Percée dans la simulation des protéines : des chercheurs berlinois révolutionnent la méthode !

Percée dans la simulation des protéines : des chercheurs berlinois révolutionnent la méthode !

Le 18 juillet 2025, une équipe de recherche internationale dirigée par le professeur Cecilia Clementi du Université libre de Berlin un article révolutionnaire dans le magazineChimie naturelle, qui fait sensation dans le monde scientifique. L'article présente un nouveau modèle qui permet une simulation précise et efficace des protéines, nettement plus rapide que les simulations conventionnelles de dynamique moléculaire.

Le défi consistant à représenter de manière réaliste le repliement et la dynamique des protéines existe depuis plus de 50 ans. Les chercheurs ont utilisé l’apprentissage profond pour développer un système qui se rapproche des simulations de protéines de tous les atomes. Le modèle nouvellement développé, CGSchNet, utilise un réseau neuronal graphique pour apprendre les interactions efficaces entre les particules. Ces approches innovantes ouvrent des applications prometteuses dans le développement de médicaments et de thérapies par anticorps contre le cancer et d’autres maladies.

Avancées dans la simulation des protéines

Le modèle se concentre sur le processus de repliement dynamique des protéines, y compris les états intermédiaires qui jouent un rôle dans les mauvais repliements tels que les amyloïdes. Il simule les transitions entre les états repliés qui sont cruciaux pour le fonctionnement des protéines. Une avancée significative de ce modèle est la capacité de prédire avec précision les états à longue durée de vie des protéines repliées, dépliées et désordonnées.

L’une des caractéristiques les plus remarquables du modèle CGSchNet est la capacité de prédire la stabilité relative des mutants protéiques repliés, ce que les méthodes précédentes n’ont pas pu réaliser. Le professeur Cecilia Clementi, qui était auparavant professeur de chimie et de physique à l'université Rice de Houston, au Texas, renforce la recherche en biophysique théorique et computationnelle à l'université libre de Berlin. Leurs travaux sont soutenus par les chaires Einstein, qui soutiennent les universités berlinoises et la Charité dans les négociations de nomination ou de résidence.

Données et modèles en détail

L’étude a utilisé des ensembles de données complets. L'ensemble de données de référence contient 1 262 cibles et couvre un large éventail de structures protéiques, dont 717 protéines à domaine unique, 257 cibles nouvellement publiées et 288 cibles de CASP 8-14. Ces ensembles de données ont été préparés pour supprimer les redondances et ajuster l'identité de la séquence à un seuil <30 %.

L’ensemble de données Human Protome comprend 20 595 protéines et permet une analyse différenciée des protéines à domaine unique et multidomaine. Parmi celles-ci, 19 512 protéines ont été prédites, ce qui pourrait revêtir une grande importance pour la prédiction de la structure. De plus, le pipeline D-I-TASSER, qui utilise une approche hybride pour prédire la structure des protéons, a été intégré à la recherche.

Ce pipeline effectue toutes les étapes, depuis la génération approfondie de MSA jusqu'à l'identification du modèle de thread, en passant par le raffinement structurel et l'évaluation du modèle. L’utilisation d’algorithmes et de technologies de pointe telles que DeepPotential et AttentionPotential illustre le caractère innovant du travail.

Les résultats de l'étude sont transférables à une variété de protéines en dehors de l'ensemble de données de formation spécifique, ce qui souligne la pertinence du modèle pour la recherche biochimique. L'application des méthodes développées dans l'étude pourrait avoir des implications considérables pour l'avenir de la recherche sur les protéines et du développement de médicaments. De plus amples informations sont disponibles dans la publication détaillée Nature à trouver.