Percée dans la recherche sur les protéines : un nouveau modèle d’IA révolutionne la conception de médicaments !

Percée dans la recherche sur les protéines : un nouveau modèle d’IA révolutionne la conception de médicaments !

Une équipe de recherche de Université libre de Berlin en collaboration avec IA de recherche Microsoft pour la science a réalisé une avancée significative dans la modélisation des protéines biologiques. Ce test est au cœur du journal du 10 juillet Science étude publiée intitulée « Émulation évolutive d’ensembles d’équilibre protéique avec apprentissage profond génératif ». Les nouvelles découvertes pourraient faciliter les progrès futurs dans la conception de médicaments et la recherche biomédicale.

L'objectif principal de l'étude est l'introduction de BioEmu, un système innovant d'apprentissage profond génératif pour émuler le comportement d'équilibre des protéines. BioEmu se caractérise par sa grande précision et son exactitude et vise à mieux refléter la fonction de nombreuses protéines dont l'activité dépend fortement de leur structure dynamique. Un objectif clé du développement est d’augmenter le taux de réussite de nouveaux principes actifs dans les études cliniques.

Innovation technologique et efficacité accrue

Il convient de noter la capacité de BioEmu à générer des milliers de structures protéiques statistiquement indépendantes par heure sur une seule carte graphique (GPU). Cela conduit à une réduction significative du coût et du temps requis pour étudier les changements structurels fonctionnellement pertinents. En combinant plus de 200 millisecondes de simulations de dynamique moléculaire avec des données expérimentales, BioEmu permet de prédire les ensembles structurels et les propriétés thermodynamiques avec une précision quasi expérimentale.

Les équipes de recherche dirigées par le professeur Frank Noé et le professeur Cecilia Clementi ont apporté d'importantes contributions au développement. Le professeur Noé, partenaire de recherche chez Microsoft Research et professeur honoraire à la FU Berlin, souligne que BioEmu peut également prédire des changements structurels complexes tels que des poches de liaison cachées et les mouvements de domaines protéiques entiers. Cela permet de prédire avec précision les changements de stabilité des protéines avec une précision comparable à l’analyse en laboratoire.

Approches traditionnelles vs apprentissage profond

Les techniques actuelles de simulation de dynamique moléculaire sont connues pour être lentes, coûteuses et gourmandes en ressources. BioEmu offre une alternative plus rapide et moins chère. Développé par Sarah Lewis et son équipe, le modèle combine des données d'entraînement issues des prédictions de structure AlphaFold, des simulations de dynamique moléculaire à grande échelle et des mesures expérimentales approfondies de la stabilité des protéines.

Cependant, il existe également des limites : BioEmu ne modélise pas nativement la dynamique moléculaire ou les interactions avec les membranes et les ligands, et ne prend pas non plus en compte les conditions environnementales variables telles que la température ou le pH. Néanmoins, les auteurs s’attendent à ce que le modèle démontre comment l’apprentissage profond peut amortir les coûts élevés des simulations et des expériences pour permettre une prédiction à grande échelle et basée sur les données de la fonction des protéines.

Implications pratiques et recherches futures

Un aspect important de l'étude est la publication par Microsoft Research d'un vaste ensemble de données utilisé pour développer BioEmu. Cet ensemble de données constitue la plus grande collection accessible au public de simulations de protéines à séquences diverses. La large disponibilité du code source de BioEmu sous licence MIT ouvre de nouvelles voies dans la recherche bioinformatique et la conception de médicaments.

Des recherches comme celle-ci sont cruciales pour comprendre la biologie et le fonctionnement des protéines qui passent d’une forme à l’autre. Cela reste un défi majeur pour la science, notamment dans les domaines de la biotechnologie et de la recherche médicale.