Des chercheurs de l’Ecole Polytechnique Fédérale de Lausanne (EPFL) en Suisse ont créé une approche d’apprentissage automatique pour scanner des millions de fragments de protéines et évaluer leur structure et leurs propriétés de liaison. Sur la base de la chimie de surface et de la géométrie d’une protéine, le logiciel développé peut déterminer une «empreinte digitale» pour chaque protéine et prédire comment elles pourraient se lier à divers fragments de protéines. Les chercheurs ont maintenant utilisé leur approche pour concevoir de nouveaux « liants » de protéines qui ont été créés spécifiquement pour se lier à des protéines d’intérêt thérapeutique, telles que la protéine de pointe du SRAS-CoV-2. La technique pourrait permettre aux chercheurs de créer très rapidement une gamme de protéines thérapeutiques, ce qui pourrait être particulièrement utile dans les cas où le temps presse, comme les futures pandémies.
De nombreux facteurs affectent comment et si les protéines se lient les unes aux autres, ce qui rend difficile la prédiction en utilisant uniquement le cerveau humain. Cependant, l’identification de fragments de protéines pouvant interagir avec des cibles protéiques thérapeutiques dans le corps pourrait rapporter d’énormes prix cliniques dans le traitement de diverses maladies. Heureusement, les ordinateurs sont bien adaptés aux tâches qui impliquent des quantités ahurissantes de données détaillées et des permutations complexes de celles-ci. Cette dernière approche implique un apprentissage en profondeur, qui peut évaluer l’interaction subtile entre les différents facteurs affectant la liaison.
« Une pièce de puzzle est bidimensionnelle, mais avec les surfaces protéiques, nous examinons plusieurs dimensions : la composition chimique, comme les interactions de charge positive versus négative ; complémentarité des formes, courbure, etc. », explique Anthony Marchand, chercheur impliqué dans l’étude. « L’idée que tout ce qui se lie dans la nature est complémentaire – par exemple, une charge positive se lie à une charge négative – est une idée de longue date dans le domaine, que nous avons capturée dans notre cadre de calcul. »
Jusqu’à présent, les chercheurs ont utilisé leur système pour créer une série de « liants » protéiques qui peuvent se fixer à des cibles thérapeutiques, y compris la protéine de pointe SARS-CoV-2. Cela impliquait d’utiliser leur approche d’apprentissage en profondeur pour créer des «empreintes digitales» de protéines, puis de parcourir une base de données de fragments de protéines pour trouver ceux qui devraient bien se lier à l’empreinte digitale. Ils ont ensuite testé le potentiel des fragments avec la meilleure activité de liaison prédite pour lier réellement leurs cibles, d’abord par une simulation numérique et enfin en laboratoire après la synthèse du fragment.
« Le fait que nous soyons en mesure de concevoir de nouveaux liants protéiques spécifiques au site en seulement quelques mois rend cette méthode très intéressante pour la thérapeutique. Ce n’est pas seulement un outil : c’est un pipeline », a déclaré Marchand. « De nouvelles avancées dans les méthodes d’apprentissage automatique contribueront à améliorer notre méthode, mais nos travaux actuels fournissent déjà une stratégie pour développer des thérapies innovantes au profit des patients grâce à la conception rapide de thérapies à base de protéines – directement à partir de l’ordinateur. »
Étudier en Nature: De novo conception d’interactions protéiques avec des empreintes digitales de surface apprises
Via : EPFL
