InstaNovo : l’IA décode la matière noire des protéines

Si l’ADN constitue le plan d’architecte du vivant, les protéines en sont l’édifice final, brique par brique. Pourtant, entre le plan initial et la construction réelle, la biologie prend souvent des libertés : erreurs de transcription, modifications après production ou découpes inattendues créent des protéines « cachées » que les méthodes standards échouent à détecter. Une nouvelle génération d’outils d’intelligence artificielle vient de franchir une étape majeure pour illuminer cette matière noire du protéome.

Au-delà du plan génétique : le défi du séquençage de novo

La biologie cellulaire n’est pas une science figée. Les protéines, véritables ouvrières du vivant, subissent fréquemment des altérations qui les rendent différentes de ce que leur code génétique (ADN) laissait prévoir. Ces divergences rendent leur identification particulièrement ardue pour les scientifiques qui s’appuient historiquement sur des bases de données préétablies. Lorsqu’une protéine ne figure pas dans le catalogue, elle reste invisible.

C’est ici qu’interviennent deux nouveaux modèles d’apprentissage automatique, présentés le 31 mars dans Nature Machine Intelligence. Baptisés InstaNovo et InstaNovo+, ces outils ambitionnent de réaliser ce que Benjamin Neely, chimiste au National Institute of Standards and Technology (NIST), qualifie de « Saint Graal » de la protéomique : révéler l’identité génétique de protéines jamais étudiées auparavant, sans filet de sécurité.

L’enjeu dépasse la simple curiosité biologique. Comprendre ces mécanismes est essentiel pour saisir comment notre corps réagit aux pathologies, un domaine exploré dans notre guide sur l’actualité scientifique en santé. En accédant à ces séquences obscures, les chercheurs espèrent mieux cibler certaines maladies.

Deux architectures IA pour décrypter le vivant

Les chercheurs ont développé deux approches distinctes pour traduire les données brutes de spectrométrie de masse — ces graphiques de pics et de vallées qui constituent l’empreinte digitale d’une protéine — en séquences d’acides aminés lisibles.

InstaNovo (IN) fonctionne sur le modèle des « transformers », une architecture similaire à celle utilisée par GPT-4. Il apprend à traduire le langage des spectres de masse en chaînes de caractères correspondant aux acides aminés, reconstruisant ainsi la protéine probable.

InstaNovo+ (IN+), quant à lui, utilise un modèle de diffusion, comparable aux générateurs d’images par IA. Il part des mêmes informations brutes et affine progressivement le résultat en éliminant le « bruit », pour produire une image claire et précise de la séquence protéique.

Une performance décuplée sur les échantillons complexes

Si les méthodes de recherche classiques restent performantes pour les tâches simples, les nouveaux modèles brillent là où la difficulté augmente. Le test le plus probant concerne les protéines immunitaires humaines, notoirement difficiles à analyser en raison de leur petite taille et de leur composition spécifique. Ce type d’analyse est crucial pour le développement de traitements comme l’immunothérapie contre le cancer.

Les résultats rapportés sont significatifs :

• La recherche classique en base de données identifie environ 10 000 peptides.
• Le modèle InstaNovo en détecte plus de 35 000 (soit trois fois plus).
• La version InstaNovo+ pousse la performance encore plus loin, trouvant environ six fois plus de candidats.

L’utilisation combinée des deux modèles offre un gain de performance encore supérieur, surpassant également Casanovo, un précédent décodeur IA basé sur les transformers.

Des applications concrètes : du cancer à la biodiversité

La validation rigoureuse de ces outils ouvre des perspectives immédiates pour la recherche appliquée. Amanda Smythers, chimiste au Dana-Farber Cancer Institute, envisage déjà d’utiliser ces modèles pour élucider des mystères médicaux tenaces, comme l’atrophie musculaire rapide et la fatigue extrême déclenchées par le cancer du pancréas.

Selon elle, des protéines produites par les cellules cancéreuses, ou une perturbation des fonctions protéiques normales, pourraient être en cause. « C’est une pièce vraiment importante de la biologie que nous ne comprenons pas encore », souligne-t-elle.

Au-delà de la médecine humaine, ces outils pourraient révolutionner l’étude des organismes non modèles, dont les protéines sont mal cataloguées. Benjamin Neely évoque l’exemple hypothétique des raies pastenagues : identifier les protéines rénales obscures qui leur permettent de passer de l’eau saumâtre à l’océan pourrait éclairer des mécanismes d’adaptation biologique fascinants.

Limites et nécessité de vérification

Malgré l’enthousiasme, la prudence reste de mise. Comme pour toute technologie générative, le risque d’hallucinationHallucination Hallucination désigne, dans le domaine de l'intelligence artificielle, un phénomène par lequel un modèle de langage génératif (LLM) produit une réponse factuellement incorrecte, illogique ou totalement inventée, tout en l'exprimant… existe. Les auteurs de l’étude estiment le taux de faux positifs à environ 5 %. Konstantinos Kalogeropoulos, co-auteur et bio-ingénieur à l’Université technique du Danemark, insiste sur le fait que les résultats de l’IA nécessitent une vérification supplémentaire.

William Noble, développeur de Casanovo à l’Université de Washington, note également que la définition des standards d’évaluation pour ces nouveaux outils reste une question ouverte. Ces avancées rappellent la complexité du passage de la théorie génétique à la réalité biochimique, un thème central dans le fonctionnement des technologies à ARNm et de la synthèse protéique.

Pour l’heure, le séquençage par IA ne remplace pas la recherche en base de données, mais agit comme un complément puissant. « Il n’y a jamais un outil unique qui convienne à tous les travaux », conclut Amanda Smythers, « mais ce sont des outils comme celui-ci qui nous aident vraiment à faire progresser le domaine ».