CLSS unifie séquence et structure des protéines

Une équipe internationale de chercheurs vient de développer CLSS, un nouveau modèle de langage protéique capable de mapper simultanément les séquences d'acides aminés et les structures tridimensionnelles des protéines en une seule représentation unifiée. Travaux menés conjointement par l'Université de Haïfa, l'Université de Tel Aviv et l'Institut Earth-Life Science à l'Université des Sciences de Tokyo, ces résultats, publiés dans la revue Proceedings of the National Academy of Sciences, ouvrent une nouvelle perspective pour comprendre l'évolution du protéome sur des milliards d'années. Jusqu'ici, la majorité des modèles d'intelligence artificielle appliqués aux protéines traitaient les séquences et les structures comme des entités séparées, générant des cartes de relations distinctes et souvent discordantes. Or, la fonction d'une protéine dépend de l'interaction complexe entre ces deux dimensions. CLSS résout ce problème grâce à l'apprentissage contrastif. Durant son entraînement, le modèle reçoit simultanément les séquences et leurs structures correspondantes, et apprend à produire des codes numériques similaires pour les paires pertinentes, tout en éloignant les paires sans lien. Le résultat est une carte protéique unique où chaque protéine occupe une position stable, qu'elle soit représentée par sa séquence ou sa forme spatiale. Les tests ont montré que CLSS dépasse les approches existantes en alignant ses classifications avec les systèmes de référence établis par des experts, sans avoir été formellement entraîné sur ces données. Le modèle conserve également une grande précision lors de l'analyse de fragments protéiques courts, des éléments fréquemment réutilisés au cours de l'évolution et considérés comme des briques de base des protéines modernes. En superposant des données fonctionnelles à la carte unifiée, les chercheurs ont identifié des motifs globaux : les protéines liant des métaux se répartissent largement, tandis que celles associées à des cofacteurs organiques se regroupent dans des zones spécifiques. Ces avancées dépassent la simple classification. En offrant une vision intégrée des séquences, des structures et des fonctions, CLSS positionne ses créateurs pour accélérer les recherches en ingénierie des protéines, optimiser les requêtes dans les bases de données biologiques et reconstituer les trajectoires évolutives du vivant. Selon les auteurs, cette représentation unifiée permet de dépasser les limites des approches traditionnelles et d'explorer comment la diversité protéique actuelle a émergé depuis près de quatre milliards d'années d'évolution.