Nouvelle méthode IA pour accélérer la simulation des protéines et révéler leurs dynamiques complexes
Une nouvelle méthode alimentée par l'IA accélère les simulations de protéines et révèle des dynamiques de pliage complexes Une équipe internationale dirigée par l'Einstein Professor Cecilia Clementi du département de physique de la Freie Universität Berlin a présenté une innovation majeure dans le domaine des simulations de protéines : CGSchNet. Cette modélisation grossière apprise par machine permet des simulations protéiques plus précises et rapides que jamais. L'étude a été publiée le 18 juillet 2025 dans le journal Nature Chemistry. CGSchNet fonctionne beaucoup plus vite que les méthodes traditionnelles de dynamique moléculaire à l'échelle atomique, ce qui permet d'explorer des protéines plus grandes et des systèmes plus complexes. Ces simulations ont un potentiel significatif pour la découverte de médicaments et le génie protéique, notamment dans l'avancement des méthodes de traitement du cancer. L'élaboration d'un modèle grossier général capable de capturer le pliage et la dynamique des protéines reste un défi majeur pour les scientifiques depuis 50 ans. "Cette recherche est la première à montrer que l'apprentissage profond peut surmonter cette barrière et aboutir à un système de simulation qui approche la précision des simulations atomiques complètes sans modéliser explicitement le solvant ou les détails atomiques," affirme la Prof. Clementi. Dans le cadre de CGSchNet, l'équipe de la Prof. Clementi a formé un réseau neuronal de graphe pour apprendre les interactions efficaces entre les particules de la simulation grossière des protéines. L'objectif était de reproduire la dynamique d'un vaste ensemble de milliers de simulations atomiques. Contrairement aux outils de prédiction de structures, CGSchNet modèle le processus dynamique en incluant les états intermédiaires pertinents pour les mécanismes de malpliage, tels que la formation d'amyloïdes, des agrégats protéiques pathologiques observés dans les cas de maladie d'Alzheimer, par exemple. Le modèle est également capable de simuler les transitions entre les états pliés, une caractéristique cruciale pour la fonction des protéines. Il s'adapte aux protéines en dehors de son ensemble d'apprentissage, démontrant une forte transférabilité chimique. De plus, il prédit avec précision les états métastables des protéines pliées, dépliées et désordonnées, qui représentent la majorité des protéines biologiquement actives. Ces prédictions étaient auparavant extrêmement difficiles en raison de la flexibilité de ces protéines. CGSchNet peut également estimer les énergies libres relatives de pliage des mutants protéiques, une tâche que les méthodes de simulation précédentes n'arrivaient pas à accomplir en raison des limites computationnelles. Les performances de CGSchNet marquent un tournant majeur dans la capacité des chercheurs à comprendre et à modéliser les protéines, ouvrant de nouvelles perspectives en biologie structurale et en médecine.