Des scientifiques du centre Donelly de l'université de Toronto ont mis au point un modèle d'intelligence artificielle de pointe appelé PepFlow, capable de prédire les diverses formes adoptées par les peptides avec une précision sans précédent.
Les peptides sont de petites molécules composées d'acides aminés, les éléments constitutifs des protéines.
Si les peptides sont semblables aux protéines, ils sont beaucoup plus petits et plus flexibles, ce qui leur permet de se plier en une grande variété de formes.
La forme spécifique d'un peptide est cruciale car elle détermine la façon dont il interagit avec d'autres molécules dans le corps, ce qui dicte sa fonction biologique.
La prédiction des structures des protéines et des peptides est un défi de longue date en biologie. En raison de la complexité des mathématiques impliquées, il s'agit d'un excellent problème pour l'apprentissage automatique.
Ces dernières années, des modèles d'IA tels que AlphaFold 2 et 3développés par DeepMind de Google, ont révolutionné la prédiction de la structure des protéines.
AlphaFold2 utilise l'apprentissage profond pour prédire la structure 3D la plus probable d'une protéine sur la base de sa séquence d'acides aminés. Mais wi AlphaFold2 a connu un succès incroyable pour les protéines, il a des limites lorsqu'il s'agit de molécules très flexibles comme les peptides.
"Jusqu'à présent, nous n'avons pas été en mesure de modéliser l'ensemble des conformations des peptides". a déclaré Osama Abdin, premier auteur de l'étude.
Pepflow, documenté dans un étude publiée dans Nature Machine Intelligence, "s'appuie sur l'apprentissage profond pour capturer les conformations précises et exactes d'un peptide en quelques minutes".
PepFlow utilise des modèles d'intelligence artificielle inspirés de Boltzmann generators. Ces modèles permettent d'apprendre les principes physiques fondamentaux qui régissent la façon dont la structure chimique d'un peptide détermine son spectre de formes possibles.
Cela permet à PepFlow de prédire avec précision les structures de peptides présentant des caractéristiques inhabituelles, telles que les peptides circulaires formés par macrocyclisation. Les peptides macrocycliques sont particulièrement intéressants pour le développement de médicaments en raison de leurs propriétés de liaison uniques.
Ce qui distingue PepFlow des modèles comme AlphaFold2, c'est sa capacité à prédire non seulement une structure, mais l'ensemble du "paysage énergétique" d'un peptide.
Le paysage énergétique représente toutes les formes possibles que peut prendre un peptide et la façon dont il passe d'une conformation à l'autre.
La saisie de cette complexité structurelle est essentielle pour ucomprendre comment les peptides fonctionnent dans différents contextes biologiques.
Les chercheurs de @UofT ont développé une #DeepLearning appelé PepFlow, qui peut prédire toutes les formes possibles de peptides.
PepFlow peut contribuer au développement de médicaments en concevant des peptides qui agissent comme des liants. 1TP5Découverte des médicaments
En savoir plus 👉 https://t.co/eAKOg5e7Cz pic.twitter.com/mYP9YeiCOe
- Centre Donnelly (@DonnellyCentre) 27 juin 2024
Importance
La capacité à prédire des structures peptidiques très précises a des implications majeures pour le développement de thérapies basées sur les peptides.
"Les peptides ont été au centre du modèle PepFlow parce qu'ils sont des molécules biologiques très importantes et qu'ils sont naturellement très dynamiques, de sorte que nous devons modéliser leurs différentes conformations pour comprendre leur fonction", a expliqué le Dr. Philip M. Kim, l'investigateur principal de l'étude.
"Ils sont également importants sur le plan thérapeutique, comme le montrent les analogues du GLP1, tels que l'Ozempic, utilisés pour traiter le diabète et l'obésité".
Les médicaments peptidiques présentent plusieurs avantages par rapport aux médicaments traditionnels à base de petites molécules et aux produits thérapeutiques à base de protéines de plus grande taille. Ils agissent de manière plus spécifique, sont moins toxiques que les médicaments à petites molécules et sont moins chers et plus faciles à produire que les médicaments à base de protéines plus importantes.
PepFlow pourrait accélérer la découverte et le développement de nouveaux médicaments à base de peptides en permettant la conception de peptides dotés de propriétés thérapeutiques.
"Il a fallu deux ans et demi pour développer PepFlow et un mois pour l'entraîner, mais cela valait la peine de passer à la frontière suivante, au-delà des modèles qui ne prédisent qu'une seule structure d'un peptide", conclut M. Abdin.
Cela fait suite à la publication de EvolutionaryScale ESM3 cette semaineun modèle génératif frontière pour la biologie, qui se concentre également sur les protéines.
