🧬 biology

NatCodon: protein-structure-informed de novo codon sequence design for efficient protein expression

NatCodon est un modèle génératif qui exploite les informations structurelles des protéines pour optimiser les séquences de codons en vue du repliement co-traductionnel, surpassant de manière significative les méthodes existantes basées sur la fréquence en déployant stratégiquement des codons rares pour améliorer les rendements de protéines solubles et permettre l'expression de cibles auparavant intraitables.

Auteurs originaux : Sheng Ye, Yujie Qin, Shen Ge, Kaiyue Wang, Mengchen Pu, Zilin Lyu, Zibo Cui, Fenghui Shi

Publié 2026-07-08

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Sheng Ye, Yujie Qin, Shen Ge, Kaiyue Wang, Mengchen Pu, Zilin Lyu, Zibo Cui, Fenghui Shi

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

Le gros problème : La chaîne de montage « trop rapide »

Imaginez une usine qui construit des machines complexes (des protéines) à partir d'un ensemble d'instructions (l'ADN). Dans cette usine, les instructions sont écrites dans un code où de nombreux mots différents (codons) peuvent signifier la même chose.

Pendant des décennies, les scientifiques ont essayé de rendre ces machines plus rapides en réécrivant les instructions pour n'utiliser que les mots les plus « rapides » et les plus courants de la langue de l'usine. Ils pensaient : « Si nous utilisons les mots les plus populaires, la machine construira le produit aussi rapidement que possible. »

Le piège : Construire une machine complexe n'est pas seulement une question de vitesse. C'est une question de rythme. Si la chaîne de montage va trop vite, les ouvriers (le ribosome) n'ont pas le temps de plier correctement les pièces avant l'arrivée de la pièce suivante. Le résultat ? La machine se désagrège, se bloque ou finit en un tas inutile de ferraille (protéines mal repliées).

Les méthodes actuelles sont comme un manager obsédé par la vitesse qui ignore la nécessité de faire des pauses, ce qui conduit à des produits défectueux.

La solution : NatCodon (Le « Maître du Rythme »)

Les chercheurs de l'Université de Beihang et de dProtein Biotechnologies ont créé un nouvel outil d'IA appelé NatCodon. Au lieu de simplement chercher les mots les plus rapides, NatCodon regarde la forme de la machine en cours de construction.

Voyez cela comme un chef d'orchestre dirigeant un orchestre :

L'ancienne méthode : Dit à chaque musicien de jouer aussi fort et aussi vite que possible. Le résultat est un chaos bruyant.
NatCodon : Sait que certaines sections de la musique (repliements de protéines complexes) doivent être jouées lentement et délibérément, tandis que d'autres sections (parties stables) peuvent être jouées rapidement. Il insère stratégiquement des « mots lents » (codons rares) aux moments exacts où la protéine a besoin de faire une pause pour se replier correctement.

Comment ça marche : Le traducteur « sensible à la structure »

Apprendre le code secret : L'IA a été entraînée sur plus de 45 000 protéines bactériennes naturelles. Elle a appris une « grammaire » cachée que la nature utilise : des formes spécifiques dans la protéine nécessitent des pauses spécifiques dans le processus de traduction.
La « Porte du Codon » : Pour s'assurer que l'IA ne commette pas d'erreurs, elle possède un filtre de sécurité. Elle garantit que, même si elle change les mots pour contrôler la vitesse, le sens final (la séquence d'acides aminés) reste exactement le même. C'est comme réécrire une phrase pour changer le rythme de lecture sans changer l'histoire.
Le cadran de « Focus » : L'outil permet aux scientifiques d'ajuster le degré de « créativité » de l'IA. Ils peuvent choisir une séquence très stricte et prévisible ou permettre une certaine variété, ce qui leur donne le contrôle sur la conception finale.

Les résultats : Sauver l'« inconstructible »

L'équipe a testé NatCodment sur plusieurs protéines notoirement difficiles à construire en laboratoire.

La protéine « impossible » : Une protéine, appelée SMURF1HECT, était comme un fantôme ; les méthodes précédentes n'en produisaient aucune. NatCodon ne s'est pas contenté de la fabriquer ; il en a produit une quantité saine (0,57–0,61 mg/ml).
Le boost : Pour d'autres protéines difficiles, NatCodon a augmenté la quantité de protéines utilisables et fonctionnelles de 2 à 33 fois par rapport aux meilleurs outils commerciaux existants.
Contrôle qualité : Il ne s'agit pas seulement de produire plus de protéines, mais de produire de meilleures protéines. Les protéines fabriquées par NatCodon fonctionnent réellement (elles brillent ou s'illuminent lors des tests), prouvant qu'elles sont correctement repliées.

