Les systèmes d’IA découvrent des plans pour les protéines artificielles

Une équipe de chercheurs de la Pritzker School of Molecular Engineering (PME) de l’Université de Chicago a récemment réussi à créer un système d’IA capable de créer de nouvelles protéines artificielles en analysant des magasins de données massives.

Les protéines sont des macromolécules essentielles à la construction des tissus des êtres vivants et sont cruciales pour la vie des cellules en général. Les protéines sont utilisées par les cellules comme catalyseurs chimiques pour faire se produire diverses réactions chimiques et pour effectuer des tâches complexes. Si les scientifiques peuvent découvrir comment ingénier des protéines artificielles de manière fiable, cela pourrait ouvrir la porte à de nouvelles méthodes de capture du carbone, de nouvelles méthodes de production d’énergie et de nouveaux traitements de maladies. Les protéines artificielles ont le pouvoir de modifier dramatiquement le monde dans lequel nous vivons. Comme le rapporte EurekaAlert, une récente avancée des chercheurs de la PME de l’Université de Chicago a rapproché les scientifiques de ces objectifs. Les chercheurs de la PME ont utilisé des algorithmes d’apprentissage automatique pour développer un système capable de générer de nouvelles formes de protéines.

L’équipe de recherche a créé des modèles d’apprentissage automatique formés sur des données issues de diverses bases de données génomiques. Au fur et à mesure que les modèles apprenaient, ils ont commencé à distinguer des modèles sous-jacents communs, des règles de conception simples, qui permettent la création de protéines artificielles. Lorsqu’ils ont synthétisé les protéines correspondantes en laboratoire, les chercheurs ont constaté que les protéines artificielles créaient des réactions chimiques qui étaient approximativement aussi efficaces que celles provoquées par des protéines naturelles.

Selon Joseph Regenstein, professeur à la PME de l’Université de Chicago, Rama Ranganathan, l’équipe de recherche a constaté que les données génomiques contiennent une énorme quantité d’informations sur les fonctions et les structures de base des protéines. En utilisant l’apprentissage automatique pour reconnaître ces structures communes, les chercheurs ont pu « mettre en bouteille les règles de la nature pour créer des protéines nous-mêmes ».

Les chercheurs se sont concentrés sur les enzymes métaboliques pour cette étude, en particulier sur une famille de protéines appelée chorismate mutase. Cette famille de protéines est nécessaire à la vie dans une grande variété de plantes, de champignons et de bactéries.

Ranganathan et ses collaborateurs ont réalisé que les bases de données génomiques contenaient des informations qui attendaient d’être découvertes par les scientifiques, mais que les méthodes traditionnelles de détermination des règles relatives à la structure et à la fonction des protéines n’avaient eu que des succès limités. L’équipe a cherché à concevoir des modèles d’apprentissage automatique capables de révéler ces règles de conception. Les résultats du modèle impliquent que de nouvelles séquences artificielles peuvent être créées en conservant les positions et les corrélations des acides aminés dans l’évolution des paires d’acides aminés.

L’équipe de chercheurs a créé des gènes synthétiques qui codent des séquences d’acides aminés produisant ces protéines. Ils ont cloné des bactéries avec ces gènes synthétiques et ont constaté que les bactéries utilisaient les protéines synthétiques dans leur machinerie cellulaire, fonctionnant presque exactement comme des protéines normales.

Selon Ranganathan, les règles simples que leur IA a distinguées peuvent être utilisées pour créer des protéines artificielles d’une complexité et d’une variété incroyables. Comme Ranganathan l’a expliqué à EurekaAlert:

« Les contraintes sont beaucoup plus petites que nous ne l’avions imaginé. Il y a une simplicité dans les règles de conception de la nature, et nous croyons que des approches similaires pourraient nous aider à rechercher des modèles de conception dans d’autres systèmes complexes de la biologie, comme les écosystèmes ou le cerveau. »

Ranganathan et ses collaborateurs veulent prendre leurs modèles et les généraliser, créer une plate-forme que les scientifiques peuvent utiliser pour mieux comprendre comment les protéines sont construites et quels effets elles ont. Ils espèrent utiliser leurs systèmes d’IA pour permettre à d’autres scientifiques de découvrir des protéines qui peuvent résoudre des problèmes importants comme le changement climatique. Ranganathan et le professeur associé Andrew Ferguson ont créé une entreprise appelée Evozyne, qui vise à commercialiser la technologie et à promouvoir son utilisation dans des domaines tels que l’agriculture, l’énergie et l’environnement.

Comprendre les similitudes entre les protéines, et les relations entre la structure et la fonction, pourrait également aider à la création de nouveaux médicaments et formes de thérapie. Bien que le pliage des protéines ait longtemps été considéré comme un problème extrêmement difficile pour les ordinateurs, les connaissances issues de modèles comme celui produit par l’équipe de Ranganathan pourraient aider à accélérer la vitesse à laquelle ces calculs sont effectués, facilitant ainsi la création de nouveaux médicaments basés sur ces protéines. Des médicaments pourraient être développés pour bloquer la création de protéines dans les virus, ce qui pourrait potentiellement aider au traitement de nouveaux virus comme le coronavirus Covid-19.

Ranganathan et le reste de l’équipe de recherche doivent encore comprendre comment et pourquoi leurs modèles fonctionnent et comment ils produisent des plans de protéines fiables. L’objectif suivant de l’équipe de recherche est de mieux comprendre quels attributs les modèles prennent en compte pour arriver à leurs conclusions.