RegimeFormer: A Large Protein Model of Global Perturbation Regimes
RegimeFormer est un modèle de protéine à grande échelle qui, grâce à sa base de données associée RegimeAtlas de plus de 200 millions de séquences, établit des régimes de perturbation globaux pour prédire les effets de mutation au niveau des résidus et améliorer la modélisation biologique en aval, particulièrement pour les protéines et familles inédites.
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
Les protéines sont les moteurs de la vie, de minuscules machines moléculaires qui construisent les cellules, combattent les infections et exécutent les réactions chimiques qui nous maintiennent en vie. Elles sont composées de longues chaînes de blocs élémentaires appelés acides aminés, et l'ordre spécifique de ces blocs détermine la façon dont la protéine se replie et sa fonction. Depuis des décennies, les scientifiques savent que modifier ne serait-ce qu'un seul bloc élémentaire dans cette chaîne peut avoir des conséquences dramatiques. Parfois, le changement est inoffensif ; d'autres fois, il casse entièrement la machine, entraînant une maladie. Ces dernières années, les chercheurs ont développé de puissants outils informatiques pour prédire ces résultats, mais ces outils étaient principalement limités à l'étude d'une protéine à la fois. Ils peinent face à l'océan vaste et inexploré de protéines qui existent dans la nature, dont beaucoup n'ont jamais été observées en laboratoire.
Une équipe de chercheurs a maintenant construit un nouveau type de carte qui couvre l'intégralité de cet océan. Ils ont créé un système qui traite le comportement des protéines non pas comme une collection de puzzles isolés, mais comme un paysage unifié doté de régions distinctes. En analysant plus de 200 millions de séquences de protéines issues de chaque branche de l'arbre de la vie, ils ont découvert que les protéines tombent dans différents « régimes », ou états, qui décrivent comment elles réagissent au changement. Certaines protéines sont fragiles, ce qui signifie qu'une petite modification peut les briser. D'autres sont adaptables, capables d'absorber les changements et même d'améliorer leur fonction. Les chercheurs ont construit un modèle massif capable de naviguer dans ce paysage, prédisant comment un changement spécifique affectera une protéine, même si cette protéine n'a jamais été étudiée auparavant. Ce travail offre une nouvelle façon de comprendre les règles de la vie au niveau moléculaire, proposant un guide aux scientifiques qui souhaitent concevoir de meilleures protéines ou comprendre comment les mutations génétiques causent des maladies.
Les chercheurs ont commencé par rassembler une quantité phénoménale de données. Ils ont collecté 424 millions d'enregistrements bruts de séquences de protéines à partir de bases de données publiques, qui comprennent tout, des gènes humains aux bactéries trouvées dans le sol et aux virus. Après avoir nettoyé ces données pour éliminer les erreurs et les doublons, il leur restait 202 millions de protéines distinctes. Cette collection, qu'ils ont nommée RegimeAtlas, représente une carte quasi complète de l'univers des protéines connu de la science. Au lieu de simplement lister ces protéines, l'équipe a utilisé un modèle informatique sophistiqué pour les organiser. Ils ont projeté ces séquences dans un espace continu où les protéines ayant des comportements similaires sont regroupées. Cela a créé un système de coordonnées global pour la façon dont les protéines répondent aux mutations, révélant que l'ensemble des protéines n'est pas aléatoire mais suit un schéma structuré.
Pour rendre cette carte utile pour des questions spécifiques, l'équipe s'est concentrée sur un groupe plus restreint et hautement diversifié d'un million de protéines pour entraîner leur modèle principal, qu'ils ont appelé RegimeFormer. Ce modèle a appris à observer une protéine et à lui assigner une position sur la carte en fonction de son « régime ». Une fois le régime d'une protéine connu, le modèle peut prédire ce qui se passera si l'on remplace un acide aminé par un autre. Il y parvient en calculant trois éléments clés pour chaque emplacement de la chaîne protéique : la fragilité, l'adaptabilité et l'incertitude. La fragilité mesure la probabilité qu'un emplacement se brise en cas de changement. L'adaptabilité mesure la probabilité qu'un changement soit toléré ou même bénéfique. L'incertitude indique au chercheur le degré de confiance du modèle dans sa prédiction.
