Comment l'apprentissage profond en conception computationnelle de protéines améliore le développement de médicaments

Dans une étude révolutionnaire publiée en mai 2023 dans la revue Nature Communications, des chercheurs de l'Institut de conception des protéines de l'Université de Washington et de l'Institut médical Howard Hughes ont démontré l'application réussie de méthodes d'apprentissage profond pour améliorer la conception computationnelle des protéines. En augmentant les modèles physiques basés sur l'énergie existants, les chercheurs ont obtenu une augmentation remarquable de dix fois des taux de réussite pour lier une protéine conçue à sa protéine cible. Cette avancée ouvre de nouvelles possibilités dans le développement de médicaments, en particulier dans la conception de traitements plus efficaces contre des maladies comme le cancer et la COVID-19.

Comprendre le défi de l'espace de recherche des protéines

Les protéines, en particulier celles liées aux maladies, jouent un rôle crucial dans la recherche médicale. Cependant, leur complexité énorme présente un défi significatif. Par exemple, une protéine typique étudiée en laboratoire est composée de 65 acides aminés, et avec 20 choix différents d'acides aminés à chaque position, il y a 65 à la puissance 20 combinaisons de liaison, dépassant le nombre estimé d'atomes dans l'univers. Cet immense espace de recherche rend les méthodes traditionnelles de conception de protéines computationnellement irréalisables.

Le rôle de l'apprentissage profond

L'apprentissage profond, un sous-ensemble de l'intelligence artificielle, utilise des algorithmes informatiques pour analyser les modèles dans les données et extraire des fonctionnalités de niveau supérieur à partir d'entrées brutes. Dans cette étude, les chercheurs ont utilisé l'apprentissage profond pour apprendre des transformations itératives des séquences et structures de protéines, convergeant vers des modèles très précis rapidement. En incorporant des méthodes d'apprentissage profond, l'équipe a évalué la qualité des interfaces où des liaisons hydrogène et des interactions hydrophobes se sont formées, plutôt que d'essayer d'énumérer toutes les énergies individuellement.

Le protocole de conception de liaisons protéiques De Novo augmenté par l'apprentissage profond

Les chercheurs ont développé un pipeline de conception de protéines augmenté par l'IA qui intégrait des outils d'apprentissage profond comme AlphaFold 2 et RoseTTA fold. Ils ont employé le puissant supercalculateur Frontera, financé par la National Science Foundation, pour paralléliser les trajectoires de conception de protéines, augmentant considérablement l'efficacité computationnelle. Le programme d'ancrage RifDock a généré des millions d'« ancrages » de protéines représentant les interactions entre des structures de protéines potentiellement liées. Ces ancrages ont ensuite été divisés en plus petits morceaux et attribués aux nœuds de calcul de Frontera pour le traitement.

Amélioration de l'efficacité computationnelle

L'équipe a également utilisé l'outil logiciel ProteinMPNN, développé par l'Institut de conception des protéines, qui a augmenté l'efficacité computationnelle de la génération de séquences de protéines à l'aide de réseaux neuronaux de plus de 200 fois par rapport aux méthodes précédentes.

Données et validation expérimentale

Les données de modélisation utilisées dans l'étude ont été dérivées de données de liaison par affichage sur levure collectées par l'Institut de conception des protéines. En combinant différentes souches d'ADN avec de la levure, les chercheurs ont exprimé diverses protéines conçues à la surface des cellules de levure, leur permettant de trier les cellules en fonction de leurs capacités de liaison. Le taux de réussite des structures conçues se liant à leur protéine cible a été vérifié expérimentalement et a montré une augmentation de dix fois.

Bien que les résultats de l'étude aient démontré des progrès significatifs, les chercheurs reconnaissent qu'il reste encore beaucoup de travail à accomplir. Ils visent à augmenter davantage le taux de réussite, en particulier lorsqu'il s'agit de cibles plus difficiles telles que les virus et les récepteurs des lymphocytes T du cancer. Pour y parvenir, ils prévoient d'optimiser leurs outils logiciels et d'explorer des stratégies d'échantillonnage accrues.

L'intégration réussie des méthodes d'apprentissage profond dans la conception computationnelle de protéines offre une voie prometteuse pour révolutionner le développement de médicaments. En tirant parti des technologies d'IA et de supercalculateurs puissants comme Frontera, les chercheurs ont débloqué de nouvelles possibilités pour comprendre les protéines et concevoir des médicaments plus efficaces contre des maladies comme le cancer et la COVID-19. À mesure que les avancées en IA se poursuivent, l'avenir promet encore plus de potentiel pour transformer le domaine de la médecine et sauver d'innombrables vies grâce à des traitements améliorés.