AlphaProteo : La percée de Google DeepMind dans la conception de protéines

Dans le domaine en constante évolution de la biologie moléculaire, l’une des tâches les plus difficiles a été de concevoir des protéines capables de se lier de manière efficace à des cibles spécifiques, telles que des protéines virales, des marqueurs de cancer ou des composants du système immunitaire. Ces liants protéiques sont des outils essentiels dans la découverte de médicaments, le traitement des maladies, les diagnostics et la biotechnologie. Les méthodes traditionnelles de création de ces liants protéiques sont fastidieuses, chronophages et nécessitent souvent de nombreuses rondes d’optimisation. Cependant, les progrès récents de l’intelligence artificielle (IA) accélèrent considérablement ce processus.

En septembre 2024, Neuralink a implanté avec succès son puces cérébrale dans le deuxième participant humain dans le cadre de ses essais cliniques, poussant les limites de ce que les interfaces cerveau-ordinateur peuvent accomplir. Cette implant permet aux individus de contrôler des appareils uniquement par la pensée.

En même temps, AlphaProteo de DeepMind est apparu comme un outil d’IA révolutionnaire qui conçoit de nouvelles protéines pour relever certains des plus grands défis de la biologie. Contrairement aux modèles précédents comme AlphaFold, qui prédisent les structures de protéines, AlphaProteo s’attaque à la tâche plus avancée de créer de nouveaux liants protéiques qui peuvent se fixer étroitement sur des cibles moléculaires spécifiques. Cette capacité pourrait accélérer considérablement la découverte de médicaments, les outils de diagnostic et même le développement de biosenseurs. Par exemple, lors d’essais préliminaires, AlphaProteo a conçu avec succès des liants pour la protéine de pointe SARS-CoV-2 et des protéines impliquées dans le cancer et l’inflammation, montrant des affinités de liaison 3 à 300 fois plus fortes que les méthodes existantes.

Ce qui rend cette intersection entre la biologie et l’IA encore plus fascinante est la manière dont ces progrès dans les interfaces neuronales et la conception de protéines reflètent un déplacement plus large vers l’intégration bio-numérique.

En 2024, les progrès de l’intégration de l’IA et de la biologie ont atteint des niveaux sans précédent, stimulant l’innovation dans des domaines tels que la découverte de médicaments, la médecine personnalisée et la biologie synthétique. Voici un examen détaillé de certaines des avancées clés qui façonnent le paysage cette année :

1. AlphaFold3 et RoseTTAFold Diffusion : Conception de protéines de nouvelle génération

La sortie en 2024 d’AlphaFold3 par Google DeepMind a porté la prédiction de la structure des protéines à un nouveau niveau en incorporant des complexes biomoléculaires et en élargissant ses prédictions pour inclure de petites molécules et des ligands. AlphaFold3 utilise un modèle d’IA basé sur la diffusion pour affiner les structures de protéines, de la même manière que les images générées par l’IA sont créées à partir d’esquisses grossières. Ce modèle est particulièrement précis dans la prédiction de la manière dont les protéines interagissent avec les ligands, avec un taux d’exactitude impressionnant de 76 % dans les tests expérimentaux, bien en avance sur ses concurrents.

En parallèle, RoseTTAFold Diffusion a également introduit de nouvelles capacités, notamment la capacité de concevoir des protéines de novo qui n’existent pas dans la nature. Même si ces deux systèmes sont encore en cours d’amélioration en termes de précision et d’application, leurs progrès sont susceptibles de jouer un rôle crucial dans la découverte de médicaments et la recherche biopharmaceutique, potentiellement réduisant le temps nécessaire pour concevoir de nouveaux médicaments.

2. Biologie synthétique et édition de gènes

Un autre domaine majeur de progrès en 2024 a été la biologie synthétique, en particulier dans le domaine de l’édition de gènes. CRISPR-Cas9 et d’autres outils de génie génétique ont été affinés pour une réparation de l’ADN plus précise et une édition de gènes. Des entreprises comme Graphite Bio (GRPH ) utilisent ces outils pour réparer des mutations génétiques à un niveau de précision sans précédent, ouvrant la voie à des traitements potentiellement curatifs pour les maladies génétiques. Cette méthode, connue sous le nom de réparation dirigée par homologie, tire parti des mécanismes naturels de réparation de l’ADN du corps pour corriger les gènes défectueux.

