Neopep: Reinforcement Learning From Machine-Learned Force Field Energy for Non-Canonical Peptide Structure Prediction

Dans le monde de la médecine, la nature offre deux outils principaux pour combattre les maladies : les petites molécules chimiques et les protéines complexes et volumineuses. Les peptides se situent confortablement entre ces deux extrêmes, agissant comme un pont. Ils sont suffisamment longs pour être hautement spécifiques dans leur façon de se lier aux cibles de maladies, tout en étant assez courts pour être stables et relativement peu coûteux à fabriquer. Pendant des décennies, les scientifiques ont tenté de concevoir de nouveaux médicaments peptidiques en utilisant un ensemble standard de vingt blocs de construction, connus sous le nom d'acides aminés. Cependant, la nature et les chimistes de synthèse ont accès à des milliers d'autres blocs de construction inhabituels qui ne correspondent pas à cet ensemble standard. Ces acides aminés « non canoniques » peuvent conférer aux médicaments une meilleure stabilité ou leur permettre de survivre plus longtemps à l'intérieur du corps. Le problème est que, bien que nous sachions que ces ingrédients spéciaux existent, nous disposons de très peu de données sur la façon dont ils se replient en formes tridimensionnelles. Sans connaître la forme, nous ne pouvons pas concevoir un médicament qui s'adapte à sa cible, laissant ainsi un vaste paysage chimique inexploré.

Une équipe de chercheurs de l'Université de Toronto a développé une nouvelle approche pour résoudre ce casse-tête, créant un système appelé Neopep qui peut prédire les formes de ces chaînes peptidiques inhabituelles. Le défi central auquel ils ont été confrontés était le manque de données d'entraînement. La principale bibliothèque utilisée par les scientifiques pour apprendre comment les protéines se replient contient des millions de structures, mais moins d'un élément sur cinq mille dans cette bibliothèque sont de la sorte spéciale, non standard. Parce que les modèles informatiques ont été entraînés presque entièrement sur les vingt acides aminés standards, ils éprouvaient des difficultés lorsqu'on leur demandait de prédire la forme d'une chaîne contenant les plus rares. Pour contourner cette pénurie de données, les chercheurs ont cessé d'essayer de mémoriser chaque forme possible et ont plutôt appris à leur modèle à suivre les lois de la physique. Ils ont réalisé que dans la nature, les molécules se stabilisent naturellement dans l'arrangement le plus stable, à l'énergie la plus basse, un peu comme une balle lourde roulant vers le fond d'une vallée. En apprenant au modèle à rechercher ces états de basse énergie, ils ont pu le guider vers la forme correcte même sans exemple parfait à copier.

Les chercheurs ont construit leur système en deux étapes distinctes. D'abord, ils ont entraîné un modèle d'apprentissage profond sur la vaste bibliothèque de structures protéiques standards pour lui donner un sens général de la façon dont les chaînes se replient habituellement. Cela a fourni une base solide, ou un « a priori structurel », afin que le modèle comprenne les règles de base du jeu. Dans la seconde étape, ils ont introduit un puissant moteur de physique connu sous le nom de champ de force appris par machine. Considérez ce moteur comme une calculatrice hautement précise qui peut instantanément vous dire quelle est l'énergie possédée par un arrangement spécifique d'atomes, qu'ils soient standards ou exotiques. Les chercheurs ont ensuite utilisé une technique appelée apprentissage par renforcement, où le modèle était autorisé à proposer de nombreuses formes différentes pour une chaîne peptidique. Le moteur de physique évaluait chaque proposition, et le modèle était récompensé pour avoir trouvé des arrangements avec une énergie plus faible. Au fil du temps, le modèle a appris à ignorer les formes physiquement instables pour se concentrer sur celles qui sont énergétiquement favorables, s'enseignant ainsi de manière efficace comment replier correctement les composants rares.

