Une avancée majeure dans la prédiction de la spécificité de liaison des protéines
Des chercheurs de l’Université de Californie du Sud (USC) ont mis au point un modèle d’intelligence artificielle révolutionnaire, baptisé Deep Predictor of Binding Specificity (DeepPBS), qui a été publié dans la prestigieuse revue Nature Methods. Ce modèle de pointe permet de prédire avec précision la manière dont une large gamme de protéines interagit avec l’ADN, marquant ainsi une avancée significative dans le développement de nouveaux médicaments et traitements médicaux.
Un modèle innovant pour l’analyse des interactions protéine-ADN
DeepPBS est un modèle de deep learning géométrique conçu pour anticiper la spécificité de liaison des protéines à l’ADN en se basant sur des structures complexes. Cet outil puissant offre aux scientifiques la possibilité d’entrer les données structurelles d’un complexe protéine-ADN dans une plateforme de calcul en ligne intuitive, transformant ainsi le domaine de l’analyse des interactions protéine-ADN.
Importance de la spécificité de liaison dans la régulation génétique
« Les structures des complexes protéine-ADN contiennent généralement des protéines liées à une séquence d’ADN unique. Pour comprendre la régulation des gènes, il est essentiel d’accéder à la spécificité de liaison d’une protéine à n’importe quelle séquence ou région du génome, » a déclaré Remo Rohs, professeur et président fondateur du Département de biologie quantitative et computationnelle à l’USC Dornsife College of Letters, Arts and Sciences.
« DeepPBS est un outil d’IA qui élimine le besoin de séquençage à haut débit ou d’expériences de biologie structurale pour révéler la spécificité de liaison protéine-ADN. »
Une technologie de pointe pour des prédictions précises
DeepPBS exploite un modèle de deep learning géométrique, une forme d’apprentissage automatique qui analyse les données à l’aide de structures géométriques. Cet outil d’IA avancé est spécifiquement conçu pour examiner les propriétés chimiques et les contextes géométriques des interactions protéine-ADN afin de prédire avec précision la spécificité de liaison.
En analysant ces données, DeepPBS génère des graphes spatiaux qui représentent visuellement la structure des protéines et l’interaction complexe entre les protéines et l’ADN. Contrairement à de nombreuses méthodes existantes, souvent limitées à des familles de protéines spécifiques, DeepPBS peut prédire la spécificité de liaison à travers diverses familles de protéines, ce qui en fait un outil polyvalent et puissant en bioinformatique.
Un outil universel pour la recherche
« Il est crucial que les chercheurs disposent d’une méthode applicable à toutes les protéines, sans se limiter à une famille de protéines bien étudiée. Cette approche nous permet également de concevoir de nouvelles protéines, » a ajouté Rohs.
Des avancées dans la prédiction de la structure des protéines
Le domaine de la prédiction de la structure des protéines a connu des progrès significatifs grâce à AlphaFold de DeepMind, qui peut prédire la structure des protéines à partir de données de séquence. Ces avancées ont permis d’accumuler une grande quantité de données structurelles accessibles pour l’analyse scientifique. En combinant DeepPBS avec des méthodes de prédiction de structure, il est possible de prédire la spécificité des protéines sans structures expérimentales.
Applications prometteuses de DeepPBS
Rohs a souligné les nombreuses applications potentielles de DeepPBS. Cet outil de recherche révolutionnaire pourrait accélérer le développement de nouveaux médicaments et traitements adaptés à des mutations spécifiques dans les cellules cancéreuses. De plus, il pourrait ouvrir la voie à de nouvelles découvertes en biologie synthétique et trouver des applications dans la recherche sur l’ARN.
Référence de l’article
- Raktim Mitra, Jinsen Li, Jared M. Sagendorf, Yibei Jiang, Ari S. Cohen, Tsu-Pei Chiu, Cameron J. Glasscock & Remo Rohs. Apprentissage profond géométrique de la spécificité de liaison protéine-ADN. Nature Methods, 2024; DOI: 10.1038/s41592-024-02372-w
