Les protéines ne sont pas des sculptures rigides. Ils ont lieu, flexibles et parfois ils révèlent – des mouvements essentiels pour comprendre leur fonction. Certaines protéines, telles que les enzymes, s’ouvrent comme une coquille pour saisir les molécules. D’autres tels que la déclaration des protéines déplacent la forme pour contrôler les processus cellulaires. D’autres encore révèlent brièvement des lacunes cachées dans lesquelles les médicaments peuvent se lier. Les outils d’intelligence artificielle (IA) en tant qu’Alphafold ont fait la routine de prévision de la structure, mais ne produisent généralement qu’une forme stable, une seule image de ce qui est vraiment une image en mouvement.
Un nouveau système d’apprentissage en profondeur appelé Bioemu, développé par Microsoft et a reçu des chercheurs universitaires aux États-Unis et Freie Universität en Allemagne, fournit toute la gamme de formes qu’une protéine explore naturellement dans des conditions biologiques. Connu sous le nom d’ensemble d’équilibre, il permet la modélisation de la flexibilité des protéines haute résolution à une échelle, contrairement aux approches plus lentes et plus classiques. Décrit dans ScienceLe Bioemu est plus rapide et bon marché, permettant des prédictions à grande échelle de la fonction des protéines.
Pour comprendre la signification de Bioemu, il aide à voir ce qui est comparé. L’étalon-or pour la modélisation de la flexibilité des protéines est la dynamique moléculaire (MD), qui maintient la trace des mouvements atomiques à des millionnaires de deuxième milliard de seconde à l’aide d’outils tels que Gromacs ou Anton.
Malgré sa résolution et sa précision ultrafine, MD est lent et coûteux. La simulation des mouvements sur des microsecondes ou des millisecondes peut demander des dizaines de milliers d’heures de GPU, également sur le supercalculateur.
Bioemu élimine ce goulot d’étranglement en s’appuyant sur un modèle de diffusion AI. Pour former Bioemu, les chercheurs ont d’abord nourri les véritables structures protéiques, à partir de millions d’assemblages prévus par Alphafold, 200 millisecondes de simulations MD qui embrassent des milliers de protéines et un demi-million de séquences mutantes à partir de mesures de stabilité expérimentale. C’est comme faire tomber un cube de sucre dans un verre d’eau: la structure d’origine, claire et définie, est progressivement dissoute. La tâche réelle de Bioemu est d’apprendre à effectuer ce processus au contraire: du bruit à un cube de sucre. Une fois formé, il peut générer des milliers de conformations de protéines plausibles à partir de zéro.
Bioemu a excellé dans la référence. Il a capturé de grands changements dans la forme dans les enzymes, le développement local qui a excité ou désactivé les protéines et les poches cryptiques éphémères, des fissures temporaires qui peuvent agir comme des sites d’amarrage médicamenteux, comme dans les Ras liés aux protéines. 83% des grands changements et 70 à 81% des petites variations ont été impliqués avec précision, y compris les formes ouvertes et fermées d’une enzyme vitale appelée adénilato chinasi. Il a également réussi à prédire des protéines qui n’ont pas de structure 3D fixe et comment les mutations influencent la stabilité des protéines.
Rapide mais pas complètement détaillé
Alors que MD simule la façon dont les protéines se déplacent avec le temps, y compris les interactions avec l’eau et les médicaments, Bioemu génère rapidement des formes instantanées instantanées qu’une protéine est susceptible d’adopter. Il peut produire des milliers de ces structures en quelques heures ou des heures sur un seul GPU. Mais cela ne peut pas montrer comment un processus a lieu.
« Si un chercheur veut comprendre comment un médicament atteint un site d’obligations caché, MD peut révéler le chemin étape par étape », explique Kalairasan Ponnuswamy, bioinformatique et professeur assistant au SRM Science and Technology Institute. « Bioemu montre les formes finales, pas comment la protéine arrive. »
MD gère également les décalages de température, les membranes et autres conditions que les prévisions de bioému statiques ne peuvent pas encore modéliser.
Le Bioemu ne peut pas également modéliser les parois cellulaires, les molécules de médicament, les changements de pH ou la fiabilité des prévisions telles que Alphafold. Il est également limité aux chaînes individuelles et ne peut pas modéliser comment les protéines interagissent, une partie fondamentale de la plupart des processus biologiques et des objectifs du médicament.
« Il est mieux considéré comme un outil qui génère des hypothèses selon lesquelles une source de conclusions finales », explique Ponnuswamy.
À mesure que le système grandit pour gérer des protéines plus complexes et des interactions chimiques, les chercheurs peuvent encore avoir besoin de plus d’expériences ou de méthodes de simulation pour valider ce qu’elle propose.
Cependant, la progression conceptuelle est claire. Si Alphafold a fourni le projet du monde des protéines, Bioemu tire sa chorégraphie. En capturant rapidement la flexibilité entre des milliers de protéines, il vous permet de découvrir à grande échelle et d’études sur les fonctions avec moins de contraintes de ressources, observe Ponnuswamy: « Les tâches qui ont pris des semaines prendront des heures ».
Cependant, il souligne la nécessité d’une formation et d’une acquisition adéquates de compétences.
« Les futurs scientifiques auront non seulement besoin d’une base profonde en physique et en chimie, mais auront également la fluidité de l’apprentissage automatique et de la modélisation physique pour débloquer le véritable potentiel de ces approches hybrides. »
Les chercheurs voient Bioemu et MD comme des outils complémentaires. Le Bioemu peut générer rapidement une gamme de conformations plausibles, que MD peut donc explorer en détail. Cette approche hybride pourrait réduire considérablement les temps de simulation en préservant la loyauté.
Anirban Mukhopadhyay est un généticien pour la formation et le communicateur scientifique de Delhi.
Publié – 20 juillet 2025 05:30 est