Prix ​​Nobel de chimie pour les développeurs d'AlphaFold AI pour prédire les structures des protéines

Prix ​​Nobel de chimie pour les développeurs d'AlphaFold AI pour prédire les structures des protéines

Pour la première fois – et certainement pas la dernière – une avancée scientifique rendue possible par l’intelligence artificielle reçoit un prix Nobel. Le prix Nobel de chimie 2024 a été décerné à John Jumper et Demis Hassabis de Google DeepMind à Londres pour le développement d'un produit révolutionnaire. Des outils d'IA pour la prédiction de la structure des protéines appelés AlphaFold, et à David Baker de l'Université de Washington à Seattle pour ses travaux sur la conception informatique des protéines au cours des dernières années a été révolutionné par l'IA.

Les effets d’AlphaFold, qui a été révélé il y a quelques années, sont tout simplement transformateurs. L’outil a rendu la prévision des structures protéiques – souvent, mais pas toujours, très précise – accessible aux chercheurs sur simple pression d’un bouton, permettant ainsi des expériences impensables il y a dix ans. Les biologistes parlent désormais d’une époque « avant AlphaFold » et « après AlphaFold ».

"Cela a longtemps été un rêve de pouvoir prédire la structure tridimensionnelle des protéines sur la base de leurs séquences d'acides aminés. Cela a été considéré comme impossible pendant des décennies", a déclaré Heiner Linke, président du comité Nobel et nanoscientifique à l'université de Lund en Suède, lors de l'annonce du prix. Les lauréats de cette année « ont déchiffré le code », a-t-il ajouté. Les trois gagnants se partageront un prix de 11 millions de couronnes suédoises (1 million de dollars américains).

Excellente IA

DeepMind a présenté AlphaFold en 2018 lorsqu'il a remporté un concours biennal de prédiction de la structure des protéines, l'évaluation critique de la prédiction de la structure des protéines (CASP). Mais c'était la deuxième version du réseau neuronal profond, qui a été présenté fin 2020, qui a déclenché un séisme dans les sciences de la vie.

De nombreuses prédictions d'AlphaFold2 au CASP étaient si précises qu'elles étaient impossibles à distinguer des structures protéiques déterminées expérimentalement. Cela a incité John Moult, co-fondateur du CASP et biologiste informatique à l'Université du Maryland à College Park, à à déclarer en 2020, que « le problème a été résolu d’une certaine manière ».

Hassabis, co-fondateur et PDG de DeepMind, et Jumper, chef de l'équipe AlphaFold, ont dirigé le développement d'AlphaFold2. Pour prédire les structures des protéines, le réseau neuronal intègre des structures similaires provenant de bases de données contenant des centaines de milliers de structures déterminées expérimentalement et des millions de séquences de protéines apparentées, qui contiennent des informations sur leurs formes.

En 2021, DeepMind Le code sous-jacent d'AlphaFold2 est disponible gratuitement, ainsi que les données requises pour entraîner le modèle. Un Base de données AlphaFold, préparé en collaboration avec le Laboratoire européen de biologie moléculaire et l'Institut européen de bioinformatique à Hinxton, Royaume-Uni, contient désormais les structures de la plupart des protéines de tous les organismes représentés dans les bases de données génétiques: un total d'environ 214 millions de prédictions. Cette année, l'entreprise en a introduit un troisième version d'AlphaFold qui peut également modéliser d’autres molécules qui interagissent avec des protéines, telles que des médicaments.

La révolution déclenchée par Jumper, Hassabis et leurs collègues n’en est qu’à ses débuts, et l’impact total d’AlphaFold sur la science ne sera peut-être pas connu avant des années. Mais cet outil aide déjà les scientifiques à acquérir de nouvelles connaissances.

Une équipe pionnière a utilisé l'outil, ainsi que des données expérimentales, pour complexe de pores nucléaires cartographier, l'une des plus grandes machines de nos cellules qui transporte les molécules dans et hors du noyau cellulaire. L'année dernière, deux équipes ont analysé l'intégralité de la base de données AlphaFold pour découvrir les recoins les plus profonds de l'univers des protéines, identifiant de nouvelles familles et replis de protéines ainsi que des connexions surprenantes dans la machinerie de la vie.

De nombreux chercheurs espèrent qu’AlphaFold et les autres outils d’IA qu’il a inspirés transformeront la médecine. Cependant, c'est toujours pas clair, comment ou si AlphaFold rationalisera le processus coûteux et en plusieurs étapes de développement de nouveaux médicaments sûrs.

Créer de nouvelles protéines

Plus d’une décennie avant que DeepMind ne commence à travailler avec AlphaFold, le biophysicien informatique David Baker de l’Université de Washington à Seattle et ses collègues ont développé des outils logiciels pour modéliser les structures protéiques basés sur des principes physiques appelés Rosetta. L'outil a connu un succès rapide dans la conception de nouvelles protéines.

Au fil des années, l'équipe de Baker a appliqué Rosetta pour prédire les structures des protéines (elle figurait parmi les plus performantes dans de nombreux CASP avant la récente domination d'AlphaFold) ainsi que pour concevoir de nouvelles protéines telles que des enzymes et des nanoparticules de protéines à auto-assemblage.

Lorsque AlphaFold2 a été annoncé – mais pas encore publié – Baker et son équipe, dont le chimiste informatique Minkyung Baek, maintenant à l'Université nationale de Séoul en Corée du Sud, ont entrepris de comprendre le logiciel et d'appliquer certaines de ses astuces à une version antérieure de Rosetta basée sur l'IA. La première version du réseau RoseTTAFold résultant a fonctionné presque aussi bien qu'AlphaFold2. Depuis 2021, les deux réseaux ont été continuellement améliorés par leurs développeurs et d’autres scientifiques pour relever de nouveaux défis, comme prédire la structure de complexes constitués de plusieurs protéines différentes en interaction.

Ces dernières années, l'équipe de Baker a été particulièrement productive en appliquant l'apprentissage automatique à la raison d'être de son laboratoire : créer de nouvelles protéines jamais vues dans la nature. Un outil récemment développé par l'équipe de Baker qui combine RoseTTAFold avec des réseaux neuronaux de diffusion générateurs d'images a conduit à un bond en avant dans la capacité des chercheurs à concevoir des protéines.

Bien que les outils informatiques comme AlphaFold ne remplacent pas les études expérimentales, ils constituent un accélérateur, affirment les scientifiques. "Cela permettra à une nouvelle génération de biologistes moléculaires de poser des questions plus avancées", a déclaré le juge du CASP Andrei Lupas, biologiste évolutionniste à l'Institut Max Planck de biologie du développement à Tübingen, en Allemagne. 2020 à la Nature.