En outre, les innovations dans les évaluations prédictives des cibles hors cible, telles que celles développées par SeQure Dx, améliorent la sécurité de l’édition de gènes en identifiant les éditions non intentionnelles et en atténuant les risques. Ces progrès sont particulièrement importants pour garantir que les thérapies géniques soient sûres et efficaces avant d’être appliquées aux patients humains.

3. Séquençage à cellule unique et métagénomique

Les technologies telles que le séquençage à cellule unique ont atteint de nouveaux sommets en 2024, offrant une résolution sans précédent au niveau cellulaire. Cela permet aux chercheurs d’étudier la hétérogénéité cellulaire, qui est particulièrement précieuse dans la recherche sur le cancer. En analysant les cellules individuelles au sein d’une tumeur, les chercheurs peuvent identifier les cellules résistantes au traitement, guidant ainsi des stratégies thérapeutiques plus efficaces.

Pendant ce temps, la métagénomique fournit des informations approfondies sur les communautés microbiennes, à la fois dans le contexte de la santé humaine et de l’environnement. Cette technique aide à analyser le microbiome pour comprendre comment les populations microbiennes contribuent aux maladies, offrant de nouvelles voies pour les traitements ciblant directement le microbiome.

Un changement de jeu dans la conception de protéines

Les protéines sont fondamentales pour pratiquement tous les processus dans les organismes vivants. Ces machines moléculaires effectuent une grande variété de fonctions, allant de la catalyse des réactions métaboliques à la réplication de l’ADN. Ce qui rend les protéines si polyvalentes est leur capacité à se plier en formes tridimensionnelles complexes, leur permettant d’interagir avec d’autres molécules. Les liants protéiques, qui se fixent étroitement sur des molécules cibles spécifiques, sont essentiels pour moduler ces interactions et sont fréquemment utilisés dans le développement de médicaments, les immunothérapies et les outils de diagnostic.

Le processus conventionnel de conception de liants protéiques est lent et repose fortement sur les essais et les erreurs. Les scientifiques doivent souvent passer au crible de grandes bibliothèques de séquences de protéines, testant chaque candidat en laboratoire pour voir lesquels fonctionnent le mieux. AlphaProteo change ce paradigme en exploitant le pouvoir de l’apprentissage profond pour prédire quelles séquences de protéines se lieront efficacement à une molécule cible, réduisant ainsi considérablement le temps et les coûts associés aux méthodes traditionnelles.

Comment fonctionne AlphaProteo

AlphaProteo est basé sur les mêmes principes d’apprentissage profond qui ont rendu son prédécesseur, AlphaFold, un outil révolutionnaire pour la prédiction de la structure des protéines. Cependant, tandis qu’AlphaFold se concentre sur la prédiction de la structure de protéines existantes, AlphaProteo va plus loin en concevant entièrement de nouvelles protéines.

Comment fonctionne AlphaProteo : Une plongée en profondeur dans la conception de protéines basée sur l’IA

AlphaProteo représente un bond en avant dans la conception de protéines basée sur l’IA, en s’appuyant sur les techniques d’apprentissage profond qui ont propulsé son prédécesseur, AlphaFold.

Alors qu’AlphaFold a révolutionné le domaine en prédisant les structures de protéines avec une précision sans précédent, AlphaProteo va plus loin en créant entièrement de nouvelles protéines conçues pour résoudre des défis biologiques spécifiques.

L’architecture sous-jacente d’AlphaProteo est une combinaison sophistiquée d’un modèle génératif formé sur de grands ensembles de données de structures de protéines, y compris celles de la Protein Data Bank (PDB), et des millions de structures prédites générées par AlphaFold. Cela permet à AlphaProteo non seulement de prédire comment les protéines se plient mais également de concevoir de nouvelles protéines qui peuvent interagir avec des cibles moléculaires spécifiques à un niveau moléculaire détaillé.

