Clear Sky Science · fr

Conception et amélioration de protéines fonctionnelles grâce à une itération renforcée par ontologie

2026-03-19 · Retour à l’index

Apprendre aux ordinateurs à fabriquer de meilleures protéines

Les protéines accomplissent presque tout le travail à l’intérieur des cellules vivantes, de la dégradation des nutriments à la défense contre les infections. Les scientifiques souhaiteraient pouvoir concevoir de nouvelles protéines à la demande, par exemple des enzymes industrielles plus robustes ou des outils médicaux améliorés, mais transformer des idées informatiques en molécules réelles et fonctionnelles reste difficile. Cette étude présente un nouveau système appelé ORI qui relie l’intelligence artificielle directement aux expériences de laboratoire, dans le but d’accélérer la conception protéique, d’en améliorer la fiabilité et de faciliter son contrôle.

Pourquoi la conception de protéines est si difficile

Chaque protéine est constituée d’une longue chaîne d’acides aminés, et de minuscules modifications dans cette chaîne peuvent modifier radicalement la façon dont la molécule se replie et se comporte. Les IA modernes peuvent prédire les structures protéiques et même générer de nouvelles séquences, mais il existe un écart tenace entre ce qui paraît prometteur dans un ordinateur et ce qui fonctionne réellement en éprouvette. De nombreuses conceptions échouent parce qu’elles sont instables, ne se replient pas correctement ou n’ont pas l’activité souhaitée, obligeant les chercheurs à recourir à des essais et erreurs lents.

Une boucle fermée entre l’ordinateur et le laboratoire

Le cadre ORI s’attaque à ce problème en créant une boucle de rétroaction entre des modèles d’IA et des expériences réelles

Figure 1. Comment une IA guidée par des tests en laboratoire conçoit des protéines plus performantes pour des besoins réels.

. Il comporte trois parties principales. D’abord, un « agent de conception protéique » interprète la demande en langage courant d’un scientifique, par exemple vouloir une enzyme active à haute température, et la traduit en une liste structurée de propriétés. Ensuite, un grand modèle de génération de protéines utilise cette liste pour écrire de nombreuses nouvelles séquences susceptibles de répondre à ces exigences. Enfin, un modèle unifié de séquences évalue rapidement chaque candidat selon des critères comme la stabilité, la solubilité et la présence de régions fonctionnelles importantes, écartant les options faibles avant qu’elles n’atteignent le laboratoire.

Apprendre à partir des retours expérimentaux

Ce qui distingue ORI, c’est qu’il ne s’arrête pas à la prédiction ; il apprend des succès et des échecs du laboratoire. Les conceptions protéiques sélectionnées sont synthétisées et testées pour leur niveau d’expression, leur activité et leur comportement sous contrainte. Ces résultats sont ensuite réinjectés dans l’IA via une stratégie adaptée de l’apprentissage par renforcement, permettant au système de privilégier progressivement les motifs de séquence qui performent bien dans la réalité plutôt que seulement sur le papier. Au fil des itérations, l’IA devient meilleure pour proposer des candidats qui passent ce filtrage du monde réel

Figure 2. Comment l'IA filtre et affine de nombreuses conceptions protéiques pour n'en retenir que quelques enzymes puissantes et résistantes à la chaleur.

Concevoir des enzymes plus fortes, résistantes à la chaleur et à double fonction

Pour démontrer les capacités d’ORI, les auteurs l’ont appliqué à plusieurs défis de conception d’enzymes. Pour les lysozymes, qui dégradent les parois bactériennes, le système a généré de nombreuses variantes et, après apprentissage à partir des retours expérimentaux, a produit des versions avec une activité bien supérieure à celle des lysozymes naturels, dont une environ cent fois plus active qu’une référence standard. ORI a également été utilisé pour concevoir des chitinases, des enzymes qui digèrent la chitine présente dans les carapaces d’insectes et les champignons. En orientant le modèle vers des caractéristiques résistantes à la chaleur, l’équipe a créé des chitinases qui restaient actives à des températures autour de 85 degrés Celsius, bien au-delà de ce que tolèrent la plupart des versions naturelles. Enfin, le système a conçu des protéines uniques combinant à la fois les activités de lysozyme et de chitinase, et certaines de ces enzymes à double fonction ont surpassé leurs homologues naturels spécialisés dans les deux tâches.

Une nouvelle façon d’explorer les possibilités protéiques

Pour les non-spécialistes, l’idée principale est qu’ORI transforme la conception protéique en une conversation continue entre modèles informatiques et laboratoire expérimental, plutôt qu’en une prédiction ponctuelle. Le système utilise des connaissances structurées sur les types et propriétés protéiques pour guider son imagination, et il prend attentivement en compte ce que disent les expériences sur chaque nouvelle conception. En répétant ce processus, ORI peut non seulement égaler les protéines naturelles mais parfois les dépasser en résistance, tolérance à la chaleur ou polyvalence. Cela suggère un avenir où des protéines sur mesure pour la médecine, l’industrie et l’environnement pourront être développées plus efficacement et avec une plus grande confiance.

Citation: He, B., Qin, C., Zhao, Y. et al. Functional protein design and enhancement with ontology reinforcement iteration. Nat Commun 17, 4158 (2026). https://doi.org/10.1038/s41467-026-69855-6

Mots-clés: ingénierie des protéines, conception d'enzymes, intelligence artificielle, enzymes thermostables, protéines multifonctionnelles