Seq2DomML: Protein Domain Boundary Prediction from Bacterial Protein Sequences Using a Machine Learning Framework

Les protéines sont les moteurs de la vie, de minuscules machines moléculaires qui se replient en formes complexes pour accomplir chaque fonction à l'intérieur d'une cellule. Pour comprendre comment une protéine fonctionne, les scientifiques doivent souvent étudier sa forme de manière extrêmement détaillée, un processus qui nécessite généralement que la protéine soit isolée et cristallisée. Cependant, de nombreuses protéines sont trop longues ou trop souples pour être étudiées en un seul bloc. Elles sont souvent constituées de plusieurs unités distinctes et stables appelées domaines, reliées par des régions flexibles et non structurées qui agissent comme des charnières ou des espacements. Pour obtenir une image claire d'un seul domaine, les chercheurs doivent couper la protéine aux bons endroits, en supprimant les parties molles tout en gardant les parties stables intactes. Trouver ces points de coupe est difficile car les instructions sur l'endroit où couper sont cachées dans la séquence d'acides aminés de la protéine, et sans une structure 3D connue, c'est comme essayer de trouver les coutures d'un avion en papier plié sans jamais avoir vu le papier déplié.

Pendant des décennies, les scientifiques se sont appuyés sur des bases de données comparant la séquence d'une protéine à une bibliothèque de protéines connues et bien étudiées pour deviner où ces domaines pourraient se situer. Cette approche fonctionne bien lorsque la protéine est similaire à quelque chose déjà présent dans la bibliothèque, mais elle échoue complètement pour les protéines nouvelles ou inhabituelles qui n'ont aucun parent connu. Une équipe de chercheurs de l'Université Wilfrid Laurier a développé un nouvel outil appelé Seq2DomML qui contourne cette limitation. Au lieu de chercher des correspondances dans une bibliothèque de protéines connues, ce nouveau système apprend à reconnaître les motifs chimiques et physiques subtils dans une séquence qui signalent les limites entre les domaines stables et les lieurs flexibles. En entraînant un modèle informatique sur des milliers de protéines bactériennes dont les structures sont déjà connues, les chercheurs ont créé un système capable de prédire où couper une protéine en se basant uniquement sur sa séquence d'acides aminés, même si cette protéine n'a jamais été vue auparavant.

Les chercheurs ont commencé par rassembler un ensemble massif de données de protéines bactériennes qui avaient été résolues par cristallographie aux rayons X, une technique qui révèle l'arrangement précis des atomes en 3D. Ils ont filtré cette liste pour éliminer les protéines trop similaires entre elles ou appartenant à des groupes spécifiques qui se comportent différemment, se retrouvant avec près de 7 600 chaînes protéiques uniques. Pour chaque chaîne, ils ont utilisé une base de données structurelle fiable pour marquer chaque acide aminé comme faisant partie d'un domaine stable ou d'une région flexible telle qu'un lieur ou une queue. Pour rendre ces limites plus faciles à apprendre pour l'ordinateur, ils ont légèrement élargi les marquages pour les régions flexibles, en les traitant comme de courts segments plutôt que comme des points uniques.

Ensuite, l'équipe a traduit la séquence brute d'acides aminés en un ensemble riche de descriptions numériques pour chaque position de la protéine. Ils ont inclus des informations sur la nature chimique de chaque acide aminé, sa position dans la chaîne et la façon dont il pourrait interagir avec ses voisins. Cela a donné près de 2 400 caractéristiques différentes pour chaque acide aminé. Pour gérer cette complexité, les chercheurs ont utilisé un processus en deux étapes pour sélectionner les caractéristiques les plus utiles. D'abord, ils ont éliminé les caractéristiques redondantes ou non pertinentes. Ensuite, ils ont employé un algorithme évolutionnaire, une méthode qui imite la sélection naturelle, pour tester des milliers de combinaisons différentes de caractéristiques afin de trouver l'ensemble spécifique qui permettait à l'ordinateur de faire les prédictions les plus précises.

Le cœur de leur système est un type d'intelligence artificielle connu sous le nom de modèle de mémoire à long et court terme bidirectionnelle (bidirectional long short-term memory). Ce modèle est conçu pour traiter des séquences, lui permettant de comprendre que l'identité d'un acide aminé spécifique ne dépend pas seulement de ses voisins immédiats, mais du contexte plus large de l'ensemble de la chaîne. Le modèle a été entraîné pour prédire si chaque acide aminé appartient à un domaine stable ou à une région flexible. Pour gérer le fait que les régions flexibles sont beaucoup plus rares que les parties stables, les chercheurs ont ajusté le processus d'entraînement pour accorder une attention particulière à ces limites plus difficiles à trouver. Après des tests et des ajustements approfondis, ils se sont arrêtés sur une configuration qui équilibrait la nécessité de trouver toutes les régions flexibles sans étiqueter par erreur des parties stables comme flexibles.

Lorsque l'équipe a testé son nouvel outil sur un ensemble de protéines qu'elle n'avait jamais vues auparavant, les résultats ont été prometteurs. Le modèle a identifié les limites de domaines avec un haut degré de précision, surpassant plusieurs outils établis qui reposent sur la comparaison de séquences avec des familles connues. Bien que les anciens outils aient été meilleurs pour trouver chaque région flexible possible, ils faisaient souvent des erreurs en étiquetant des parties stables et repliées de la protéine comme flexibles, ce qui conduirait à de mauvais résultats expérimentaux si un scientifique tentait de couper la protéine à cet endroit. En revanche, Seq2DomML était beaucoup plus sélectif, identifiant correctement les domaines stables et les lieurs flexibles avec une plus grande précision. Cela signifie que lorsqu'un scientifique utilise cet outil pour décider où couper une protéine, il est moins susceptible de détruire accidentellement une unité fonctionnelle.

Les chercheurs ont également visualisé l'apparence de leurs prédictions lorsqu'elles étaient projetées sur des structures protéiques 3D réelles. Dans les cas où d'autres outils n'avaient pas reconnu un domaine parce qu'il n'avait pas de parents connus, Seq2DomML a correctement identifié les régions stables et repliées. Dans un exemple, les outils existants voyaient une grande partie d'une protéine comme non structurée et inutile, tandis que le nouveau modèle identifiait correctement cette partie comme un domaine distinct et stable. Cela suggère que l'outil peut trouver l'ordre dans des séquences que d'autres méthodes rejettent comme étant aléatoires ou non structurées. Le modèle n'a pas toujours obtenu le nombre exact de domaines, mais il a fourni un guide plus équilibré et plus fiable pour déterminer où effectuer les coupes que les méthodes standards actuelles.

L'étude conclut que cette approche basée sur la séquence offre une nouvelle voie précieuse pour concevoir des expériences protéiques, particulièrement pour les protéines mal comprises ou manquant de parents connus. En fournissant une carte plus précise de la fin des domaines stables et du début des régions flexibles, l'outil peut aider les scientifiques à gagner du temps et des ressources en réduisant le nombre d'expériences ratées nécessaires pour trouver le bon fragment de protéine à étudier. Les chercheurs notent que, bien que le modèle soit une étape importante, les travaux futurs se concentreront sur l'affinement de sa capacité à détecter les limites et sur le test de son efficacité sur des protéines d'autres organismes au-delà des bactéries. L'objectif ultime est de rendre le processus de résolution des structures de protéines plus efficace, permettant ainsi aux scientifiques de comprendre la machinerie de la vie même lorsque les plans sont manquants.