L'équipe a testé ce système par rapport à des expériences réelles où des scientifiques avaient déjà mesuré les effets de milliers de mutations. Ils ont constaté que les prédictions du modèle correspondaient aux résultats expérimentaux avec une grande précision. Plus important encore, le modèle excellait dans des situations où les autres outils échouent habituellement : lorsqu'il s'agit de protéines très différentes de tout ce qu'il avait vu auparavant, ou lorsqu'il traite de familles de protéines rares dans les données d'entraînement. Cela suggère que le modèle a appris une règle fondamentale sur le fonctionnement des protéines, plutôt que de simplement mémoriser des exemples spécifiques. Les chercheurs ont également vérifié si leurs prédictions faisaient sens biologiquement. Ils ont découvert que les emplacements que le modèle marquait comme « fragiles » étaient précisément les emplacements où les protéines accomplissent généralement leurs tâches les plus critiques, telles que la liaison à d'autres molécules ou la catalyse de réactions chimiques. Inversement, les emplacements « adaptables » se trouvaient souvent dans des zones de la protéine qui peuvent changer de forme sans se briser.
Pour prouver que cette carte n'était pas seulement un tour de magie mathématique, les chercheurs ont comparé leurs résultats avec des données indépendantes provenant d'autres domaines. Ils ont examiné les structures 3D de protéines prédites par d'autres systèmes d'IA et ont constaté que les protéines que le modèle qualifiait de fragiles avaient tendance à avoir des structures moins stables, tandis que celles qualifiées d'adaptables étaient plus stables. Ils ont également examiné l'histoire évolutive, observant comment les protéines ont changé au cours de millions d'années. Ils ont découvert que les emplacements identifiés par le modèle comme fragiles étaient les mêmes qui étaient restés inchangés pendant des éons, indiquant que la nature a sélectionné contre les changements dans ces zones depuis très longtemps. Cet alignement avec les preuves structurelles et évolutives a confirmé que le modèle avait mis au jour une vérité biologique réelle.
La puissance de ce système réside dans sa capacité de passage à l'échelle. Bien que le modèle ait été entraîné sur un million de protéines, il a été appliqué à près de 400 millions d'emplacements individuels à travers l'atlas complet. Cela a créé une immense bibliothèque de prédictions que les scientifiques peuvent consulter. Au lieu d'attendre des expériences de laboratoire coûteuses et chronophages pour tester chaque mutation possible, les chercheurs peuvent désormais utiliser cette carte pour prioriser les changements qui méritent d'être testés. L'équipe a démontré qu'utiliser cette carte pour sélectionner les mutations à tester était nettement plus efficace que les anciennes méthodes, permettant aux scientifiques de trouver des changements bénéfiques avec beaucoup moins d'expériences.
Au-delà de la simple prédiction du comportement des protéines, les chercheurs ont connecté cette carte des protéines à la façon dont les cellules réagissent. Ils ont lié leurs prédictions protéiques aux données sur la façon dont les cellules modifient leur activité génique lorsqu'elles sont exposées à des médicaments ou à d'autres stress. Ils ont découvert que les informations au niveau des protéines permettaient d'expliquer pourquoi certaines cellules réagissaient à certains médicaments de manières spécifiques. Ce pont du niveau moléculaire au niveau cellulaire suggère que comprendre le « régime » d'une protéine peut aider à prédire le comportement d'une cellule ou d'un organisme entier. L'équipe a également construit un outil public, appelé RegimeAtlas Explorer, qui permet à quiconque de rechercher dans cette vaste base de données, de visualiser les prédictions et de voir les preuves qui les soutiennent.
Ce travail représente un changement dans la manière dont les scientifiques perçoivent le monde des protéines. Au lieu de voir les protéines comme des entités isolées qui doivent être étudiées une par une, les chercheurs ont montré qu'elles existent au sein d'un système global de comportements. En cartographiant ce système, ils ont créé un outil capable de guider l'avenir de la biologie, de la conception de nouveaux médicaments à la compréhension de la base génétique des maladies. Le modèle ne se contente pas de prédire ce qui va se passer ; il révèle la logique sous-jacente de la raison pour laquelle les protéines se comportent ainsi, offrant un nouveau prisme pour observer la machinerie de la vie.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.