GLOM TGITO: multiscale protein modelling and multiview landscape-guided sequence discovery

L'ingénierie des protéines est l'art de réécrire le code biologique de la vie pour créer des molécules capables d'accomplir de nouvelles tâches. Au cœur de ce domaine se trouve un défi simple mais difficile : les scientifiques disposent d'une vaste bibliothèque de séquences de protéines, mais ils ne peuvent en tester qu'une infime fraction en laboratoire. L'objectif est de trouver les variantes rares et performantes cachées dans cette immense mer de possibilités sans avoir à construire et mesurer chacune d'entre elles. Pour y parvenir, les chercheurs utilisent des modèles informatiques qui apprennent à partir des rares exemples qu'ils ont mesurés. Ces modèles tentent de prédire comment un changement dans la séquence de la protéine affectera sa fonction, comme la manière dont une protéine fluorescente brillera. Cependant, un problème majeur subsiste : ces modèles deviennent souvent trop confiants. Ils peuvent prédire qu'une séquence totalement nouvelle et non testée sera brillante, simplement parce qu'elle ressemble un peu aux séquences brillantes qu'ils ont déjà vues, même si le modèle n'a aucune preuve réelle pour soutenir cette affirmation. Cela entraîne un gaspillage d'efforts à la poursuite de séquences qui semblent bonnes sur un écran d'ordinateur, mais qui échouent dans le monde réel.

Une équipe de chercheurs a développé une nouvelle approche appelée GLOM–TGITO pour résoudre ce problème spécifique. Au lieu de s'appuyer sur une vision unique et rigide de la protéine, leur système construit une carte multicouche de la structure et du comportement de la protéine. Imaginez regarder un paysage non seulement depuis un satellite, mais aussi depuis un drone, un sommet de colline et une vue au niveau de la rue simultanément. Les chercheurs ont conçu leur modèle de manière similaire en analysant la protéine à trois échelles différentes : la molécule entière, des régions spécifiques de la molécule, et des points clés individuels où les changements sont cruciaux. En combinant ces différentes perspectives, le système peut mieux percevoir le « terrain » de la performance des protéines. Il utilise cette carte détaillée pour guider sa recherche, garantissant que lorsqu'il propose une nouvelle protéine plus brillante, il le fait à partir d'une preuve locale solide plutôt que par une supposition aveugle.

Les chercheurs ont testé cette méthode sur un ensemble de données contenant plus de 31 000 versions mesurées d'une protéine fluorescente appelée ppluGFP2. Ils ont entraîné leur modèle pour prédire la luminosité de ces protéines en fonction de leurs séquences génétiques. Lorsqu'ils ont comparé leur nouveau système aux méthodes existantes les plus performantes, les résultats ont été frappants. Le nouveau modèle a commis nettement moins d'erreurs de prédiction. Plus important encore, lorsqu'ils ont utilisé le modèle pour rechercher les 100 meilleurs candidats les plus brillants, presque tous — 96,3 % dans un test et 97 % dans un autre — étaient réellement brillants lors de la mesure en laboratoire. En revanche, les meilleures méthodes concurrentes n'ont réussi à trouver des protéines brillantes que dans environ la moitié de leurs meilleurs choix. Cela suggère que le nouveau système est bien plus apte à distinguer les séquences véritablement prometteuses de celles qui semblent seulement prometteuses pour un ordinateur confus.

La force de ce système réside dans sa gestion de l'incertitude. À mesure que l'ordinateur recherche de meilleures protéines, il vérifie constamment sa propre confiance. Il se demande : « Ai-je assez de données réelles à proximité pour faire confiance à cette prédiction ? » Si le modèle s'aventure dans une région où il dispose de peu de soutien expérimental, il devient prudent. Il utilise une porte dynamique pour pondérer les différentes vues de la protéine, privilégiant celles qui sont étayées par des mesures réelles. Ce processus a permis aux chercheurs de trouver 2 594 séquences candidates distinctes lors de leur recherche. Lorsqu'ils les ont filtrées pour ne garder que les 100 meilleures, les protéines sélectionnées étaient non seulement prédites comme étant brillantes, mais elles présentaient également une « déviation » bien plus faible par rapport aux données d'entraînement connues. En termes simples, ces nouvelles protéines étaient assez nouvelles pour être intéressantes, mais assez proches de ce que le modèle savait être fiable. Cet équilibre a permis de trouver 38 candidats qui étaient à la fois nouveaux et dignes de confiance, un nombre qui est plus du double de ce que les autres méthodes ont produit.

Pour comprendre pourquoi ces nouvelles protéines ont fonctionné, les chercheurs ont effectué des simulations informatiques détaillées de leur comportement physique. Ils ont observé comment les protéines se déplaçaient et comment leurs surfaces interagissaient avec l'eau. Ils ont découvert que de nombreuses conceptions réussies possédaient des zones de surface plus petites et moins collantes. Dans le monde des protéines, avoir une surface moins collante aide souvent la molécule à se replier correctement et à éviter de s'agglutiner, ce qui est essentiel pour briller intensément. Au-delà de la surface, les simulations ont révélé des changements profondément ancrés dans le cœur de la protéine, près de la partie qui émet réellement la lumière. Dans certaines des meilleures conceptions, la structure interne maintenait la partie émettrice de lumière plus fermement, réduisant ainsi son oscillation. Dans d'autres, les liaisons chimiques maintenant la partie émettrice de lumière en place étaient plus stables. Ces changements physiques ont fourni une explication claire de la réussite des choix de l'ordinateur : les nouvelles séquences créaient un environnement plus stable pour que la lumière puisse briller.

Ce travail démontre que la combinaison d'une vue détaillée et multi-échelle d'une protéine avec une vérification minutieuse des preuves locales peut considérablement améliorer la recherche de meilleurs outils biologiques. Les chercheurs n'ont pas seulement trouvé des protéines plus brillantes ; ils ont trouvé un moyen de les trouver avec confiance. En s'assurant que chaque nouvelle suggestion est appuyée par une compréhension solide du paysage local, ils ont évité le piège de l'excès de confiance qui a entravé les tentatives précédentes. Le résultat est un pipeline qui produit un rendement élevé de protéines fluorescentes véritablement fonctionnelles et brillantes, offrant une voie plus fiable pour concevoir la prochaine génération de capteurs et d'outils biologiques. L'étude confirme que lorsque nous apprenons aux ordinateurs à observer les protéines sous plusieurs angles et à respecter les limites de leurs propres connaissances, nous pouvons découvrir de nouvelles fonctions biologiques qui étaient auparavant hors de portée.