Des chercheurs de Virginia Tech ont mis au point RNAbpFlow, un nouvel outil d’intelligence artificielle capable de prédire la structure tridimensionnelle de l’ARN avec une précision rivalisant celle d’AlphaFold 3 de Google DeepMind. Publiée dans la revue Nature Methods, cette avancée est signée par Sumit Tarafder et son directeur de recherche Debswapna Bhattacharya. L’algorithme se distingue par sa capacité à atteindre des résultats supérieurs tout en nécessitant considérablement moins de données que les méthodes actuelles. Lors d’un test en aveugle sur un benchmark communautaire, RNAbpFlow a correctement prédit la structure globale de douze sur quatorze cibles d’ARN, contre huit seulement pour AlphaFold 3. Contrairement aux outils de pointe qui s’appuient massivement sur des bases de données évolutives contenant des séquences apparentées, RNAbpFlow fonctionne uniquement à partir de la séquence nucléotidique et des paires de bases. Cette approche résout un problème majeur de la biologie computationnelle : l’ARN est moléculairement flexible et sous-représenté dans les bases de données, ce qui complique considérablement sa modélisation. Pour y parvenir, l’équipe a exploité une technique dite de flow matching, appartenant à la même famille d’IA générative que les modèles de génération d’images. Le système initialise le processus à partir de bruit complet et, guidé par les interactions entre les bases, reconstruit progressivement une structure tridimensionnelle complète et précise atome par atome. Cette méthode permet de générer rapidement de multiples conformations, reflétant ainsi la dynamique réelle de la molécule. Les implications thérapeutiques de cette technologie sont majeures. De nombreux médicaments modernes, comme le risdiplam approuvé en 2020 pour traiter l’amyotrophie spinale infantile, ciblent directement des formes spécifiques de l’ARN. Prévoir avec exactitude ces structures est un préalable indispensable à la découverte de nouveaux traitements. RNAbpFlow pourrait ainsi accélérer la mise au point de molécules contre la maladie de Huntington, la sclérose latérale amyotrophique, certains cancers et des infections virales. Bien que les méthodes fondées sur les données évolutives restent plus performantes pour les ARN de grande taille et complexes, RNAbpFlow excelle dans les cas où l’information biologique est limitée, comme pour certains éléments du génome du SARS-CoV-2 ou des ribozymes artificiels. Soucieux de promouvoir la science reproductible, les chercheurs ont rendu le code source, les données d’entraînement et l’implémentation entièrement accessibles au public. Les travaux, financés par les National Institutes of Health et la National Science Foundation, serviront de base à une version améliorée présentée cet été lors de la compétition CASP, référence mondiale de la prédiction de structures moléculaires.