Faire progresser la simulation des protéines grâce à l'apprentissage automatique
Une nouvelle étude ouvre, entre autres, des possibilités d'application à la découverte de médicaments en médecine
Une équipe internationale dirigée par Cecilia Clementi, professeur d'Einstein au département de physique de la Freie Universität Berlin, présente une percée dans la simulation des protéines. L'étude, publiée dans le numéro du 18 juillet 2025 de Nature Chemistry, présente CGSchNet, un modèle à gros grains (CG) appris par la machine qui peut simuler les protéines avec précision et efficacité comme jamais auparavant. Fonctionnant beaucoup plus rapidement que la dynamique moléculaire traditionnelle à tous les atomes, CGSchNet permet d'explorer des protéines plus grandes et des systèmes complexes - offrant des applications potentielles dans la découverte de médicaments et l'ingénierie des protéines qui pourraient faire progresser les méthodes de traitement du cancer, par exemple.
Le développement d'un modèle général de CG capable de capturer le repliement et la dynamique des protéines a été un défi persistant pour les scientifiques au cours des cinquante dernières années. "Ce travail est le premier à démontrer que l'apprentissage profond peut surmonter cet obstacle et conduire à un système de simulation qui se rapproche des simulations de protéines à atomes entiers sans modéliser explicitement le solvant ou les détails atomiques", déclare Cecilia Clementi.
Dans CGSchNet, l'équipe de Clementi a entraîné un réseau neuronal graphique à apprendre les interactions effectives entre les particules de la simulation grossière de la protéine afin de reproduire la dynamique d'un ensemble diversifié de milliers de simulations tout-atome. Contrairement aux outils de prédiction des structures, CGSchNet modélise le processus dynamique, y compris les états intermédiaires pertinents pour les processus de mauvais repliement tels que la formation d'amyloïdes, qui sont des agrégats de protéines pathologiques apparaissant dans les cas de maladie d'Alzheimer, par exemple. Le modèle simule également les transitions entre les états repliés - essentiels à la fonction des protéines - et se généralise aux protéines en dehors de son ensemble d'apprentissage, démontrant ainsi une forte transférabilité chimique. En outre, il prédit avec précision les états métastables des protéines repliées, dépliées et désordonnées, qui constituent la majorité des protéines biologiquement actives. De telles prédictions étaient extrêmement difficiles dans le passé en raison de la flexibilité de ces protéines. Le modèle est également capable d'estimer les énergies libres de repliement relatives des mutants de protéines, ce que les méthodes de simulation précédentes ne pouvaient pas faire en raison de limitations informatiques.
Le professeur Cecilia Clementi est une biophysicienne théorique et informatique. Elle a précédemment mené des recherches en tant que chercheur invité Einstein dans les centres de recherche collaborative "Investigation of Membranes - Molecular Mechanisms and Cellular Functions" et "Scale Cascades in Complex Systems" à la Freie Universität Berlin. Elle est également la première scientifique à être recrutée de manière permanente pour travailler à Berlin à la suite de son soutien en tant que boursière Einstein. Avant de s'installer à Berlin en 2020, Mme Clementi était professeur de chimie et de physique à l'université Rice de Houston, au Texas. Son rôle à la Freie Universität lui permet de renforcer la recherche en biophysique théorique et assistée par ordinateur à Berlin et de jeter un pont entre la biophysique expérimentale et les mathématiques appliquées.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Charron, N.E., Bonneau, K., Pasos-Trejo, A.S. et al. Navigating protein landscapes with a machine-learned transferable coarse-grained model. Nat. Chem. (2025).
Autres actualités du département science
