Protéines par prompt : une IA conçoit du vivant, 1 candidat sur 29 fluoresce

Décrire une protéine comme on écrit un message à ChatGPT : c’est la promesse d’un outil appelé Pinal, développé par une grande collaboration de chercheurs basés en Chine. Selon Ars Technica, l’équivalent du « vibe coding » est peut-être arrivé en conception de protéines. À condition de disposer d’un laboratoire pour trier les bonnes propositions des dizaines d’échecs.

Ce que les outils actuels exigent de leurs utilisateurs

Les meilleurs outils de conception de protéines fonctionnent en deux temps, rappelle Ars Technica. D’abord, l’utilisateur fixe des contraintes : se lier à une autre molécule, ou adopter un arrangement précis d’acides aminés. Une première IA génère alors une forme de protéine qui répond à ces contraintes. Un second outil remplit cette forme avec une séquence d’acides aminés qui garantit le bon repliement.

Le problème, c’est le niveau d’expertise requis. Pour concevoir un catalyseur, il faut savoir quels acides aminés sont critiques pour la réaction chimique, et où les placer dans l’espace en trois dimensions. Il faut parfois connaître le mécanisme de l’enzyme jusqu’à la position d’acides aminés précis, et même des molécules d’eau présentes là où se déroule la catalyse.

Pourtant, deux experts qui discutent n’ont pas besoin d’autant de détails. Si l’un dit « sérine protéase », l’autre comprend une bonne partie du mécanisme sous-entendu. Les outils actuels, écrit Ars Technica, excellent à travailler les arrangements 3D d’acides aminés, mais comprennent mal les fonctions que ces arrangements permettent.

Pinal : on dit ce qu’on veut, l’outil propose une séquence

L’idée de l’équipe de Pinal : exploiter les bases de données qui contiennent des millions de séquences de protéines, annotées avec leurs fonctions. Avec un entraînement adapté, il devrait être possible d’utiliser le même vocabulaire que ces annotations pour obtenir une séquence qui remplit la fonction demandée.

Pinal suit lui aussi deux étapes, mais le point de départ change. L’utilisateur n’a plus à spécifier des acides aminés : il décrit ce qu’il veut.

• T2struct est le module « texte vers structure ». Il traduit la demande en langage naturel en plan structurel. Il ne produit pas une forme 3D, mais une suite de jetons (tokens) qui décrivent la relation spatiale entre chaque acide aminé et ses voisins immédiats, chacune assortie d’une probabilité.
• SAProt-T reçoit le texte d’origine et la sortie de T2struct, puis construit la séquence d’acides aminés finale. Il réévalue l’ensemble des probabilités. Selon les auteurs, cela évite de « passer à côté d’une structure légèrement moins probable » capable d’accueillir une séquence fonctionnelle bien meilleure.

Pour entraîner le système, les chercheurs ont misé sur le volume. Pour chaque ensemble d’étiquettes décrivant la fonction d’une protéine, ils ont demandé à un grand modèle de langage (LLM) une description en langage courant, puis ont utilisé étiquettes et descriptions ensemble. Ils ont puisé dans trois bases de données de séquences, associées à des structures prédites par AlphaFold. Une seule de ces bases contenait 800 millions de paires mot-clé–protéine.

AlphaFold n’est pas fiable à 100 %, souligne Ars Technica. Pour une protéine peu connue, cela pourrait poser problème. Pour les protéines courantes, les données structurelles existent et permettent vraisemblablement des prédictions mieux informées.

Le test : 50 000 propositions, 29 candidats, une protéine qui brille

Les chercheurs ont demandé à Pinal de concevoir quatre protéines très différentes : une protéine fluorescente, deux enzymes et une protéine qui participe à un grand complexe de plusieurs protéines. Ars Technica détaille le cas de la fluorescence.

La référence est la GFP, la protéine fluorescente verte, qui a valu un prix Nobel à son découvreur. Pinal a reçu la consigne de produire 50 000 protéines capables de fluorescer comme la GFP. La liste a ensuite été filtrée selon plusieurs critères :

• rejet de toute séquence ressemblant à une protéine fluorescente déjà connue ;
• sélection de deux traits clés de la GFP : une structure en forme de tonneau et la présence d’un acide aminé qui peut être modifié chimiquement pour permettre la fluorescence.

L’objectif : une protéine un peu comme la GFP dans sa forme générale, mais très différente dans sa séquence. Il restait 29 candidats prioritaires, tous fabriqués dans E. coli, une bactérie courante en laboratoire. Un seul a fluoresce.

Les autres exemples ont suivi la même logique : une très longue liste, un tri informatique, puis quelques dizaines de designs testés, dont seuls quelques-uns fonctionnent.

Un faible taux de réussite, vraiment ?

Il serait tentant de balayer ce résultat comme un échec. Ars Technica invite à nuancer. Les propositions les plus susceptibles de marcher ressemblaient beaucoup à des GFP connues, donc elles ont été écartées par construction. Les chercheurs n’ont pas non plus testé ce que donneraient des structures différentes de la GFP : ils ont peut-être rejeté un large éventail de protéines fluorescentes alternatives.

Autrement dit, ce « 1 sur 29 » mesure un test exigeant, pas la performance générale de l’outil. Et il rappelle un point simple : une séquence générée reste une hypothèse. Sans expérience, on ne sait pas si elle marche. C’est là que le parallèle avec le vibe coding trouve sa limite : un code erroné se détecte en l’exécutant en quelques secondes, alors qu’une protéine se vérifie en fabriquant et en testant chaque candidat.

Ce que change la simplification, et ce qui reste ouvert

Selon Ars Technica, Hugging Face a annoncé séparément héberger un outil qui fait des choses similaires au niveau de l’ADN. Ce qui change, c’est donc l’interface : décrire une fonction en mots plutôt que spécifier une géométrie. Comme le vibe coding a abaissé la barrière d’entrée dans la programmation, ces outils abaissent celle de la conception biologique.

Plusieurs questions restent ouvertes, et les éléments rapportés ici ne permettent pas de trancher :

• Qui peut s’en servir ? Le texte d’Ars Technica insiste sur la nécessité d’un laboratoire pour trier les designs. L’accès à l’outil est facilité ; l’accès à l’expérimentation, moins.
• Quelle fiabilité ? Entre 50 000 propositions et une protéine qui brille, l’écart est large. Un taux de réussite faible, un outil appuyé sur des structures prédites par AlphaFold : la validation expérimentale reste indispensable.
• Quels garde-fous ? Plus un outil est simple à utiliser, plus la question de qui l’utilise et pour quoi devient pertinente. Aucun des éléments rapportés ici ne décrit de mécanisme de contrôle d’accès : c’est une question, pas un constat.

À observer dans les prochains mois : les publications qui comparent ces outils entre eux, les taux de réussite mesurés en laboratoire par des équipes indépendantes, et les règles d’accès que les plateformes qui les hébergent choisiront d’appliquer.

Sources

• Vibe genes? Natural(ish) language comes to protein, genome design software - Ars Technica