Des scientifiques développent un nouveau modèle d'IA pour le pliage des protéines
Des chercheurs ont dévoilé un système d'IA révolutionnaire qui prédit les structures protéiques avec une précision sans précédent. Le modèle, entraîné sur d'immenses ensembles de données, pourrait transformer la découverte de médicaments et la biotechnologie. Cette avancée s'appuie sur des travaux antérieurs en biologie computationnelle.
Dans une annonce récente, une équipe de scientifiques a introduit un modèle avancé d'intelligence artificielle conçu pour résoudre le défi de longue date du pliage des protéines. Le pliage des protéines désigne le processus par lequel les protéines, briques de base essentielles de la vie, adoptent leurs formes tridimensionnelles fonctionnelles à partir de chaînes linéaires d'acides aminés. Comprendre ce processus est crucial pour des domaines comme la médecine et l'ingénierie, car les protéines mal pliées sont impliquées dans des maladies telles que la maladie d'Alzheimer et de Parkinson.
Le nouveau modèle, nommé AlphaFold 3, a été développé par des chercheurs de DeepMind, une filiale d'Alphabet Inc. Il atteint plus de 90 % de précision dans la prédiction de structures pour une large gamme de protéines, y compris celles interagissant avec l'ADN, l'ARN et d'autres molécules. 'C'est un bond significatif en avant, nous permettant de modéliser des interactions biomoléculaires complexes qui étaient auparavant intraitables', a déclaré Demis Hassabis, PDG de DeepMind, dans un communiqué.
La chronologie du développement remonte à 2018, lorsque le premier AlphaFold de DeepMind a remporté la compétition Critical Assessment of Structure Prediction (CASP). Des itérations ultérieures ont amélioré la précision, avec AlphaFold 2 publié en 2020, rendant les prédictions accessibles à la communauté scientifique mondiale via une base de données publique. La dernière version étend les capacités aux ligands et aux modifications, comblant les lacunes des modèles précédents.
Le contexte de fond met en lumière l'importance de ce travail. Les méthodes expérimentales traditionnelles, comme la cristallographie aux rayons X, sont chronophages et coûteuses, prenant souvent des années. Les prédictions basées sur l'IA accélèrent la recherche ; par exemple, pendant la pandémie de COVID-19, AlphaFold a aidé à identifier des cibles potentielles de médicaments. Le modèle a été entraîné sur des données de la Protein Data Bank, qui contient plus de 200 000 structures déterminées expérimentalement.
Les implications sont vastes. Dans la découverte de médicaments, une modélisation protéique plus rapide pourrait raccourcir les délais de développement de 10-15 ans à seulement quelques mois, potentiellement menant à de nouveaux traitements pour les cancers et les maladies infectieuses. Cependant, des considérations éthiques émergent, y compris la confidentialité des données dans la recherche génomique et l'accès équitable à la technologie. DeepMind s'est engagé à ouvrir la source de parties du modèle pour favoriser la collaboration.
Bien que la communauté scientifique loue l'innovation, certains experts notent des limitations, telles que les défis avec les protéines intrinsèquement désordonnées. Dans l'ensemble, ce développement marque un moment pivotal en biologie computationnelle, promettant d'ouvrir de nouvelles frontières en santé et au-delà.