🧬 biology

Shetti-AI: Precise prediction of protein sequence mutational landscapes to accelerate functional assays

Shetti-AI est un cadre de calcul qui intègre les propriétés physico-chimiques, les distances génétiques et les réseaux adverses génératifs pour prédire les paysages mutationnels des protéines et générer des variants optimisés de type motifs, accélérant ainsi les essais fonctionnels et réduisant les espaces de recherche expérimentaux en biologie synthétique et en virologie.

Auteurs originaux : Haitham Sobhy

Publié 2026-09-10

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Haitham Sobhy

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète

Les protéines sont les moteurs de la vie, de minuscules machines construites à partir de chaînes d'acides aminés qui se replient en formes complexes pour accomplir des tâches spécifiques. Au sein de ces longues chaînes, de courtes séquences de seulement quelques acides aminés agissent souvent comme des commutateurs critiques ou des points d'ancrage, appelés motifs. Ces petites régions dictent la manière dont une protéine interagit avec d'autres molécules, et un seul changement dans l'une de ces lettres peut altérer tout le comportement de la protéine. Les scientifiques savent depuis longtemps que pour comprendre une protéine, ils doivent comprendre ces motifs. Cependant, tester chaque variation possible de ces courtes séquences en laboratoire est une tâche lente, coûteuse et souvent impossible. L'espace des changements potentiels est tout simplement trop vaste pour être exploré à la main, laissant les chercheurs deviner quelles variations pourraient fonctionner et lesquelles échoueraient.

Pour résoudre ce problème, un chercheur nommé Haitham Sobhy a développé un nouvel outil informatique appelé Shetti-AI. Ce système est conçu pour prédire quels changements apportés aux courts motifs d'une protéine sont susceptibles de réussir avant même qu'un scientifique n'entre au laboratoire. Au lieu de s'appuyer uniquement sur la façon dont la nature a fait évoluer les protéines par le passé, Shetti-AI regarde vers l'avenir, simulant la manière dont une protéine pourrait changer à l'avenir. Il part d'un motif connu et fonctionnel et génère une liste de nouveaux candidats similaires. Le système procède en équilibrant deux facteurs principaux : la facilité avec laquelle le code génétique d'une cellule peut réaliser le changement, et la capacité des nouveaux acides aminés à préserver les propriétés physiques nécessaires au fonctionnement de la protéine. En filtrant les options improbables et en mettant en évidence les plus prometteuses, l'outil vise à réduire l'immense espace de recherche en une liste d'expériences gérable.

L'article souligne un problème spécifique aux outils d'intelligence artificielle actuels utilisés en biologie. De nombreux programmes modernes, souvent appelés modèles de langage protéique, sont excellents pour repérer des motifs généraux dans de vastes quantités de données génétiques. Cependant, ils peinent avec les détails fins de ces courts motifs. Par exemple, ces outils peuvent traiter deux séquences très différentes comme étant presque identiques parce qu'elles se ressemblent à grande échelle, même si un changement infime dans l'une d'elles briserait la capacité de la protéine à se lier à sa cible. L'auteur souligne que ces outils existants ignorent souvent les subtiles différences physiques entre les acides aminés, comme le remplacement d'une particule chargée par une particule neutre, ce qui peut totalement détruire la fonction d'une protéine. Shetti-AI a été conçu spécifiquement pour corriger cet angle mort en se concentrant sur les règles physiques et génétiques précises qui régissent ces petites régions critiques.

Le cadre opérationnel consiste d'abord à prendre un motif validé, une courte séquence connue pour fonctionner dans la nature, et à cartographier ses propriétés dans un profil numérique détaillé. Ce profil prend en compte dix-huit caractéristiques physiques différentes des acides aminés, telles que leur taille, leur charge et leur interaction avec l'eau. Le système utilise ensuite une série de modèles mathématiques pour générer de nouvelles variations. Une partie du système agit comme un filtre conservateur, vérifiant si un changement unique est génétiquement accessible et physiquement similaire à l'original. Une autre partie utilise une approche générative plus avancée pour imaginer des combinaations entièrement nouvelles d'acides aminés qui pourraient ne pas encore exister dans la nature, mais qui respectent les règles de la physique. Ces candidats générés sont ensuite classés selon un score qui évalue la probabilité de succès par rapport à la difficulté de les créer génétiquement.

