Benchmarking antibody-antigen co-folding on human monomeric antigens

Dans le monde microscopique du système immunitaire humain, les anticorps agissent comme des clés hautement spécialisées, conçues pour s'insérer parfaitement dans les serrures présentées par les virus envahissants ou les protéines nocives. Pendant des décennies, les scientifiques ont rêvé de pouvoir prédire exactement comment ces clés et ces serrures s'assemblent en regardant simplement leurs empreintes chimiques. Cette capacité révolutionnerait la médecine, permettant aux chercheurs de concevoir de nouveaux médicaments et vaccins sans avoir besoin de construire et de tester chaque version en laboratoire. Cependant, cette prédiction est restée l'un des casse-têtes les plus tenaces de la biologie. Bien que les ordinateurs soient devenus excellents pour deviner comment deux protéines pourraient s'attacher ensemble, les anticorps sont un cas particulier. Contrairement à la plupart des protéines qui évoluent aux côtés de leurs partenaires, les anticorps évoluent de manière indépendante, ce qui signifie qu'ils manquent de l'histoire évolutive partagée qui aide les ordinateurs à faire des suppositions précises. De plus, la partie de l'anticorps qui saisit réellement la cible est une boucle flexible et oscillante qui change constamment de forme, ce qui la rend incroyablement difficile à modéliser avec les outils standards.

Une équipe de chercheurs s'est donné pour mission de mesurer jusqu'où la dernière génération de programmes informatiques est parvenue à résoudre ce puzzle spécifique. Ils ont rassemblé une collection massive de 412 exemples réels d'anticorps liés à des protéines humaines, créant un ensemble de test rigoureux qui n'avait jamais été vu par les programmes informatiques avant leur construction. En testant dix méthodes de prédiction contre ces nouvelles données, ils ont découvert que les logiciels les plus récents ont fait un bond spectaculaire, prédisant avec succès la forme correcte pour environ la moitié des nouveaux cas inédits. Cependant, l'étude a également révélé que même les meilleurs programmes éprouvent encore des difficultés avec les parties les plus flexibles, et que le simple fait de deviner plus de fois ne conduit pas toujours à une meilleure réponse. Les chercheurs ont constaté que s'ils pouvaient indiquer à l'ordinateur exactement où l'anticorps devrait toucher la cible, les anciens programmes pouvaient rattraper les plus récents, suggérant que l'obstacle principal n'est pas seulement l'intelligence du logiciel, mais sa capacité à trouver le bon point de départ dans un vaste océan de possibilités.

Les chercheurs ont commencé par assembler un benchmark appelé HuMonoAg-Bench, une bibliothèque organisée de 412 complexes d'anticorps impliquant des protéines humaines. Ils ont soigneusement divisé cette collection en deux groupes basés sur la date de découverte des structures. Un groupe consistait en 278 complexes publiés avant septembre 2021, une date qui sert de limite pour les données d'entraînement de nombreux outils de prédiction modernes. L'autre groupe contenait 134 complexes publiés après cette date, garantissant que les programmes informatiques n'avaient jamais vu ces formes spécifiques auparavant. Pour rendre le test encore plus précis, ils ont subdivisé le nouveau groupe entre ceux impliquant des antigènes très similaires aux anciens et ceux qui étaient totalement nouveaux. Cette configuration a permis de tester si les ordinateurs se contentaient de mémoriser d'anciens exemples ou s'ils apprenaient réellement à prédire de nouvelles interactions. Ils ont ensuite soumis dix protocoles de co-repliement (co-folding) — des méthodes simulant la façon dont deux protéines se replient ensemble — à cet ensemble de données, comparant les résultats aux structures expérimentales réelles pour voir à quel point les prédictions étaient proches.

