Les chercheurs de Google ont développé une méthode qui accélère de 8,6 fois la prédiction de la structure des protéines, accélérant potentiellement la découverte de molécules destinées aux thérapies ciblées contre le cancer.
Les chercheurs ont utilisé cette approche pour concevoir des protéines qui se lient étroitement à la protéine alpha d’activation des fibroblastes (FAP), une molécule associée aux tumeurs solides. De tels liants pourraient éventuellement aider les chercheurs à développer des traitements ciblant plus précisément les tissus associés au cancer. Les résultats ont été obtenus grâce à des expériences en laboratoire après conception informatique de molécules candidates.
Ces travaux font partie de trois projets de recherche Google explorant la manière dont les agents d’intelligence artificielle peuvent concevoir des molécules biologiques, analyser les résultats expérimentaux et travailler avec des équipements de laboratoire. Les projets ont également démontré des améliorations dans la découverte de molécules d’ADN et l’expérimentation robotique.
Google a déclaré que la recherche visait à réduire le temps et les ressources informatiques nécessaires pour tester les conceptions biologiques. Cependant, les systèmes restent expérimentaux et les liants protéiques n’ont pas été démontrés comme traitements contre le cancer.
Prédictions plus rapides de la structure des protéines
Concevoir une protéine qui se fixe à une cible biologique spécifique nécessite que les chercheurs prédisent comment les molécules se replient et interagissent. Cela implique de générer des structures protéiques candidates, de concevoir des séquences et de vérifier si les molécules résultantes sont susceptibles de se lier.
L’étape finale de prédiction peut consommer une puissance de calcul importante, en particulier lorsque la protéine cible est volumineuse.
Les chercheurs de Google ont développé une technique appelée « excision chirurgicale d’épitopes », qui concentre les prédictions structurelles sur la région locale où une protéine conçue est censée se fixer, plutôt que sur la totalité de la cible.
Selon Google, cette approche a accéléré la prédiction de la structure de 8,6 fois sans sacrifier la précision structurelle de ses tests.
Les chercheurs ont appliqué la méthode au FAP, en utilisant l’affichage de la surface de la levure et le tri cellulaire activé par fluorescence pour sélectionner les protéines candidates modifiées. Ces techniques permettent aux chercheurs d’examiner un grand nombre de variantes protéiques et d’identifier celles qui se lient à une cible.
Les modèles testés expérimentalement les plus puissants ont atteint une affinité de liaison nanomolaire à un chiffre, indiquant une interaction moléculaire étroite. Dans une comparaison informatique distincte utilisant des ressources informatiques égales, un scientifique travaillant avec un agent a obtenu un taux de réussite près de deux fois supérieur à celui d’un scientifique travaillant seul.
Ces résultats concernent la conception moléculaire à un stade précoce. Les chercheurs n’ont pas établi si les liants peuvent traiter le cancer de manière sûre ou efficace.
Les robots apprennent des expériences
Un projet distinct de Google a testé si des agents pouvaient améliorer les aptamères d’ADN, de courtes molécules qui se replient pour prendre des formes capables de s’attacher à des protéines spécifiques.
Les chercheurs ont mené trois cycles de conception et de tests ciblant la myoglobine et l’alpha-thrombine. Chaque cycle a duré sept à dix jours et impliquait la synthèse de candidats ADN, le test de leur comportement de liaison et l’utilisation des résultats de séquençage pour guider les conceptions ultérieures.
Au troisième cycle, les taux de réussite confirmés ont atteint 33,5 pour cent pour la myoglobine et 42,1 pour cent pour l’alpha-thrombine. Ce dernier a atteint une spécificité de 98,5 pour cent.
Google a également présenté VERID, un modèle de laboratoire numérique qui suit les équipements robotiques, les volumes de liquides et les matériaux expérimentaux. Il permet aux agents de simuler des procédures et de détecter des erreurs potentielles avant d’envoyer des commandes aux robots de laboratoire.
Dans une expérience de mélange de colorants, un agent a utilisé des tests robotiques répétés et des retours de caméra pour améliorer de plus de cinq fois la précision de la reconstruction.
Les trois projets restent des démonstrations distinctes. Google prévoit de combiner son cadre de contrôle robotique avec des flux de travail de découverte moléculaire, avec une surveillance humaine et un contrôle de biosécurité conservés tout au long du processus.