AmyloCore-ML: AI/Machine Learning Enabled Identification of Amyloid Fibril Core Regions Using Protein Language Models

Les protéines sont les moteurs de la vie, se repliant en des formes complexes pour accomplir des tâches essentielles au sein de nos cellules. Cependant, lorsque ces protéines dysfonctionnent, elles peuvent mal se replier et s'agglutiner pour former des structures rigides et filamenteuses appelées fibrilles amyloïdes. Ce processus est au cœur de plusieurs maladies neurodégénératives dévastatrices, notamment Alzheimer et Parkinson. Pendant des décennies, les scientifiques ont compris que ces fibrilles ne sont pas des amas aléatoires de protéines ; elles possèdent un cœur hautement ordonné et stable où les brins protéiques se verrouillent selon un motif spécifique. Pourtant, une énigme cruciale subsistait : bien qu'une protéine puisse être longue et complexe, seul un segment spécifique de celle-ci fait réellement partie de ce cœur rigide et ordonné. Le reste de la protéine demeure souvent désordonné ou pend lâchement à l'extérieur. Savoir exactement quels acides aminés forment ce cœur solide est vital pour comprendre comment ces maladies se développent et pour concevoir des médicaments capables d'arrêter le processus, mais identifier ces régions spécifiques à partir du seul code génétique de la protéine s'est avéré être un défi difficile.

Les chercheurs ont longtemps tenté de prédire ces régions d'agrégation dangereuses à l'aide de programmes informatiques qui recherchent des motifs chimiques simples, tels que des segments d'acides aminés qui aiment naturellement à s'agglutiner ensemble. Cependant, une nouvelle étude suggère que ces méthodes traditionnelles passent à côté de la plaque car elles confondent la tendance générale d'une protéine à s'agglutiner avec la réalité spécifique de ce qui est réellement verrouillé dans la structure finale et rigide. Pour résoudre cela, une équipe de scientifiques a développé un nouvel outil appelé AmyloCore-ML. Au lieu de simplement chercher des zones collantes, cet outil a été entraîné pour reconnaître la « grammaire » précise de la séquence qui finit à l'intérieur du cœur solide de la fibrille, en la distinguant des parties de la même protéine qui n'en font pas partie. En apprenant à partir d'images à haute résolution de fibrilles réelles, le système a appris à repérer les différences subtiles entre le cœur ordonné et le reste désordonné, offrant une vision beaucoup plus nette de l'endroit où se situe le danger.

L'équipe a commencé par rassembler une collection massive de structures de fibrilles résolues expérimentalement provenant d'une base de données publique connue sous le nom d'Amyloid Atlas. Ils ont soigneusement sélectionné 69 protéines différentes, examinant les cartes détaillées de leurs formes fibrillaires pour voir quels résidus étaient verrouillés dans le cœur ordonné et lesquels étaient laissés à l'extérieur. Ils ont traité les résidus verrouillés comme le « cœur » et le reste de la protéine issue de la même molécule comme le contrôle « non-cœur ». Cette approche était cruciale car elle permettait à l'ordinateur d'apprendre la différence entre deux parties de la même protéine dans les mêmes conditions, plutôt que de comparer des protéines sans rapport entre elles. Les chercheurs ont ensuite découpé ces séquences protéiques en fenêtres chevauchantes de longueurs variables et les ont injectées dans un système d'apprentissage automatique. Ils ont testé deux manières différentes de décrire la protéine : l'une utilisant des propriétés chimiques standards et l'autre utilisant des modèles de langage avancés qui comprennent le contexte des acides aminés, tout comme un lecteur comprend comment le sens d'un mot change en fonction de la phrase dans laquelle il se trouve.

Les résultats ont montré que les modèles de langage avancés étaient bien supérieurs aux descriptions chimiques traditionnelles. Le système a appris que l'identité du cœur ne dépend pas seulement d'une séquence courte et collante, mais dépend fortement du voisinage d'acides aminés environnants. Lorsque les chercheurs ont testé leurs meilleurs modèles, ils ont constaté qu'ils pouvaient distinguer les régions du cœur des régions non-cœur avec une grande précision, atteignant un score d'environ 0,8,0 sur une échelle où 1,0 est parfait. Plus important encore, lorsqu'ils ont scanné des protéines entières et complètes pour voir s'ils pouvaient localiser le cœur, l'outil a réussi à identifier les régions de cœur expérimentales. La meilleure version du modèle pouvait localiser le centre du cœur à une distance moyenne de seulement 12,4 résidus, une amélioration significative par rapport aux outils existants qui manquent souvent la cible par des marges beaucoup plus larges.

Pour s'assurer de la robustesse de leurs découvertes, l'équipe a comparé son nouveau prédicteur à deux autres outils bien connus conçus pour trouver des régions sujettes à l'agrégation. Le nouvel outil les a systématiquement surpassés, non seulement en classant les résidus les plus susceptibles d'être dans le cœur, mais aussi en localisant physiquement le segment correct de la protéine. Les chercheurs ont noté que, tandis que d'autres outils pourraient identifier une région comme étant généralement sujette à l'agglutination, leur modèle identifie spécifiquement la partie qui est structurellement incorporée dans la fibrille mature. Cette distinction est vitale car une région peut être capable de commencer un amas, mais ne pas nécessairement finir dans la structure stable finale. L'étude a également confirmé que l'utilisation de fenêtres plus longues d'acides aminés donnait de meilleurs résultats, suggérant que le signal de formation d'un cœur est réparti sur une zone plus large plutôt que d'être confiné à un petit point isolé.

L'équipe a validé son approche en testant l'outil sur des protéines totalement nouvelles pour le système, notamment la myoglobine de cheval, P02070, l'Oat 11S globuline, l'Oat 12S seed storage globulin 2 et la protéine membranaire intégrale humaine 2B. Sans réentraînement ni ajustement, l'outil a identifié avec succès des segments de cœur à haute probabilité qui chevauchaient les structures expérimentales résolues de ces protéines invisibles. Cela a démontré que le système avait appris une règle générale sur la façon dont les protéines se replient en fibrilles, plutôt que de simplement mémoriser les exemples spécifiques sur lesquels il a été entraîné. Les chercheurs ont rendu leur outil librement accessible via une interface en ligne interactive, permettant à d'autres scientifiques de saisir des séquences protéiques et de visualiser instantanément une carte de l'endroit où le cœur amyloïde est susceptible de se former. En déplaçant l'attention de la simple « collosité » vers l'architecture spécifique du cœur de la fibrille, ce travail offre une compréhension plus claire et plus précise de la mécanique moléculaire de ces maladies, guidant potentiellement la conception de futures thérapies ciblant les surfaces exactes où ces structures nocives s'assemblent.