Un nouveau barème : Le NCI

Pendant des années, les scientifiques ont utilisé un score appelé CAI pour juger si une séquence d'ADN était bonne. Ce score demandait essentiellement : « Combien de mots populaires avez-vous utilisés ? » L'article soutient que le CAI est comme juger une recette uniquement par le nombre de fois où vous avez utilisé du sel, en ignorant le temps de cuisson.

Les auteurs ont introduit un nouveau score appelé l'Indice NatCodon (NCI).

L'analogie : Si le CAI demande « À quelle vitesse pouvez-vous courir ? », le NCI demande « Avez-vous couru à la bonne vitesse pour le terrain ? ».
Le résultat : Le NCI est bien meilleur pour prédire si une protéine fonctionnera réellement et sera produite en grandes quantités. Il mesure à quel point les instructions d'ADN correspondent aux besoins physiques de la forme de la protéine.

Résumé

NatCodon est une nouvelle IA qui conçoit les instructions d'ADN pour la fabrication de protéines. Au lieu de simplement rendre les instructions « rapides », elle les conçoit avec le bon rythme. En connaissant la forme 3D de la protéine, elle sait exactement quand ralentir la chaîne de montage pour laisser la protéine se replier correctement. Cela permet aux scientifiques de produire efficacement des protéines difficiles, auparavant « inconstructibles », ouvrant de nouvelles possibilités pour la médecine et l'industrie.

L'outil est librement disponible pour les autres utilisateurs, et il représente un passage du « plus vite est mieux » au « le rythme est juste ».

Résumé Technique : NatCodon – Conception de séquences de codons de novo informée par la structure protéique

1. Énoncé du problème

La traduction de l'information génétique en protéines fonctionnelles est un processus co-traductionnel où le repliement de la chaîne polypeptidique naissante est inextricablement couplé à la cinétique d'élongation ribosomale. Les stratégies actuelles d'optimisation des codons reposent principalement sur des heuristiques basées sur la fréquence (par exemple, la maximisation de l'indice d'adaptation des codons [CAI] ou de l'indice d'adaptation des ARNt [tAI]) pour accélérer l'élongation peptidique. Ces approches déconnectent souvent les taux de traduction des exigences de repliement spécifiques de la protéine, entraînant un mauvais repliement, la formation de corps d'inclusion et de faibles rendements de solubilité dans les hôtes hétérologues. Cette limitation est exacerbée à l'ère de la conception de protéines de novo pilotée par l'IA, où les nouvelles séquences protéiques manquent d'ancêtres évolutifs ou de modèles de codage natifs, rendant l'optimisation traditionnelle par « tables de correspondance » insuffisante. Les modèles d'apprentissage profond existants pour la conception de codons traitent largement le problème comme une tâche de mappage séquence-à-séquence, négligeant l'information structurelle critique et omettant le rôle régulateur du rythme de la traduction dans la coordination du repliement co-traductionnel (CTF).

2. Méthodologie

Les auteurs introduisent NatCodon, un modèle génératif qui reformule la conception de codons comme un problème cinétique informé par la structure. La méthodologie intègre des données multi-omiques (séquences génomiques, contexte protéomique et structures protéiques) pour apprendre la « grammaire structure-codon » ancrée dans les systèmes de traduction naturels.

Curation des données : Le modèle a été entraîné sur un ensemble de données non redondantes de 45 126 triplets génome-protéome-structure bactériens. Les structures secondaires des protéines ont été discrétisées en 9 jetons structurels (par exemple, $\alpha$ -hélice, pont $\beta$ , boucles flexibles) à l'aide de l'algorithme DSSP.
Architecture : NatCodon utilise une architecture Transformer de type décodeur seul, inspirée du framework LLaMA. Il encode conjointement les séquences d'acides aminés et les jetons structurels discrets dans une représentation unifiée, utilisant des plongements positionnels rotatifs (RoPE) pour capturer les dépendances à longue portée.
Décodage sous contraintes biologiques :
- Porte de Codon (Codon Gate) : Un module de masquage strict garantit la fidélité de la traduction en filtrant les codons non synonymes à chaque position, garantissant que la séquence générée traduit bien la séquence d'acides aminés correcte.
- Échantillonnage contrôlé par la focalisation : Un paramètre réglable ( $\phi$ ) module la netteté de la distribution de probabilité, permettant un équilibre entre l'optimisation déterministe et la diversité des séquences.
Objectif d'entraînement : Le modèle minimise une fonction de perte composite combinant la log-vraisemblance négative (NLL), l'entropie croisée avec pondération de fréquence pour corriger le déséquilibre des codons, et une perte de lissage inspirée de l'entropie pour améliorer la généralisation.
Métrique d'évaluation (NCI) : Les auteurs introduisent l'Indice NatCodon (NCI), une métrique sensible à la structure qui quantifie la concordance entre l'usage des codons et le contexte structurel. Elle intègre des coefficients d'adaptabilité spécifiques à la structure et la divergence de Jensen-Shannon pour mesurer l'alignement avec les motifs natifs structure-codon.