Ce diagramme présente le flux de travail d’AlphaProteo, où les liants protéiques sont conçus, filtrés et validés expérimentalement

• Générateur : Le modèle d’IA basé sur l’apprentissage automatique d’AlphaProteo génère de nombreux liants protéiques potentiels, en exploitant de grands ensembles de données tels que ceux de la Protein Data Bank (PDB) et les prédictions d’AlphaFold.
• Filtre : Un composant critique qui évalue ces liants générés en fonction de leur probabilité de liaison réussie à la protéine cible, réduisant ainsi efficacement le nombre de conceptions qui doivent être testées en laboratoire.
• Expérimentation : Cette étape consiste à tester les conceptions filtrées en laboratoire pour confirmer lesquels des liants interagissent efficacement avec la protéine cible.

AlphaProteo conçoit des liants qui ciblent spécifiquement des résidus chauds (en jaune) à la surface d’une protéine. La section bleue représente le liant conçu, qui est modélisé pour interagir précisément avec les points chauds mis en évidence sur la protéine cible.

Pour la partie C de l’image ; elle montre les modèles 3D des protéines cibles utilisées dans les expériences d’AlphaProteo. Ceux-ci incluent des protéines d’importance thérapeutique impliquées dans divers processus biologiques tels que la réponse immunitaire, les infections virales et la progression du cancer.

Capacités avancées d’AlphaProteo

1. Affinité de liaison élevée : AlphaProteo excelle dans la conception de liants protéiques avec une affinité élevée pour leurs cibles, surpassant les méthodes traditionnelles qui nécessitent souvent de multiples rondes d’optimisation en laboratoire. Il génère des liants protéiques qui se fixent étroitement à leurs cibles prévues, améliorant ainsi considérablement leur efficacité dans des applications telles que le développement de médicaments et les diagnostics. Par exemple, ses liants pour VEGF-A, une protéine associée au cancer, ont montré des affinités de liaison allant jusqu’à 300 fois plus fortes que les méthodes existantes.
2. Ciblage de protéines diverses : AlphaProteo peut concevoir des liants pour une large gamme de protéines impliquées dans des processus biologiques critiques, y compris celles liées aux infections virales, au cancer, à l’inflammation et aux maladies auto-immunes. Il a été particulièrement réussi dans la conception de liants pour des cibles telles que la protéine de pointe SARS-CoV-2, essentielle pour l’infection à COVID-19, et la protéine VEGF-A liée au cancer, cruciale dans les thérapies contre la rétinopathie diabétique.
3. Taux de réussite expérimental : L’une des fonctionnalités les plus impressionnantes d’AlphaProteo est son taux de réussite expérimental élevé. Dans les tests de laboratoire, les liants conçus par le système ont démontré un succès élevé dans la liaison à la protéine cible, réduisant ainsi le nombre de rondes expérimentales typiquement requises. Dans les tests sur la protéine virale BHRF1, les conceptions d’AlphaProteo ont présenté un taux de réussite de 88 %, une amélioration significative par rapport aux méthodes précédentes.
4. Conception sans optimisation : Contrairement aux approches traditionnelles, qui nécessitent souvent plusieurs rondes d’optimisation pour améliorer l’affinité de liaison, AlphaProteo est capable de générer des liants avec des propriétés de liaison fortes dès le départ. Pour certaines cibles difficiles, telles que la protéine TrkA associée au cancer, AlphaProteo a produit des liants qui ont surpassé ceux développés grâce à une optimisation expérimentale extensive.

Taux de réussite expérimental (Graphique de gauche) – Meilleure affinité de liaison (Graphique de droite)

• AlphaProteo a surpassé les méthodes traditionnelles pour la plupart des cibles, en atteignant notamment un taux de réussite de 88 % avec BHRF1, par rapport à moins de 40 % avec les méthodes précédentes.
• Le succès d’AlphaProteo avec les cibles VEGF-A et IL-7RA a été nettement plus élevé, démontrant sa capacité à relever des défis difficiles dans le traitement du cancer.
• AlphaProteo génère également de manière cohérente des liants avec des affinités de liaison beaucoup plus élevées, en particulier pour des protéines difficiles comme VEGF-A, ce qui en fait un outil précieux dans le développement de médicaments et le traitement des maladies.

