Obio dévoile ProtmRNA, une IA cross-modale pour l'ARNm
En août 2026, le succès en phase III d'un vaccin anticancéreux à ARNm développé par Merck et Moderna a relancé l'intérêt pour l'optimisation des séquences d'ARN messager. Dans ce contexte, l'équipe de recherche dirigée par Xu Gang et Ma Jianpeng, associant l'Université Fudan et la startup Aibo Bio, a fait progresser la conception d'ARN via l'intelligence artificielle. Leur approche repose sur le transfert intermodal, une méthode permettant de réutiliser les connaissances acquises par les modèles d'intelligence artificielle sur les protéines pour les appliquer au domaine de l'ARN, historiquement plus pauvre en données expérimentales. Cette stratégie a conduit au développement de deux modèles. ProtRNA, publié en 2025, adapte un modèle linguistique de protéines pré-entraîné aux séquences d'ARN. Il atteint ou dépasse les performances des solutions spécialisées, tout en nécessitant significativement moins de données. Développé en 2026, ProtmRNA se concentre sur l'optimisation des régions codantes de l'ARNm. En intégrant les codes génétiques au modèle initial, il améliore la prédiction de la stabilité, de la dégradation et de l'expression des séquences, avec des gains de précision notables sur des données vaccinales. Ces avancées s'inscrivent dans une approche en boucle fermée, où la computation alimente l'expérimentation en laboratoire, et où les résultats, y compris les échecs, rétroalimentent l'entraînement des algorithmes. Cette méthodologie, soutenue par l'expertise en biologie structurelle et en ingénierie des protéines, permet de filtrer rapidement les candidats non viables et d'accélérer le cycle de développement. Xu Gang souligne l'importance d'ancrer les innovations algorithmiques dans des contraintes biologiques et économiques réalistes. Au-delà de la vaccination, cette plateforme ouvre des perspectives pour la conception d'anticorps, la thérapie génique, la production d'enzymes industrielles et la biologie de synthèse. En transposant les succès de l'IA protéique vers l'ARN, l'équipe démontre qu'une migration ciblée des connaissances computationnelles peut résoudre des goulots d'étranglement structurels dans la recherche biomédicale, tout en consolidant un pipeline de découverte de médicaments plus rapide et intégrant étroitement l'algorithmique et la biologie expérimentale.
