EIHR-PROT: Explicitly Modelling of Homology Reliability for Protein Function Prediction

Les protéines sont les machines moléculaires qui assurent le fonctionnement de la vie, accomplissant des tâches allant de la construction des structures cellulaires à la catalyse des réactions chimiques qui alimentent nos corps. Pour comprendre la fonction d'une protéine spécifique, les scientifiques examinent souvent sa séquence d'acides aminés, la chaîne unique de blocs élémentaires qui la compose. Pendant des décennies, la méthode la plus fiable pour deviner la fonction d'une protéine consistait à trouver une autre protéine ayant une séquence très similaire qui avait déjà été étudiée ; si elles se ressemblaient, elles remplissaient probablement la même tâche. Cette méthode, appelée homologie, fonctionne magnifiquement lorsqu'il existe des parents proches dans le registre scientifique. Cependant, à mesure que les chercheurs explorent la vaste diversité du vivant, ils rencontrent de plus en plus de protéines si différentes des protéines connues que ces comparaisons traditionnelles échouent. Au cours des dernières années, des modèles d'intelligence artificielle entraînés sur des millions de séquences de protéines ont émergé comme des outils puissants, capables de repérer des motifs subtils et des indices évolutifs que la simple comparaison de séquences ne parvient pas à saisir. Pourtant, une question persistante demeure : lorsqu'une nouvelle protéine apparaît, devons-nous faire confiance à l'ancienne méthode de recherche de sosies, à la nouvelle méthode de reconnaissance de formes, ou peut-être à une combinaison des deux ?

Une équipe de chercheurs de l'Université de Covenant au Nigeria a développé une nouvelle approche pour répondre à cette question, créant un système qui ne se contente pas de choisir l'une des deux méthodes, mais qui apprend à savoir quand faire confiance à chacune. Ils nomment leur cadre de travail EIHR-PROT. Au lieu d'imposer une règle fixe sur la façon de combiner les deux types de preuves, leur modèle agit comme un filtre intelligent qui évalue la qualité des correspondances de type « sosie » pour chaque protéine examinée. Si le système trouve une correspondance très forte et proche dans sa base de données, il s'appuie fortement sur cette preuve traditionnelle. Si les correspondances sont faibles, lointaines ou inexistantes, le système transfère automatiquement sa confiance vers le modèle d'intelligence artificielle, qui repose sur les motifs profonds appris grâce à l'étude de millions de protéines. Cet ajustement dynamique permet au modèle d'éviter les pièges d'une confiance aveugle envers des similitudes faibles, tout en capitalisant sur celles-ci lorsqu'elles sont fiables.

Les chercheurs ont construit leur système en utilisant deux flux principaux d'informations. Le premier flux provient d'un modèle de langage sophistiqué appelé ESM-2, qui a été entraîné sur une collection massive de séquences de protéines pour comprendre leur grammaire biologique. Ce modèle convertit la séquence d'une protéine en une représentation mathématique qui capture ses traits structurels et fonctionnels cachés. Le second flux provient d'un outil de recherche standard qui cherche des séquences similaires dans une base de données de protéines connues. L'innovation réside dans la manière dont ces deux flux sont joints. Les chercheurs ont ajouté un mécanisme de « porte » (gating) qui examine des indices spécifiques sur la qualité des correspondances dans la base de données, tels que la proportion de la séquence de la protéine qui s'aligne et la force du score statistique de la correspondance. Sur la base de ces indices, la porte décide exactement quel poids accorder à la correspondance de la base de données par rapport à la prédiction de l'IA pour cette protéine spécifique.

Lorsque l'équipe a testé ce système sur un large ensemble de protéines aux fonctions connues, les résultats ont montré que cette approche adaptative surpassait les méthodes existantes qui utilisent des règles fixes pour combiner les preuves. Le modèle a atteint une grande précision dans la prédiction de trois catégories majeures de fonctions protéiques : les processus biologiques auxquels la protéine participe, les tâches moléculaires qu'elle accomplit et son emplacement au sein d'une cellule. Lors de ces tests, le système a correctement identifié la fonction des protéines avec un haut degré de précision, surpassant d'autres méthodes de pointe qui mélangent les données de séquence et d'homologie. Les chercheurs ont constaté que l'amélioration était la plus notable lors de la prédiction des processus biologiques, un domaine complexe où la fiabilité des correspondances traditionnelles peut varier considérablement. En modélisant explicitement la fiabilité de la preuve d'homologie, le système a appris à ignorer les correspondances bruyantes ou trompeuses qui auraient pu confondre un modèle plus simple.

Pour comprendre pourquoi cela fonctionnait si bien, les chercheurs ont mené des expériences où ils ont supprimé des parties spécifiques de leur système. Lorsqu'ils ont retiré la capacité de juger la fiabilité des correspondances, les performances du modèle ont chuté, confirmant que le mécanisme de porte intelligent était la clé de son succès. Ils ont également testé le système sur un ensemble de protéines très différentes de tout ce qui figurait dans la base de données d'entraînement, simulant la découverte d'entités biologiques entièrement nouvelles. Même dans ces cas difficiles, où les méthodes traditionnelles peinent souvent, le système a maintené des performances solides. Cela suggère que le modèle a réussi à s'appuyer sur la compréhension profonde des motifs de protéines par l'IA lorsque l'indice de « sosie » traditionnel était trop faible pour être fiable. L'étude démontre que l'avenir de la prédiction de la fonction des protéines ne nécessite pas nécessairement de choisir entre les anciennes et les nouvelles méthodes, mais plutôt de construire des systèmes capables de peser intelligemment les preuves disponibles pour chaque cas unique.

Les implications de ce travail dépassent le simple fait d'obtenir de meilleurs scores lors d'un test. En rendant le processus de prise de décision transparent, le système permet aux scientifiques de voir exactement quelle part de confiance a été accordée aux correspondances de la base de données par rapport aux prédictions de l'IA pour une protéine donnée. Cette interprétabilité est cruciale pour les chercheurs qui doivent comprendre la base d'une prédiction avant d'agir sur celle-ci. Les auteurs notent que, bien que leur système actuel gère efficacement les séquences de protéines, des versions futures pourraient incorporer d'autres types de données biologiques, telles que les structures protéiques ou les réseaux d'interaction, en utilisant la même logique flexible. Pour l'instant, cette recherche offre une voie claire : une méthode qui respecte la valeur du savoir biologique traditionnel tout en embrassant pleinement la puissance de l'intelligence artificielle moderne, en adaptant sa stratégie aux besoins spécifiques de chaque protéine rencontrée.