3. Contributions clés

Modèle génératif informé par la structure : NatCodon est le premier modèle à intégrer explicitement le contexte structurel local de la protéine dans le processus génératif de conception de séquences de codons, allant au-delà des heuristiques basées sur la fréquence.
Décryptage de la grammaire structure-codon : L'étude fournit des preuves empiriques et des perspectives mécanistes sur la manière dont l'usage des codons synonymes est ajusté aux exigences structurelles, identifiant spécifiquement que les codons moins fréquents sont stratégiquement déployés aux sites structurellement sensibles (par exemple, les limites de domaines, les boucles flexibles) pour induire une pause ribosomale permettant un repliement approprié.
Nouvelle métrique (NCI) : Le développement du NCI offre un outil prédictif pour le rendement fonctionnel des protéines qui surpasse les métriques traditionnelles (CAI, tAI) et les prédicteurs d'IA supervisés (Encodon) dans des contextes généralisables.
Validation expérimentale : Le cadre a été validé sur un panel de protéines hétérologues, incluant des cibles difficiles à exprimer, démontrant des améliorations significatives de la production de protéines solubles.

4. Résultats

Évaluation comparative inter-espèces : Sur des ensembles de données couvrant des protéines d'E. coli, humaines, végétales et virales, NatCodon a surpassé les modèles concurrents (CodonTransformer, ICOR). Il a réduit la divergence de la cinétique de traduction de 96,5 à 97,5 % et a obtenu une divergence structure-conditionnée des codons (SCCD) un ordre de grandeur plus faible, indiquant une préservation supérieure de l'architecture de codage native.
Performance expérimentale : Dans les expériences d'expression chez E. coli, les séquences conçues par NatCodon ont produit des améliorations de 2 à 33 fois de la protéine soluble par rapport aux séquences optimisées par GeneOptimizer (OP).
- SMURF1HECT : Une protéine auparavant intraitable qui ne produisait aucune protéine soluble détectable avec OP a produit 0,57–0,61 mg·ml⁻¹ avec NatCodon.
- Autres cibles : Des améliorations significatives ont été observées pour la DHOase, la Luciférase, la GFP et l'HPPD.
Perspectives mécanistes :
- IA explicable (XAI) : Les analyses SHAP et des gradients intégrés ont révélé que NatCodon attribue un poids presque égal aux caractéristiques structurelles et à l'identité des acides aminés. Il utilise sélectivement des codons à haut tAI pour les cœurs structurels rigides et des codons à faible tAI pour les boucles flexibles et les limites de domaines afin de créer les pauses de traduction nécessaires.
- Mutagenèse : La mutagenèse inverse des séquences de DHOase conçues par NatCodon a confirmé qu'augmenter la vitesse de traduction dans les régions de boucles réduisait le rendement, tandis qu'augmenter la vitesse dans les $\alpha$ -hélices l'augmentait, validant la chorégraphie cinétique du modèle.
- Rampe de traduction : NatCodon a réussi à récapituler la « rampe de traduction » native de l'extrémité 5' (codons initiaux plus lents), une caractéristique souvent perdue dans les autres méthodes d'optimisation.
Pouvoir prédictif du NCI : Le NCI a montré la plus forte corrélation avec le rendement soluble expérimental et la sortie fonctionnelle (luminescence/fluorescence) à travers plusieurs bibliothèques de protéines, surpassant le CAI, le tAI et Encodon dans des scénarios généralisables.
Compatibilité avec les structures IA : Le cadre reste robuste lors de l'utilisation de structures prédites par AlphaFold3, maintenant une haute similitude de séquence et une concordance métrique avec les conceptions basées sur des structures expérimentales.

5. Signification et revendications

L'article affirme que NatCodon établit un fondement principiel pour la expression protéique programmable en transcendant les heuristiques basées sur la fréquence. En intégrant les contraintes structurelles directement dans la génération de séquences, le modèle orchestre la dynamique de traduction pour l'aligner sur les exigences de repliement co-traductionnel. Cette approche permet la production de cibles thérapeutiques et industrielles critiques, y compris des séquences conçues par IA de novo auparavant jugées inexpressibles. Les auteurs postulent que le cadre NatCodon–NCI déplace le paradigme de la maximisation de la vitesse d'élongation vers une « chorégraphie cinétique », offrant une solution généralisable pour le flux inverse d'information de la séquence protéique vers la séquence d'acide nucléique en l'absence de modèles évolutifs. Les outils sont mis librement à la disposition de la communauté pour faciliter la production de protéines complexes.