La compréhension de l'assemblage des protéines en complexes est essentielle pour décrypter le fonctionnement cellulaire et développer de nouveaux traitements médicaux. Avec environ dix mille types de protéines dans le corps humain, les scientifiques disposent de structures à haute résolution pour seulement quelques milliers d'entre elles, laissant une grande majorité de leurs interactions inconnues. L'expérimentation en laboratoire de toutes les paires potentielles étant trop longue et coûteuse, la communauté scientifique s'appuie sur des modèles informatiques pour prédire ces liaisons. Pourtant, une équipe de l'Université Yale, dirigée par le professeur Corey O'Hern, démontre que les méthodes de notation actuelles présentent des failles significatives. Selon l'étude publiée dans Physical Review E, les fonctions d'évaluation utilisées pour mesurer la précision des modèles informatiques surestiment souvent leurs performances. Si ces outils se révèlent compétents pour classer les modèles, ils échouent régulièrement sur des tests de régression plus rigoureux, qui mesurent réellement la qualité des prédictions structurales. Cette limitation entrave le développement de thérapies ciblées et la conception de nouveaux complexes protéiques. Pour répondre à ce défi, les chercheurs ont conçu une approche plus sobre et efficace. Leur modèle repose sur un simple algorithme de régression à vecteurs de soutien ne prenant en compte que deux caractéristiques physiques fondamentales : la taille de la zone de contact entre deux protéines et le degré d'entrelacement à cette interface. En confrontant cette méthode à sept algorithmes de pointe couramment utilisés dans le domaine, l'équipe a démontré sa supériorité ou, au minimum, son égalité en termes de précision, et ce sur des critères d'évaluation stricts. Le professeur O'Hern précise que cette étude se concentre sur une version simplifiée où les protéines sont considérées comme rigides. Les travaux futurs viseront à étendre cette méthodologie aux cas où la structure tridimensionnelle des protéines en interaction reste inconnue. En privilégiant la simplicité et la robustesse statistique plutôt que la complexité algorithmique, cette recherche offre une piste prometteuse pour accélérer la cartographie des interactions moléculaires et ouvrir la voie à l'innovation biomédicale.