Comment AlphaProteo améliore les applications en biologie et en santé

L’approche novatrice d’AlphaProteo pour la conception de protéines ouvre un large éventail d’applications, en faisant un outil puissant dans plusieurs domaines de la biologie et de la santé.

1. Développement de médicaments

La découverte de médicaments modernes repose souvent sur de petites molécules ou des biologiques qui se lient à des protéines liées aux maladies. Cependant, développer ces molécules est souvent long et coûteux. AlphaProteo accélère ce processus en générant des liants protéiques à haute affinité qui peuvent servir de base pour de nouveaux médicaments. Par exemple, AlphaProteo a été utilisé pour concevoir des liants pour PD-L1, une protéine impliquée dans la régulation du système immunitaire, qui joue un rôle clé dans les immunothérapies contre le cancer. En inhibant PD-L1, les liants d’AlphaProteo pourraient aider le système immunitaire à mieux identifier et éliminer les cellules cancéreuses.

2. Outils de diagnostic

Dans les diagnostics, les liants protéiques conçus par AlphaProteo peuvent être utilisés pour créer des biosenseurs très sensibles capables de détecter des protéines spécifiques à une maladie. Cela peut permettre des diagnostics plus précis et plus rapides pour des maladies telles que les infections virales, le cancer et les maladies auto-immunes. Par exemple, la capacité d’AlphaProteo à concevoir des liants pour SARS-CoV-2 pourrait conduire à des outils de diagnostic plus rapides et plus précis pour la COVID-19.

3. Immunothérapie

La capacité d’AlphaProteo à concevoir des liants protéiques très spécifiques est particulièrement précieuse dans le domaine de l’immunothérapie. Les immunothérapies exploitent le système immunitaire pour lutter contre les maladies, y compris le cancer. L’un des défis dans ce domaine est de développer des protéines qui peuvent se lier et moduler les réponses immunitaires de manière efficace. Avec la précision d’AlphaProteo dans la cible de protéines spécifiques sur les cellules immunitaires, il pourrait améliorer le développement de nouvelles immunothérapies plus efficaces.

4. Biotechnologie et biosenseurs

Les liants protéiques conçus par AlphaProteo sont également précieux en biotechnologie, en particulier dans la création de biosenseurs – des appareils utilisés pour détecter des molécules spécifiques dans divers environnements. Les biosenseurs ont des applications allant de la surveillance environnementale à la sécurité alimentaire. Les liants d’AlphaProteo pourraient améliorer la sensibilité et la spécificité de ces appareils, les rendant plus fiables pour détecter des substances nocives.

Limitations et directions futures

Comme pour toute nouvelle technologie, AlphaProteo n’est pas sans limites. Par exemple, le système a eu du mal à concevoir des liants efficaces pour la protéine TNFα, une cible difficile associée à des maladies auto-immunes comme la polyarthrite rhumatoïde. Cela met en évidence que, même si AlphaProteo est très efficace pour de nombreuses cibles, il a encore besoin d’améliorations.

DeepMind travaille activement à étendre les capacités d’AlphaProteo, en particulier pour relever les défis posés par des cibles difficiles comme TNFα. L’équipe explore également de nouvelles applications pour la technologie, notamment l’utilisation d’AlphaProteo pour concevoir des protéines pour l’amélioration des cultures et la durabilité environnementale.

Conclusion

En réduisant considérablement le temps et les coûts associés aux méthodes traditionnelles de conception de protéines, AlphaProteo accélère l’innovation en biologie et en médecine. Son succès dans la création de liants protéiques pour des cibles difficiles comme la protéine de pointe SARS-CoV-2 et VEGF-A démontre son potentiel pour relever certains des défis de santé les plus pressants de notre époque.

À mesure qu’AlphaProteo continue d’évoluer, son impact sur la science et la société ne fera que grandir, offrant de nouveaux outils pour comprendre la vie au niveau moléculaire et débloquer de nouvelles possibilités pour traiter les maladies.