Prédiction de la structure des protéines mono-domaine et multi-domaines basée sur l'apprentissage profond avec D-I-TASSER

Le succès prédominant des techniques d'apprentissage profond dans la prédiction de la structure des protéines a remis en question la nécessité et l'utilité des simulations de pliage basées sur les champs de forces traditionnels. Nous avons proposé une approche hybride, le raffinement itératif par assemblage de threading basé sur l'apprentissage profond (D-I-TASSER), qui construit des modèles structuraux atomiques de protéines en intégrant des potentiels d'apprentissage profond issus de multiples sources avec des simulations d'assemblage de fragments par threading itératif. D-I-TASSER introduit un protocole de division et d'assemblage de domaines pour la modélisation automatisée des structures protéiques multidomaines. Les tests de référence et les évaluations critiques les plus récentes de la prédiction de la structure des protéines, comprenant 15 expériences, démontrent que D-I-TASSER surpassent AlphaFold2 et AlphaFold3 tant pour les protéines à domaine unique que pour les protéines multidomaines. Des expériences d'assemblage à grande échelle montrent également que D-I-TASSER peut plier 81 % des domaines protéiques et 73 % des séquences entières dans le proteom humain, avec des résultats très complémentaires aux modèles récemment publiés par AlphaFold2. Ces résultats soulignent une nouvelle voie pour intégrer l'apprentissage profond avec les simulations classiques basées sur la physique pour des prédictions précises de la structure et de la fonction des protéines, utilisables dans des applications génomiques à grande échelle.