Publié le 2025-10-09 11:55:00. Des chercheurs repoussent les frontières de la compréhension des protéines, ces blocs de construction essentiels à la vie. De l’intelligence artificielle révolutionnaire à de nouvelles approches pour les protéines « désordonnées », la science progresse à pas de géant dans le décryptage de ces molécules complexes.
- Une intelligence artificielle, AlphaFold, a permis de prédire avec une précision sans précédent la structure de millions de protéines, révolutionnant la biologie structurale et valant à ses créateurs le prix Nobel de chimie 2024.
- Une nouvelle méthode permet désormais de concevoir des protéines « intrinsèquement désordonnées », une classe de molécules instables mais cruciales pour la signalisation cellulaire, ouvrant la voie à la découverte de nouveaux médicaments.
- Ces avancées promettent de transformer la médecine de précision en aidant à comprendre les interactions moléculaires et à concevoir des thérapies ciblées.
Dans un univers où l’entropie tend à régner, la vie se distingue par sa capacité à créer de l’ordre à partir du chaos. Les organismes vivants assemblent des éléments de base pour former de longues chaînes moléculaires. Qu’il s’agisse de polysaccharides, des chaînes de sucres comme le glucose et le fructose, de l’ADN dont les briques sont les nucléotides, ou des protéines construites à partir d’acides aminés, ces assemblages permettent de stocker de l’énergie, des informations, ou de constituer des éléments structurels et fonctionnels des cellules. Les protéines, en particulier, grâce à leur incroyable polyvalence, sont au cœur des structures cellulaires les plus sophistiquées, formant parfois des chaînes de milliers d’unités combinant 23 types d’acides aminés distincts.
Cependant, déterminer la séquence d’acides aminés d’une protéine n’est qu’une première étape. Pour devenir fonctionnelle, une protéine doit adopter une structure tridimensionnelle très spécifique, un processus comparable à un origami moléculaire. Ce repliement, qui peut se produire spontanément ou être guidé par des protéines auxiliaires appelées chaperons, constitue l’une des énigmes les plus complexes de la biologie. La prédiction de cette structure tertiaire requiert la prise en compte des propriétés physico-chimiques de chaque acide aminé afin d’atteindre un état d’énergie minimale.
Pendant des années, la résolution de ces énigmes nécessitait une puissance de calcul phénoménale. Pour contourner cette limitation, des jeux interactifs ont vu le jour il y a une décennie. Ces plateformes permettaient à des milliers de joueurs d’utiliser leurs neurones pour contribuer à la détermination de la structure des protéines, un succès qui a propulsé la recherche en biologie structurale. La percée majeure est survenue en 2020 avec AlphaFold, une intelligence artificielle développée par DeepMind (Google). En l’espace de deux ans, AlphaFold a réussi à prédire la structure de 200 000 protéines avec une précision comparable aux méthodes expérimentales. En 2021, DeepMind a rendu public sa base de données de protéines et son code source, permettant à la communauté scientifique mondiale de bénéficier de ces avancées. Pour cette contribution capitale, David Baker, Demis Hassabis et John Jumper ont été récompensés par le prix Nobel de chimie en 2024.
L’évolution de cette intelligence artificielle ne s’est pas arrêtée là. La troisième version d’AlphaFold est désormais capable de prédire non seulement la structure des protéines, mais aussi leurs interactions potentielles avec d’autres molécules. Cette capacité est déjà mise à profit pour identifier les interactions indésirables entre médicaments, ouvrant des perspectives prometteuses pour la médecine personnalisée.
Malgré ces progrès spectaculaires, certains défis persistent. La faille d’AlphaFold réside dans sa difficulté à modéliser les protéines dont la structure n’est pas figée. On estime qu’au moins 30 % des protéines humaines ne possèdent pas de forme stable ; elles changent constamment de conformation en réponse à leur environnement, jouant un rôle essentiel dans la signalisation cellulaire et la détection de perturbations. Ces « protéines intrinsèquement désordonnées » représentent un défi de taille, tant pour les intelligences artificielles les plus avancées que pour les chercheurs.
Pour surmonter cet obstacle, une équipe conjointe des universités de Harvard et Northwestern a développé une méthode novatrice. Cette approche, s’appuyant sur une forme d’apprentissage automatique appelée « différenciation automatique », permet de concevoir ces protéines désordonnées de zéro. Contrairement aux méthodes qui se basent uniquement sur les prédictions d’une IA, cette technique intègre, à la manière de l’intuition humaine, les propriétés physico-chimiques des atomes et le comportement naturel de la protéine. L’équipe espère que ces découvertes mèneront au développement de nouveaux médicaments et permettront d’élucider le rôle de cet immense ensemble de composants moléculaires qui, par leur ordre relatif, rendent la vie telle que nous la connaissons possible.