Programming Biomolecular Interactions with All-Atom Generative Model

L'article présente AnewOmni, un modèle génératif unifié entraîné sur plus de 5 millions de complexes biomoléculaires qui permet la conception transférable de molécules fonctionnelles à toutes les échelles, des petites molécules aux biologiques, en utilisant des graphes programmables pour guider la génération sans recourir au criblage à haut débit.

L'essentiel

🧬 AnewOmni : Le "Chef Cuisinier Universel" de la Médecine

Imaginez que le corps humain est une immense ville remplie de millions de petites usines (nos cellules). Pour que cette ville fonctionne, des messagers (nos protéines) doivent se rencontrer et se donner la main pour transmettre des ordres. Parfois, une usine tombe en panne ou devient dangereuse (comme dans le cancer). Pour la réparer, les médecins ont besoin de créer des "clés" spéciales (des médicaments) qui s'insèrent parfaitement dans les serrures de ces usines pour les arrêter ou les réactiver.

Jusqu'à présent, créer ces clés était très compliqué et séparé en trois mondes différents :

1. Les petites clés (les petites molécules chimiques).
2. Les clés moyennes (les peptides, de petites chaînes d'acides aminés).
3. Les grosses clés (les anticorps ou les nanocorps, de grandes protéines).

Chaque type de clé avait son propre manuel de construction, ses propres outils et ses propres règles. C'était comme si un architecte ne savait construire que des maisons en bois, un autre que des gratte-ciels en verre, et qu'ils ne pouvaient jamais se parler, même si les principes de la physique (la gravité, la résistance) étaient les mêmes pour tous.

🚀 La Révolution : AnewOmni

Les chercheurs ont créé AnewOmni, un nouveau "super-cuisinier" (une intelligence artificielle) qui a appris à cuisiner tous les types de plats en même temps.

Au lieu d'apprendre séparément comment faire un gâteau, une soupe ou un steak, ce chef a avalé plus de 5 millions de livres de recettes (des structures de molécules) pour comprendre la logique profonde de la cuisine moléculaire.

Voici comment ça marche, avec des analogies simples :

1. Les Briques de Lego Atomiques 🧱

Au lieu de regarder un médicament comme un bloc unique, AnewOmni le décompose en ses plus petites briques de Lego : les atomes.

• L'idée : Que ce soit une petite molécule ou un gros anticorps, tout est fait d'atomes qui s'assemblent selon des règles géométriques précises.
• L'analogie : Imaginez que vous apprenez à construire avec des Lego. Peu importe si vous construisez une petite voiture ou un château géant, les briques de base (les atomes) et la façon dont elles s'emboîtent (la géométrie) sont les mêmes. AnewOmni a appris ces règles de base pour pouvoir construire n'importe quoi.

2. Le "Prompt" Programmable : Le Menu Personnalisé 📝

Ce qui rend AnewOmni unique, c'est qu'on peut lui donner des instructions très précises, comme un chef qui suit un menu spécial.

• Exemple : "Chef, je veux un médicament qui ressemble à un anneau (cyclique) pour être plus stable."
• Exemple : "Chef, je veux que cette partie du médicament s'attache spécifiquement à ce bouton rouge de la serrure."
• Exemple : "Chef, ajoute un ingrédient spécial que l'on n'utilise jamais d'habitude (acide aminé non canonique) pour une fonction bizarre."
  L'IA peut suivre ces instructions et inventer de nouvelles formes de médicaments qui n'existaient pas encore dans la nature.

🎯 Les Résultats : Des Succès Réels

Pour prouver que leur "chef" était vraiment bon, les chercheurs l'ont mis à l'épreuve sur deux cas très difficiles :

Cas 1 : KRAS G12D (Le "Mur Infranchissable" du Cancer)

C'est une protéine responsable de nombreux cancers. Pendant des décennies, elle a été considérée comme "impossible à soigner" car sa serrure est très petite et glissante.

• Ce qu'a fait AnewOmni : Il a inventé trois types de clés différentes pour la même serrure :
  • Une petite clé chimique (molécule) qui ressemble à rien de ce qu'on a vu avant.
  • Une clé moyenne (peptide) qui peut être ronde ou droite.
  • Une grosse clé (nanocorps) qui s'accroche fermement.
• Le résultat : Toutes ces clés ont fonctionné ! Certaines ont même bloqué la protéine avec une grande efficacité, prouvant qu'on peut passer d'une petite molécule à un gros anticorps avec le même cerveau.

Cas 2 : PCSK9 (Le Gardien du Cholestérol)

Cette protéine fait monter le mauvais cholestérol.

