RoseTTAFold : une IA qui calcule la forme 3D des protéines

Pourquoi connaître la forme d'une protéine est-il si important ?

Les protéines sont les petites machines du corps humain : elles digèrent, défendent, transportent, transmettent des signaux. Chacune est une longue chaîne de briques (les acides aminés) qui se replie sur elle-même pour former une forme précise en trois dimensions. C'est cette forme qui permet à la protéine de remplir son rôle, et qui permet aussi de concevoir des médicaments capables de s'y accrocher.

Connaître cette forme demandait jusqu'ici des techniques expérimentales longues et coûteuses, comme la cristallographie aux rayons X ou la cryo-microscopie électronique. Pour beaucoup de protéines, la forme reste inconnue.

Déduire la forme finale d'une longue chaîne à partir de sa seule séquence est un défi majeur de la biologie depuis des décennies.

Comment RoseTTAFold a-t-il été construit ?

En 2020, lors de la 14e évaluation internationale CASP14, DeepMind a présenté des estimations de structures remarquablement précises. Les chercheurs de cette étude ont exploré des architectures de réseaux de neurones qui reprennent des idées proches.

Leur meilleure performance est venue d'un réseau à trois pistes. Une piste travaille sur la séquence (une dimension), une deuxième sur une carte des distances entre les briques (deux dimensions), une troisième sur les coordonnées dans l'espace (trois dimensions). L'information est transformée et échangée entre ces pistes, étape après étape.

Les trois pistes se parlent entre elles, et c'est l'idée clé : ce que le réseau apprend sur la séquence l'aide à affiner les distances, et ce qu'il apprend sur les distances l'aide à affiner les coordonnées en 3D.

Qu'est-ce que l'outil permet de faire ?

Le réseau produit des structures dont la précision approche celle de DeepMind lors de CASP14. Il permet de résoudre rapidement des problèmes difficiles de modélisation en cristallographie aux rayons X et en cryo-microscopie électronique, deux méthodes qui reconstruisent la forme d'une protéine à partir de mesures expérimentales.

Il apporte aussi des indices sur le rôle de protéines dont la structure n'était pas connue. Enfin, il génère rapidement des modèles de complexes, c'est-à-dire de protéines qui s'assemblent entre elles, à partir des seules séquences. Cela évite l'approche habituelle, qui modélise d'abord chaque protéine séparément puis cherche comment les emboîter.

Qu'est-ce que cela change pour la santé ?

Une forme de protéine connue plus vite aide les chercheurs à comprendre les mécanismes d'une maladie et à orienter la recherche de nouveaux médicaments. Les auteurs ont rendu leur méthode disponible pour accélérer la recherche en biologie.

Ce travail est un outil pour les laboratoires. Il ne soigne pas directement des patients et n'a pas été testé sur des malades.

Quelles sont les limites de ce travail ?

La précision de RoseTTAFold est proche de celle d'AlphaFold, pas supérieure. Une forme calculée reste un modèle : les chercheurs la confrontent à des expériences avant de s'y fier pour des décisions importantes.

L'étude rapporte surtout des performances sur des protéines et des cas choisis pour l'évaluation. Le chemin entre une structure modélisée et un médicament utilisable est long, et rien dans cette étude ne montre un bénéfice pour des patients.

Les auteurs ont mis leur méthode à la disposition de la communauté scientifique : d'autres équipes peuvent la tester et s'en servir, et aussi en vérifier les limites.