Lors des tests du système, les chercheurs ont utilisé un motif connu impliqué dans la régulation des protéines humaines comme référence. L'outil a identifié avec succès des variations connues pour fonctionner dans la nature, telles que des séquences qui diffèrent de seulement une ou deux lettres mais qui maintiennent la même forme et le même comportement. Plus important encore, la partie générative du système a suggéré de nouvelles séquences inédites qui partageaient les mêmes propriétés physiques que le motif original. Comparé à une séquence de contrôle connue pour être différente, l'outil a correctement identifié que les nouveaux candidats étaient beaucoup plus proches de l'original fonctionnel. Les résultats ont montré que, bien que certains modèles soient meilleurs pour trouver des changements mineurs et sûrs, d'autres étaient capables d'explorer des possibilités plus lointaines, offrant ainsi une gamme d'options selon les besoins du chercheur.

L'article suggère que cette approche pourrait être particulièrement utile pour l'étude des virus émergents, où les scientifiques disposent souvent de très peu de temps pour tester de nouveaux variants. En utilisant un motif connu d'un virus apparenté comme point de départ, l'outil pourrait rapidement générer une liste de candidats probables à tester en laboratoire, accélérant ainsi le processus de découverte. Il offre également un moyen de concevoir des protéines personnalisées pour la biologie synthétique, permettant aux chercheurs de créer de nouveaux outils dotés de propriétés physiques spécifiques sans avoir à synthétiser des milliers de versions ratées. L'auteur note que le système est flexible ; les chercheurs peuvent ajuster les paramètres pour être très stricts, ne cherchant que des changements presque identiques à l'original, ou plus exploratoires, cherchant des conceptions plus audacieuses.

En fin de compte, Shetti-AI ne remplace pas la nécessité des expériences en laboratoire, mais il change l'ordre dans lequel elles se produisent. Au lieu de tester des conjectures aléatoires, les scientifiques peuvent utiliser l'outil pour prioriser les candidats les plus prometteurs, économisant ainsi du temps et des ressources. Le système comble le fossé entre les règles rigides de la génétique et les possibilités fluides de la conception des protéines, offrant un moyen de naviguer dans le vaste paysage des mutations potentielles avec confiance. En se concentrant sur la réalité physique du fonctionnement des protéines, plutôt que sur de simples motifs statistiques, l'outil offre une voie plus claire pour comprendre comment la vie s'adapte et comment nous pourrions l'ingénier pour l'avenir.

Résumé Technique : Shetti-AI

Problématique
Les motifs protéiques sont essentiels pour dicter les interactions moléculaires, l'organisation structurelle et la fonction. Bien que les agents pathogènes modifient souvent de courts motifs pour acquérir de nouvelles dynamiques d'hôte sans changer l'intégralité des structures protéiques, le criblage expérimental de l'immense espace des variants de séquences est lent, coûteux et gourmand en ressources. Les outils d'apprentissage automatique actuels, particulièrement les modèles de langage protéique (pLLM) tels que ProtT5, ProtBERT et ESM-2, reposent fortement sur la conservation évolutive historique. L'article soutient que ces outils échouent dans la prédiction précise au niveau du motif car ils ne peuvent pas modéliser l'accessibilité des mutations d'ADN au niveau du codon, évaluer les contraintes biophysiques spécifiques à chaque position, ou distinguer les variants fonctionnellement distincts (par exemple, l'incapacité à reconnaître qu'une substitution d'une Arginine chargée par une Leucine non polaire dans un motif RGD perturbe la liaison à l'intégrine). Par conséquent, il est nécessaire d'un cadre qui dépasse la conservation rétrospective pour prédire prospectivement des paysages mutationnels viables.

Méthodologie
Shetti-AI est un cadre computationnel conçu pour générer et hiérarchiser des variants de type motifs à partir de références biologiques curatées et validées expérimentalement. Le cadre intègre trois architectures distinctes opérant sur une matrice de propriétés physico-chimiques à 18 dimensions ( $P_{phys}$ ) et une matrice d'accessibilité de substitution de codons ( $P_{genetic}$ ) :