• L'astuce : AnewOmni a trouvé deux façons de la bloquer :
  1. De face (Orthostérique) : Il a créé un peptide qui bloque directement la porte d'entrée.
  2. De dos (Allostérique) : Il a trouvé un petit trou caché au dos de la protéine (que personne n'avait remarqué) et y a glissé une petite molécule. Cela a empêché la protéine de sortir de l'usine, ce qui a réduit le cholestérol.
• La preuve : Ils ont même pris une photo (cristallographie) du médicament inventé par l'IA et l'ont comparé à la réalité. La différence était infime (moins d'un cheveu !), prouvant que l'IA a vu la réalité avec une précision atomique.

💡 Pourquoi c'est important pour nous ?

Avant, si vous vouliez changer de type de médicament, il fallait tout recommencer à zéro avec de nouveaux outils. Avec AnewOmni :

• C'est universel : On peut passer d'une petite molécule à un gros anticorps sans changer de méthode.
• C'est créatif : L'IA n'a pas peur d'inventer des formes bizarres ou d'utiliser des ingrédients nouveaux, ce qui ouvre la porte à des médicaments pour des maladies qu'on ne savait pas traiter.
• C'est rapide : Au lieu de tester des milliers de produits au hasard (comme chercher une aiguille dans une botte de foin), l'IA fabrique directement les aiguilles les plus prometteuses.

En résumé : AnewOmni est le premier "moteur de raisonnement" qui comprend que, que ce soit une petite molécule ou un gros anticorps, tout est fait des mêmes briques atomiques. En apprenant ces briques, il peut maintenant concevoir des médicaments pour presque n'importe quelle maladie, même celles qui semblaient impossibles à soigner. C'est un pas géant vers une médecine sur mesure, capable de s'adapter à n'importe quelle "serrure" du corps humain.

Résumé technique

1. Problématique et Contexte

Les interactions biomoléculaires (entre petites molécules, peptides, protéines et acides nucléiques) sont au cœur de la vie cellulaire et de la découverte de médicaments. Cependant, les stratégies de conception actuelles sont fragmentées :

• Séparation des modalités : Les petites molécules, les peptides et les anticorps sont conçus avec des représentations, des règles et des protocoles distincts, malgré des principes physico-chimiques de reconnaissance moléculaire partagés.
• Limites des modèles existants : Les approches génératives actuelles sont souvent spécifiques à une modalité (ex: uniquement pour les petites molécules ou uniquement pour les protéines). Elles peinent à généraliser vers des chimies non conventionnelles (acides aminés non canoniques, structures cycliques) ou à transférer les principes d'interaction d'une échelle moléculaire à une autre.
• Le défi : Existe-t-il un cadre génératif unifié capable de préserver les principes d'interaction atomiques transférables tout en intégrant les priors structuraux spécifiques à chaque modalité, permettant ainsi une conception de ligands à travers toutes les échelles (du petit médicament aux grands biologiques) ?

2. Méthodologie : AnewOmni

Les auteurs proposent AnewOmni, un modèle de fondation génératif unifié entraîné sur plus de 5 millions de complexes biomoléculaires.

Architecture et Représentation

• Décomposition en blocs atomiques : Au lieu de traiter les molécules comme des graphes atomiques purs ou des tokens de séquences, le modèle organise les atomes en « blocs de construction » chimiquement cohérents (acides aminés, nucléobases, fragments moléculaires fréquents). Cela permet de capturer à la fois les détails atomiques et les priors structuraux évolutifs.
• Espace latent unifié : Un autoencodeur variationnel (VAE) tout-à-atome apprend une carte réversible entre les géométries atomiques complètes et un espace latent de basse dimension. Les atomes sont compressés en points latents représentant des blocs.
• Diffusion latente : Un modèle de diffusion est entraîné pour générer des nuages de points latents plausibles conditionnés par le site de liaison cible. Ces points sont ensuite décodés en géométries atomiques complètes.
• Prompting de graphes programmables : Une innovation clé est l'introduction de « prompts » sous forme de graphes. Les utilisateurs peuvent injecter des contraintes explicites au niveau des nœuds (composition chimique, acides aminés non canoniques) ou des arêtes (topologie, cyclisation, liaisons covalentes, contraintes géométriques) pour guider la génération.