Les résultats ont montré une amélioration claire et significative des méthodes les plus récentes par rapport aux plus anciennes. Lors de la prédiction des structures des nouveaux complexes inédits, les logiciels plus anciens ne parvenaient à trouver une forme correcte ou proche de la réalité que dans environ 16 à 22 % des cas. En revanche, les méthodes les plus avancées, telles que Protenix v2, IntelliFold-2 et ESMFold2, ont réussi à trouver un modèle de qualité moyenne ou supérieure pour environ 33 à 52 % de ces mêmes cas. Le meilleur performeur, Protenix v2, a atteint un taux de réussite de 52 % pour les anticorps standards et un taux encore plus élevé de 82 % pour un type spécifique d'anticorps à domaine unique lorsque l'antigène était familier. Malgré ces progrès, l'étude a souligné que près de la moitié des nouvelles cibles restaient non résolues, indiquant que bien que le domaine ait progressé rapidement, une grande fraction des interactions d'anticorps échappe encore à la technologie actuelle. Les chercheurs ont noté que cette amélioration n'était pas simplement due au fait que les nouveaux programmes avaient vu plus de données, car ils partageaient des limites d'entraînement similaires, mais plutôt à des améliorations fondamentales dans la façon dont ils modélisent les formes complexes.

Un examen plus approfondi de la raison pour laquelle certaines prédictions réussissaient et d'autres échouaient a pointé du doigt une caractéristique structurelle spécifique : la boucle CDRH3. Il s'agit d'une structure flexible, en forme de cheveu, située sur l'anticorps, qui agit comme le principal point de contact avec la cible. L'étude a révélé que la précision de cette boucle unique était l'indicateur le plus fort du succès d'une prédiction. Si les ordinateurs étaient généralement bons pour modéliser les parties rigides de l'antigène et les autres boucles plus stables de l'anticorps, la boucle CDRH3 est restée le composant le plus difficile à réussir, surtout lorsqu'elle était longue. Les méthodes plus récentes ont montré une amélioration marquée dans la modélisation de cette boucle spécifique, ce qui est directement corrélé à leurs taux de réussite globaux plus élevés. Cependant, même lorsque la structure locale de la boucle était bien modélisée, cela ne garantissait pas que l'ensemble de l'anticorps serait positionné correctement par rapport à la cible, montrant que réussir les pièces ne revient pas à assembler correctement tout le puzzle.

Les chercheurs ont également testé ce qui se passerait s'ils donnaient un indice aux programmes informatiques sur l'endroit où l'anticorps devrait se lier. Dans un scénario réel, les scientifiques peuvent connaître quelques points clés sur la protéine cible où un anticorps s'attache, mais ils ne connaissent pas la forme exacte de l'anticorps. En fournissant cette information limitée sous forme de contrainte, les anciennes méthodes ont vu leur taux de réussite bondir de 20 à 30 points de pourcentage, rejoignant ainsi le niveau des méthodes non contraintes les plus puissantes. Cette découverte suggère que la principale limitation des anciens logiciels n'était pas un manque de compréhension de la physique, mais une incapacité à trouver le mode de liaison correct parmi des milliards de possibilités. Lorsque l'espace de recherche était restreint par un indice, les anciens programmes pouvaient trouver la solution. Cependant, cet avantage dépendait fortement de l'exactitude de l'indice ; si l'information fournie n'était que partiellement correcte, l'amélioration disparaissait.

Enfin, l'équipe a cherché à savoir si multiplier les simulations permettrait de résoudre les problèmes restants. Ils ont découvert que pour les méthodes non contraintes, le problème principal était l'échec de l'échantillonnage : la forme correcte n'apparaissait tout simplement jamais dans l'ensemble des modèles générés. Lorsqu'ils ont augmenté le nombre de simulations, ils ont effectivement trouvé plus de formes correctes, mais ils ont aussi constaté que le système de classement de l'ordinateur échouait souvent à choisir la meilleure comme étant la réponse principale. Cela a créé un nouveau goulot d'étranglement : même quand la bonne réponse était générée, le logiciel ne la reconnaissait pas toujours comme la meilleure option. L'étude a conclu que, bien que l'augmentation du nombre de tentatives aide, la capacité à classer et à sélectionner correctement le meilleur modèle devient aussi importante que la capacité à les générer. Les cas restant non résolus étaient un mélange diversifié de cibles difficiles sans caractéristique commune unique, suggérant que la voie à suivre nécessite de résoudre plusieurs types de défis différents plutôt que de corriger un seul problème spécifique.