Il y a près de cinq ans, DeepMind, l’un des laboratoires de recherche en IA les plus prolifiques de Google, a présenté AlphaFold, un système d’IA capable de prédire avec précision la structure de nombreuses protéines présentes dans le corps humain. Depuis lors, DeepMind a amélioré le système, publiant une version mise à jour et plus performante d’AlphaFold – AlphaFold 2 – en 2020.
Et le travail du laboratoire se poursuit.
Aujourd’hui, DeepMind a révélé que la nouvelle version d’AlphaFold, le successeur d’AlphaFold 2, peut générer des prédictions pour presque toutes les molécules de la Protein Data Bank, la plus grande base de données de molécules biologiques en libre accès au monde.
Isomorphic Labs, une spin-off de DeepMind axée sur la découverte de médicaments, applique déjà le nouveau modèle AlphaFold – qu’elle a co-conçu – à la conception de médicaments thérapeutiques, selon un article publié sur le blog de DeepMind, en aidant à caractériser différents types de structures moléculaires importantes pour le traitement des maladies.
Nouvelles capacités
Les capacités du nouvel AlphaFold vont au-delà de la prédiction des protéines.
DeepMind affirme que le modèle peut également prédire avec précision les structures des ligands – des molécules qui se lient aux protéines « réceptrices » et entraînent des changements dans la façon dont les cellules communiquent – ainsi que des acides nucléiques (molécules qui contiennent des informations génétiques clés) et des modifications post-traductionnelles (changements chimiques qui se produisent après la création d’une protéine).
Crédits d’image : DeepMind
La prédiction des structures protéine-ligand peut être un outil utile pour la découverte de médicaments, note DeepMind, car elle peut aider les scientifiques à identifier et à concevoir de nouvelles molécules qui pourraient devenir des médicaments.
Actuellement, les chercheurs pharmaceutiques utilisent des simulations informatiques connues sous le nom de « méthodes d’ancrage » pour déterminer comment les protéines et les ligands interagissent. Les méthodes d’ancrage nécessitent la spécification d’une structure protéique de référence et d’une position suggérée sur cette structure pour que le ligand s’y fixe.
Avec la dernière version d’AlphaFold, il n’est toutefois pas nécessaire d’utiliser une structure protéique de référence ou une position suggérée. Le modèle peut prédire des protéines qui n’ont pas été « caractérisées structurellement » auparavant, tout en simulant la façon dont les protéines et les acides nucléiques interagissent avec d’autres molécules – un niveau de modélisation qui, selon DeepMind, n’est pas possible avec les méthodes d’ancrage actuelles.
« Les premières analyses montrent également que notre modèle surpasse largement (la génération précédente d’) AlphaFold sur certains problèmes de prédiction de la structure des protéines qui sont pertinents pour la découverte de médicaments, comme la liaison des anticorps », écrit DeepMind dans son billet. « Le bond spectaculaire des performances de notre modèle montre le potentiel de l’IA à améliorer considérablement la compréhension scientifique des machines moléculaires qui composent le corps humain. »
Le nouveau modèle AlphaFold n’est cependant pas parfait.
Dans un livre blanc détaillant les forces et les limites du système, les chercheurs de DeepMind et d’Isomorphic Labs révèlent que le système n’est pas à la hauteur de la meilleure méthode de sa catégorie pour prédire les structures des molécules d’ARN – les molécules du corps qui portent les instructions pour la fabrication des protéines.
Il ne fait aucun doute que DeepMind et Isomorphic Labs s’efforcent de remédier à ce problème.