Données d'Entraînement

Le modèle est entraîné sur un ensemble de données massif et diversifié incluant :

• BioLiP2, PDBBind, CrossDocked2020 (petites molécules).
• PepBench, ProtFrag (peptides).
• SAbDab (anticorps et nanocorps).
• SIU (ensemble de données synthétique de 5,3 millions de complexes protéine-ligand).
• Une séparation stricte des données (cutoff d'identité de séquence de 40%) assure l'évaluation rigoureuse.

3. Contributions Clés

1. Unification des modalités : Première démonstration qu'un entraînement conjoint sur des modalités hétérogènes (petites molécules, peptides, anticorps) améliore les performances de génération pour chaque modalité individuellement, grâce au transfert de principes d'interaction physiques.
2. Génération programmable : Capacité à contrôler finement la chimie, la topologie et la géométrie (ex: peptides cycliques, insertion d'acides aminés non canoniques, croissance de molécules sur des échafaudages) sans réentraînement.
3. Généralisation hors distribution (Zero-shot) : Le modèle réussit à concevoir des ligands pour des cibles non vues pendant l'entraînement (ARN, ADN, glycans, sites de phosphorylation) et pour des chimies non présentes dans les données d'entraînement (ex: peptides cycliques).
4. Validation expérimentale à grande échelle : Validation réussie de ligands conçus pour des cibles difficiles (KRAS G12D, PCSK9) couvrant un spectre de tailles moléculaires allant des petites molécules aux nanocorps.

4. Résultats Expérimentaux

A. KRAS G12D (Cible « indruggable »)

Le modèle a conçu des ligands pour le site de liaison Switch II de KRAS G12D :

• Petites molécules : Découverte de nouveaux scaffolds chimiques avec une faible similarité (Tanimoto 0,12-0,15) avec l'inhibiteur de référence MRTX1133. Deux composés ont montré une activité inhibitrice (IC50 de 24 µM et 36 µM) avec seulement 3 composés synthétisés.
• Peptides : Taux de réussite de 23 % pour les peptides linéaires et 35 % pour les peptides cycliques (IC50 jusqu'à 2,37 µM). La réussite des peptides cycliques démontre la capacité de transfert des principes d'interaction sans données d'entraînement spécifiques pour cette topologie.
• Nanocorps : Taux de réussite de 75 % (3 sur 4) avec une affinité de liaison (Kd) de 587 nM, validée par BLI.

B. PCSK9 (Régulation du cholestérol)

• Inhibition orthostérique (Peptides) : Conception de peptides bloquant l'interface PCSK9-LDLR. Taux de réussite de 57 % (4 sur 7) avec des Kd inférieurs à 10 µM.
• Inhibition allostérique (Petites molécules) : Utilisation d'AlphaFold3 pour identifier un site allostérique cryptique. AnewOmni a conçu des petites molécules ciblant ce site.
  • Validation structurale : La structure cristallographique d'un composé (PCSK9-compound-3) a confirmé le mode de liaison prédit avec un RMSD de 0,92 Å par rapport à la conception.
  • Activité fonctionnelle : Les composés ont réduit la sécrétion de PCSK9 et augmenté l'expression du récepteur LDLR in vitro, mimant l'effet d'un médicament en essais cliniques.

C. Généralisation et Validité Physique

• Le modèle génère des molécules physiquement valides même à des poids moléculaires élevés (au-delà des petites molécules classiques).
• Il démontre une capacité de discrimination « zero-shot » entre les ligands liants et non liants pour l'ARN, sans avoir été entraîné sur des données ARN.

5. Signification et Impact

• Changement de paradigme : AnewOmni prouve qu'il est possible de créer un modèle de fondation unique pour la conception de médicaments, dépassant les silos traditionnels entre chimie médicinale, biologie structurale et ingénierie des protéines.
• Efficacité : La capacité à obtenir des résultats positifs avec une validation à faible débit (low-throughput) et sans criblage à haut débit (HTS) traditionnel réduit considérablement le coût et le temps de découverte.
• Exploration de l'espace chimique : La programmation via des graphes permet d'explorer des chimies non conventionnelles et des topologies complexes, ouvrant la voie à la découverte de médicaments pour des cibles jusqu'alors considérées comme inaccessibles.
• Vers une intelligence artificielle générale pour la biologie : Ce travail représente une étape vers des moteurs de raisonnement moléculaire capables de fonctionner dans des régimes où les données expérimentales et l'intuition humaine sont limitées.

En résumé, AnewOmni établit un nouveau standard pour la conception de ligands biomoléculaires en unifiant la représentation atomique, en permettant un contrôle programmable précis et en validant expérimentalement sa capacité à concevoir des molécules fonctionnelles à travers toutes les échelles de complexité.