Une étude menée par des chercheurs de l'Interuniversity Institute of Bioinformatics de Bruxelles, du groupe de recherche en Biologie Structurale de la Vrije Universiteit Brussel, et du groupe IBiTech–BioMMedA de l'Université de Gand met en lumière le comportement complexe et imprévisible de l'alpha-1-acide glycoprotéine (AGP), une protéine clé du sang impliquée dans l'inflammation et le cancer. Les conclusions de cette étude démontrent les limites d'outils d'intelligence artificielle aussi puissants que ceux utilisés aujourd'hui pour comprendre ces processus biologiques dynamiques. Dr. Bhawna Dixit, qui a mené cette recherche dans le cadre de sa thèse doctorale, a choisi de se concentrer sur l'AGP en raison de sa prévalence dans le plasma sanguin humain et de son rôle crucial dans la régulation des réponses immunitaires ainsi que dans les interactions avec les médicaments. Malgré des décennies de recherches, le comportement complet de cette protéine restait obscur, principalement à cause de sa forte glycosylation, c'est-à-dire la présence d'un grand nombre de molécules de sucre (glycanes) attachées à des sites spécifiques. Ces glycanes, étant très dynamiques et variables, ajoutent une complexité significative à la structure de l'AGP. Grâce aux simulations moléculaires, Dr. Dixit et ses collègues ont démontré que même de petites mutations génétiques dans l'AGP, comme celles que l'on trouve chez certains patients atteints de cancer, peuvent radicalement modifier la façon dont la protéine se déplace et interagit avec les médicaments. Ces effets sont amplifiés par la présence ou l'absence de glycanes spécifiques, qui varient en fonction de l'état de maladie ou d'inflammation du corps. "Un simple changement dans la protéine, en particulier près de ses sites de glycosylation, peut totalement transformer son comportement," a souligné Dr. Dixit. "Cela a des implications réelles pour l'application de la médecine personnalisée selon les individus." Dans une étude de suivi publiée dans le Journal of Molecular Biology, les chercheurs ont examiné la capacité de AlphaFold, un système d'IA notoire pour la prédiction des structures des protéines, à modéliser de manière précise la flexibilité et la dynamique d'un large éventail de protéines. Bien que AlphaFold se soit montré performant pour les parties rigides des protéines, il a rencontré des difficultés dans la modélisation des régions flexibles et dynamiques. En comparant les prédictions de AlphaFold avec des données expérimentales issues de la spectroscopie RMN, l'équipe a constaté que l'IA simplifiait trop souvent la représentation des régions flexibles de la protéine. "Nous devons être prudents lors de l'interprétation des prédictions de l'IA, notamment pour des protéines où la flexibilité et le comportement dynamique sont d'une importance biologique majeure," a prévenu Dr. Dixit. "AlphaFold est entraîné sur des représentations statiques des structures de protéines, mais de nombreux protéines, y compris l'AGP, sont tout sauf statiques." Les résultats de ce travail renforcent une préoccupation croissante dans le domaine de la biologie computationnelle : bien que les outils d'IA comme AlphaFold soient très puissants, leurs données d'entraînement manquent d'informations sur les comportements complexes des protéines. Par conséquent, il est essentiel de valider les résultats de l'IA contre des données expérimentales, surtout lorsque les protéines sont impliquées dans des processus de maladies relevant de la biologie réelle. À mesure que l'IA continue de jouer un rôle central dans la recherche biomédicale, la participation humaine, la pensée critique et l'expérimentation pratique demeurent indispensables. Cette synergie entre la technologie et l'expertise humaine est cruciale pour progresser dans la compréhension et le traitement des maladies.