A Proteome-Wide, Accelerated Deep Learning Framework for Structural Interactome Docking, Polygenic Disease Network Translation and Automated Druggability Assessment

Au sein de chaque cellule vivante, des milliers de petites machines appelées protéines travaillent ensemble pour maintenir le corps en fonctionnement. Ces machines ne fonctionnent pas de manière isolée ; elles s'entrechoquent constamment, s'emboîtent et forment des équipes pour accomplir des tâches essentielles comme la construction des muscles, la lutte contre l'infection ou le pompage du sang. Les scientifiques appellent ces connexions des interactions protéine-protéine. Depuis des décennies, les chercheurs tentent de cartographier chacune de ces connexions dans le corps humain, créant ce que l'on appelle un interactome. Cette carte est cruciale car lorsque les connexions font défaut, la maladie survient souvent. Cependant, trouver ces connexions a été incroyablement difficile. Les méthodes traditionnelles nécessitent que les scientifiques mélangent des protéines en laboratoire et observent si elles adhèrent, un processus lent, coûteux et produisant souvent des résultats trompeurs. De plus, le nombre de paires possibles est si vaste que les tester toutes à la main est impossible.

Une nouvelle étude menée par une équipe de Partex.AI Technology offre une voie différente. Au lieu d'attendre que le laboratoire leur dise ce qui adhère, les chercheurs ont utilisé un puissant système d'intelligence artificielle pour prédire comment les protéines s'emboîtent, simulant essentiellement l'ensemble du réseau d'interactions du corps humain sur un ordinateur. Ils se sont concentrés spécifiquement sur les maladies cardiaques, une cause majeure de décès dans le monde, pour voir s'ils pouvaient trouver de nouvelles façons de les traiter. En combinant des modèles informatiques avancés des formes de protéines avec une puissance de calcul massive, ils ont pu scanner des millions de paires potentielles en quelques jours seulement. Le résultat est une liste massive de nouvelles connexions, hautement probables, entre des protéines auparavant inconnues, dont beaucoup semblent impliquées dans les maladies cardiovasculaires. Ce travail ne se contente pas de compléter une carte ; il fournit un nouveau moyen de trouver des cibles cachées pour les médicaments, transformant une possibilité théorique en un guide pratique pour la découverte de futurs médicaments.

Le défi auquel l'équipe a été confrontée était celui de l'échelle. Le corps humain contient environ 20 000 types différents de protéines. Si vous essayez d'associer chaque protéine à toutes les autres pour voir si elles pourraient interagir, vous arrivez à plus de 115 millions de combinaisons possibles. Par le passé, vérifier même une petite fraction de celles-ci aurait nécessité des années de temps de supercalculateur en utilisant les méthodes physiques traditionnelles. Les chercheurs savaient que beaucoup de ces paires ne se rencontreraient jamais dans une cellule réelle car elles vivent dans des parties différentes du corps, comme l'huile et l'eau qui ne se mélangent jamais. Pour résoudre cela, ils ont construit un pipeline numérique qui a d'abord prédit les formes 3D de toutes les protéines humaines grâce à l'IA, puis a utilisé un outil d'apprentissage profond spécialisé appelé EquiDock pour simuler la façon dont elles pourraient s'emboîter. Cet outil, fonctionnant sur 460 des processeurs graphiques les plus puissants au monde, pouvait évaluer une paire de protéines en quelques secondes plutôt qu'en plusieurs heures.

L'équipe ne s'est pas arrêtée à la simple simulation des formes. Elle a appliqué un ensemble strict de règles biologiques pour filtrer l'impossible. Ils ont supprimé toute paire où les protéines vivaient dans des quartiers cellulaires différents, s'assurant que seules les protéines pouvant réellement se rencontrer dans une cellule vivante soient conservées. Ils ont également vérifié la stabilité de la connexion, écartant les p pairs qui se désagrégeraient immédiatement. Après avoir appliqué ces filtres, ils ont réduit la recherche de 115 millions de possibilités à environ 3,3 millions de paires qui étaient structurellement solides et biologiquement plausibles. Lorsqu'ils ont comparé cette liste aux bases de données existantes d'interactions connues, ils ont constaté que leur système pouvait récupérer la grande majorité des connexions établies, prouvant ainsi la précision de la méthode. Plus important encore, ils ont découvert plus de 3,2 millions d'interactions qui n'avaient jamais été enregistrées auparavant. Il ne s'agissait pas de suppositions aléatoires ; c'étaient des connexions physiquement possibles qui avaient simplement été invisibles en laboratoire.

Pour rendre ces découvertes utiles au traitement des maladies, les chercheurs ont concentré leur attention sur le cœur. Ils ont pris leur liste massive de nouvelles interactions et ont cherché spécifiquement des paires impliquant des protéines liées à la maladie coronarienne. En croisant leurs résultats avec les données génétiques de centaines de milliers de personnes, ils ont identifié un groupe central de 962 paires de protéines à haute confiance qui représentent des hypothèses prioritaires pour l'évolution des maladies cardiaques. Ces paires formaient un réseau qui connectait des gènes qui, pris individuellement, semblaient trop faibles pour causer une maladie, mais qui ensemble créaient un signal biologique puissant. L'étude a montré que ces nouvelles connexions n'étaient pas de simples bruits aléatoires ; elles se regroupaient autour de voies biologiques connues liées à la production d'énergie dans les cellules et au maintien des tissus musculaires, qui sont centrales dans le fonctionnement du cœur. Cependant, les chercheurs soulignent qu'il s'agit de prédictions et d'hypothèses computationnelles qui nécessitent une validation expérimentale future, car l'étude actuelle manque de confirmation directe en laboratoire (wet-lab).

L'étape finale consistait à déterminer si ces nouvelles cibles pouvaient être traitées par des médicaments. De nombreuses protéines sont considérées comme « inclassables » (undruggable) car elles manquent de poches profondes où les molécules de médicaments s'accrochent habituellement. L'équipe a utilisé une nouvelle méthode de criblage appelée PocketVec pour scanner les surfaces de leurs nouvelles paires de protéines à la recherche de crevasses cachées qui pourraient contenir un médicament. Ils ont découvert que beaucoup de ces protéines auparavant ignorées possédaient effectivement des poches adaptées. Cela signifie que les nouvelles interactions qu'ils ont trouvées ne sont pas seulement des curiosités biologiques ; elles sont des points de départ potentiels pour le développement de nouveaux médicaments. Les chercheurs ont même réexaminé leurs prédictions des mois plus tard et ont constaté que plusieurs des interactions qu'ils avaient signalées comme nouvelles avaient déjà été confirmées par d'autres scientifiques dans le monde réel, validant ainsi la rapidité et la précision de leur approche.

Ce travail représente un changement dans la manière dont les scientifiques abordent les maladies complexes. Au lieu de chercher une seule pièce défectueuse, ils sont désormais capables de cartographier l'ensemble du réseau de connexions qui dysfonctionne. En utilisant l'intelligence artificielle pour simuler le monde physique des protéines, l'équipe a créé un blueprint pour trouver de nouveaux traitements pour les maladies cardiaques et potentiellement d'autres conditions. Ils ont démontré qu'avec la puissance de calcul appropriée et un filtrage intelligent, il est possible d'explorer l'intégralité de l'interactome humain en quelques jours, transformant une tâche qui semblait autrefois impossible en un moteur de découverte routinier. La liste des nouvelles interactions qu'ils ont générées est désormais disponible pour que d'autres scientifiques puissent les tester en laboratoire, offrant une avance pour la découverte de la prochaine génération de thérapies pour certains des défis sanitaires les plus persistants du monde.