recherche fondamentale ou au développement industriel (ex: découverte de médicaments).

4. Résultats

Les résultats sont présentés sur plusieurs benchmarks (FoldBench corrigé, PXM-2024/2025, Runs-N-Poses) :

• Performance Globale : Sur l'ensemble FoldBench (intersection commune), Protenix-v1 dépasse les modèles open-source existants (Boltz-1, Chai-1) et rivalise avec AlphaFold3. Il obtient de meilleurs scores sur les interfaces Protéine-Protéine et Anticorps-Antigène (Ab-Ag).
  • Exemple : Sur le sous-ensemble Ab-Ag de FoldBench, Protenix-v1 atteint un taux de succès (DockQ SR) de 52,31 % contre 48,75 % pour AlphaFold3 (sur l'intersection commune).
• Benchmarks PXM (2024/2025) : Protenix-v1 surpasse systématiquement les baselines open-source sur tous les domaines (Monomère, Prot-Prot, Prot-Ligand, Prot-ARN, Prot-ADN).
  • Gain relatif d'environ 10 % sur les tâches de prédiction d'interfaces protéine-protéine par rapport aux leaders actuels.
• Mise à l'Échelle à l'Inférence : Sur le benchmark PXM-22to25-Antibody, l'augmentation du nombre de seeds de 1 à 80 fait passer le taux de succès DockQ de 36,01 % à 47,68 %, démontrant une capacité d'amélioration continue avec le coût calcul.
• Sélection par Confiance : L'utilisation des scores de confiance (ipTM, pTM) permet de sélectionner des structures de haute qualité, améliorant la précision médiane de 10 % à 30 % pour les complexes anticorps-antigène.
• Variant 20250630 : La version entraînée sur des données plus récentes montre des performances encore supérieures sur les tâches difficiles (ex: Ab-Ag), prouvant l'efficacité de l'augmentation des données dans les régimes à faible densité de données.
• Filtre de Conception : Protenix-v1 agit comme un filtre supérieur pour les designs de liaisons (binders), obtenant les meilleurs scores AUC (Area Under the Curve) sur la majorité des cibles testées.

5. Signification et Impact

Ce travail marque une étape charnière pour la communauté open-source en biologie computationnelle :

• Démocratisation de l'État de l'Art : Il prouve qu'il est possible d'atteindre des performances de niveau AlphaFold3 sans accès à des données propriétaires ou à des architectures fermées.
• Fiabilité Scientifique : En corrigeant les biais des benchmarks existants et en introduisant des protocoles de variance-aware, le papier établit un nouveau standard pour l'évaluation des modèles de prédiction de structure.
• Utilité Pratique : La capacité de mise à l'échelle à l'inférence et la disponibilité d'une version entraînée sur des données récentes rendent le modèle particulièrement adapté aux applications industrielles critiques comme la découverte de médicaments et la conception de protéines.
• Fondation pour l'Avenir : Protenix-v1 fournit une base robuste pour les recherches futures sur l'inférence scalable, les méthodologies d'évaluation et le déploiement réel de modèles biomoléculaires.

En résumé, Protenix-v1 n'est pas seulement une amélioration technique, mais une avancée méthodologique qui rétablit la transparence et la compétitivité de l'open-source face aux modèles propriétaires dans le domaine de la biologie structurale.