Cartographie physico-chimique à 18 dimensions : Les acides aminés sont cartographiés vers des vecteurs numériques continus combinant des propriétés biophysiques quantitatives normalisées et des attributs qualitatifs codés de manière ordinale. Cela facilite l'apprentissage basé sur le gradient et l'échantillonnage génératif.
Accessibilité de substitution sensible aux codons : Une matrice 20x20 encode la distance génétique basée sur le nombre minimal d'étapes de substitution de codons, attribuant des poids à l'accessibilité (par exemple, les mutations à 1 étape sont plus fortement pondérées que celles à 3 étapes). Cela permet des ajustements spécifiques au taxon sans modifier le moteur d'inférence.
Architecture en trois parties :
- Architecture 1 (Baseline $\lambda$ linéaire convexe) : Un modèle léger, non génératif, qui évalue les mutations ponctuelles via une combinaison convexe de l'accessibilité génétique et de la conservation biophysique ( $P_{final} = \lambda P_{DNA} + (1-\lambda)P_{phys}$ ). Il sert de base pour les compromis à variable unique.
- Architecture 2 (Hybride Bayésien en espace logarithmique) : Un modèle déterministe qui classe les substitutions de résidus uniques en utilisant une probabilité a posteriori bayésienne empirique. Il combine l'accessibilité des codons normalisée avec des scores de similitude biophysique dans l'espace logarithmique pour éviter le sous-détente numérique (underflow) tout en préservant le classement des candidats.
- Architecture 3 (Moteur génératif GAN/WGAN-GP) : Un modèle génératif profond continu (GAN conditionnel et WGAN-GP) qui étend l'espace de recherche au-delà des variants à résidu unique. Il génère de nouveaux motifs candidats à partir d'une référence en utilisant des représentations physico-chimiques et un bruit latent. Crucialement, ces candidats sont post-filtrés et classés à l'aide de la contrainte bayésienne séparée pour garantir la plausibilité biologique et l'atteignabilité de la mutation.

Contributions Clés

Prédiction Prospective : Contrairement aux outils reposant sur la conservation historique, Shetti-AI prédit les destins futurs des variants et les paysages mutationnels avant qu'ils n'apparaissent dans la nature ou en laboratoire.
Système de Contrainte Hybride : Le cadre combine de manière unique un a priori génétique bayésien avec une vraisemblance physico-chimique à 18 dimensions, en utilisant une pondération $\lambda$ contrôlée par l'utilisateur et l'intégration de la perte WGAN-GP.
Conception Modulaire : La séparation de la contrainte bayésienne du réseau neuronal permet aux hypothèses biologiques d'être inspectées, modifiées ou remplacées indépendamment du moteur génératif.
Implémentation Open Source : Le code source est disponible sous licence AGPL-3.0, implémenté en Python utilisant PyTorch pour les composants d'apprentissage profond.

Résultats
En utilisant le motif M-R-EL (une signature d'autorégulation de la tubuline) comme référence, le cadre a démontré les points suivants :

Prédiction Conservatrice : Les modèles bayésien et $\lambda$ -baseline ont prédit avec succès des variants étroitement liés tels que MREI et MRDL, qui sont des séquences canoniques pour le motif.
Découverte Générative : Les composants GenAI (GAN et WGAN) ont exploré et généré de nouveaux motifs étroitement liés aux caractères physico-chimiques de la référence MREL.
Différenciation : Comparé au contrôle TREL (présent dans le SARS-CoV), le cadre a correctement identifié que la Thréonine dans TREL possède des caractères physico-chimiques différents, tandis que les variants générés restaient similaires à la référence MREL.
Performance du Modèle : Le WGAN a généralement surpassé le GAN standard, bien que les deux aient prédit le motif LKDM avec des scores bayésiens similaires.
Réglage des Paramètres : L'étude a montré qu'en ajustant les paramètres (température, $\beta$ , et $\lambda$ ), le cadre peut basculer entre une conservation biophysique stricte (utile pour le scan viral) et une génération exploratoire large (utile pour la biologie synthétique).

Signification et Revendications
L'article affirme que Shetti-AI transforme l'optimisation de séquences, passant d'un "jeu de devinettes exhaustif" à un pipeline ciblé et biophysiquement fondé. En jetant un pont entre les contraintes statistiques déterministes et l'apprentissage profond génératif continu, le cadre réduit l'espace de recherche expérimental pour la biologie synthétique, les protéines virales émergentes et les essais fonctionnels.

L'auteur souligne que Shetti-AI ne se contente pas de générer des constructions théoriques, mais produit des outils pratiques et expérimentalement exploitables en imposant l'atteignabilité génétique et les contraintes biophysiques. Le cadre est positionné comme une solution à haut débit et à faible coût pour accélérer les essais fonctionnels, particulièrement pour :

La Biologie Synthétique : Concevoir des motifs fonctionnels personnalisés avec des propriétés physiques prévisibles.
Les Thérapeutiques : Aider la thérapie génique (vecteurs AAV), la neutralisation immunitaire et l'ingénierie des cellules CAR-T.
La Virologie : Scanner rapidement les séquences virales émergentes (ex: SARS-CoV-2) pour identifier des régions de type motif lorsque les données expérimentales sont limitées.

L'article conclut qu'en restreignant le vaste espace séquentiel à un pool de candidats prioritaires et biologiquement fondés, Shetti-AI réduit le temps et les ressources requis pour la validation expérimentale tout en fournissant des informations sur l'adaptation évolutive et les nouvelles interactions fonctionnelles.

Articles similaires