La nouvelle technologie de repliement des protéines du laboratoire UW rivalise avec DeepMind et promet d’accélérer la recherche


Rose TTAFold peut prédire une structure de protéine en aussi peu que dix minutes sur un ordinateur de jeu. (Institut pour l’image de conception de protéines)

Le laboratoire de David Baker de l’Institute for Protein Design de l’Université de Washington a publié son application pour résoudre l’un des problèmes les plus difficiles des sciences de la vie : comment prédire rapidement et avec précision le repliement d’une protéine par ordinateur.

Les résultats, s’appuyant sur les travaux effectués par la société DeepMind appartenant à Google l’automne dernier, ont été publiés aujourd’hui dans le journal La science, le jour même où DeepMind a publié son approche dans la revue Nature.

Alors que l’ADN fournit les instructions, les protéines sont les éléments constitutifs du corps. Les applications des deux équipes devraient fournir un accélérateur pour la recherche de tous bords dans les sciences de la vie, de la science fondamentale au développement de médicaments.

Avec 20 éléments constitutifs d’acides aminés, les options de repliement d’une protéine individuelle sont nombreuses et dépendent de multiples interactions moléculaires au sein de la protéine et de son environnement. Ces interactions sont extrêmement difficiles à prévoir et changent constamment au cours du processus de pliage.

Historiquement, prédire le repliement même d’une petite protéine a nécessité une immense puissance de calcul – un groupe a même construit un superordinateur massif juste à cet effet – avec des résultats principalement incrémentiels. Les sociétés pharmaceutiques et les chercheurs se sont appuyés sur des méthodes expérimentales laborieuses pour déterminer la structure des protéines, telles que les cibles médicamenteuses critiques.

L’automne dernier, DeepMind a stupéfié le domaine avec son application lors d’un concours biennal de biologistes computationnels et structurels. La méthode reposait sur un réseau d’apprentissage en profondeur pour prédire les structures.

Auteur principal Minkyung Baek. (Institut pour la photo de conception de protéines)

Bien que DeepMind n’ait pas divulgué de détails à l’époque, le chimiste informaticien Minkyung Baek du laboratoire Baker et leurs collègues ont commencé à travailler sur une approche similaire. « Notre travail est vraiment basé sur leurs avancées », a déclaré Baker. La science. Les chercheurs ont travaillé avec une équipe plus large comprenant des chercheurs d’institutions à Victoria, en Colombie-Britannique, en Afrique du Sud et au Royaume-Uni.

Baekand, Baker et leurs collègues ont publié leur approche le mois dernier sur le serveur de préimpression bioRxiv, et aujourd’hui sous une forme évaluée par des pairs, présentant leur nouvelle application : Rose TTAFold. Dans l’étude, les chercheurs ont prédit la structure de centaines de protéines, dont beaucoup n’étaient auparavant que mal comprises.

Rien que le mois dernier, plus de 4 500 protéines ont été soumises au nouveau serveur du Baker Lab, selon un communiqué de presse. Rose TTAFold « a permis de résoudre la structure de l’une de nos enzymes qui nous a causé beaucoup de maux de tête », a déclaré Casper Wilkins, professeur adjoint en biocatalyse à l’Université technique du Danemark, dans un tweet.

Rose TTAFold est également rapide : il peut prédire une structure en aussi peu que dix minutes sur un ordinateur de jeu, selon le laboratoire. Voici comment l’équipe décrit son système :

RoseTTAFold est un réseau neuronal à « trois pistes », ce qui signifie qu’il considère simultanément les modèles de séquences de protéines, la façon dont les acides aminés d’une protéine interagissent les uns avec les autres et la structure tridimensionnelle possible d’une protéine. Dans cette architecture, des informations à une, deux et trois dimensions circulent dans les deux sens, permettant au réseau de raisonner collectivement sur la relation entre les parties chimiques d’une protéine et sa structure repliée.

Selon La science, l’application de DeepMind est plus précise, mais Rose TTAFold fonctionne presque aussi bien et prédit également mieux certains aspects de la structure des protéines. De plus, alors que l’application de DeepMind a été exécutée sur des protéines uniques, Rose TTAFold peut prédire comment les protéines s’assemblent dans des complexes, des machines moléculaires qui effectuent une grande partie du travail dans le corps.

« Nous espérons que ce nouvel outil continuera de profiter à l’ensemble de la communauté des chercheurs », a déclaré Baekand dans le communiqué de presse.



Laisser un commentaire