Les résultats de cette approche ont été frappants. Lorsqu'il a été testé sur un ensemble de trente-quatre chaînes peptidiques contenant des acides aminés non standards, le nouveau modèle a produit des structures nettement plus proches des formes réelles observées expérimentalement que les méthodes précédentes. Alors que les anciens modèles peinaient à obtenir la bonne forme, produisant souvent des structures très éloignées de la réalité, le nouveau système a réduit l'erreur moyenne de manière significative. Dans de nombreux cas, le modèle a trouvé une forme presque identique à la vérité de terrain, avec une erreur de moins de deux angströms, une unité de mesure utilisée pour les distances atomiques. Crucialement, cette amélioration ne s'est pas faite au détriment de la précision des peptides standards ; le modèle est resté tout aussi performant pour prédire la forme des chaînes ordinaires qu'avant le début du nouvel entraînement. Les chercheurs ont également observé que le modèle était capable de générer une collection diversifiée de formes à basse énergie, suggérant qu'il avait appris les principes physiques sous-jacents plutôt que de simplement mémoriser une réponse unique.

L'un des aspects les plus fascinants de ce travail est la façon dont il gère l'« inconnu ». Le modèle a été entraîné sur un ensemble spécifique de 189 acides aminés non standards, mais parce qu'il opère en observant les atomes individuels et leurs interactions plutôt qu'en traitant chaque acide aminé comme un jeton unique et rigide, il est théoriquement capable de gérer n'importe quelle structure chimique. Il s'agit d'un changement significatif par rapport aux méthodes précédentes qui nécessitaient de réentraîner ou de modifier le modèle chaque fois qu'un nouveau type de bloc de construction était introduit. En s'appuyant sur le langage universel de l'énergie physique, le système peut se généraliser à de nouvelles chimies qu'il n'a jamais vues auparavant, à condition que le moteur de physique puisse calculer leur énergie. Cela ouvre la porte à la conception de médicaments dotés de propriétés entièrement nouvelles, utilisant des ingrédients qui étaient auparavant trop difficiles à modéliser.

L'étude comprenait également une vérification minutieuse pour s'assurer que le modèle ne se contentait pas de deviner. Les chercheurs ont comparé l'énergie des formes prédites par le modèle à l'énergie des structures réelles du monde réel. Ils ont constaté que le modèle produisait systématiquement des formes aussi stables, voire légèrement plus stables, que les structures réelles. Cela a confirmé que le modèle suivait effectivement les règles physiques qui lui avaient été enseignées. Dans les comparaisons visuelles, la différence était claire : les structures générées par l'ancien modèle pré-entraîné paraissaient souvent brisées ou déconnectées, comme si les atomes flottaient aux mauvais endroits. Après l'ajustement basé sur l'énergie, les atomes se sont clipsés en place, formant des liaisons continues et chimiquement cohérentes. Cette capacité à « réparer » les structures brisées suggère que le modèle a acquis une compréhension profonde de la façon dont les atomes cherchent à se lier.

En fin de compte, cette recherche offre une nouvelle voie pour la découverte de médicaments. Elle démontre que lorsque les données sont rares, nous pouvons nous appuyer sur les lois fondamentales de la physique pour combler les lacunes. En combinant la puissance de reconnaissance de formes de l'intelligence artificielle moderne avec la précision rigoureuse de la physique apprise par machine, les chercheurs ont créé un outil capable de naviguer dans le monde vaste et complexe des acides aminés non standards. Cette capacité signifie que les scientifiques peuvent désormais explorer un éventail beaucoup plus large de possibilités chimiques pour créer de nouveaux médicaments, menant potentiellement à des thérapies plus efficaces, plus durables et capables de cibler des maladies qui étaient auparavant hors de portée. Ce travail ne prétend pas avoir résolu tous les problèmes de la conception de protéines, mais il fournit une méthode robuste et généralisable pour s'attaquer à l'un des goulots d'étranglement les plus persistants du domaine.