Les scientifiques ont appliqué avec succès l’apprentissage par renforcement à un défi en biologie moléculaire.
L’équipe de chercheurs a développé un nouveau logiciel puissant de conception de protéines adapté d’une stratégie éprouvée pour les jeux de société comme Chess and Go. Dans une expérience, les protéines fabriquées avec la nouvelle approche se sont révélées plus efficaces pour générer des anticorps utiles chez la souris.
Les conclusions, publiées le 21 avril dans Sciencesuggèrent que cette percée pourrait bientôt conduire à des vaccins plus puissants. Plus largement, l’approche pourrait conduire à une nouvelle ère dans la conception de protéines.
“Nos résultats montrent que l’apprentissage par renforcement peut faire plus que maîtriser les jeux de société. Lorsqu’il a été formé pour résoudre des énigmes de longue date en science des protéines, le logiciel a excellé dans la création de molécules utiles”, a déclaré l’auteur principal David Baker, professeur de biochimie à l’UW School of Medicine à Seattle et récipiendaire du prix Breakthrough 2021 en sciences de la vie.
“Si cette méthode est appliquée aux bons problèmes de recherche”, a-t-il déclaré, “elle pourrait accélérer les progrès dans divers domaines scientifiques”.
La recherche est une étape importante dans l’utilisation de l’intelligence artificielle pour mener des recherches sur la science des protéines. Les applications potentielles sont vastes, du développement de traitements anticancéreux plus efficaces à la création de nouveaux textiles biodégradables.
L’apprentissage par renforcement est un type d’apprentissage automatique dans lequel un programme informatique apprend à prendre des décisions en essayant différentes actions et en recevant des commentaires. Un tel algorithme peut apprendre à jouer aux échecs, par exemple, en testant des millions de coups différents qui mènent à la victoire ou à la défaite sur l’échiquier. Le programme est conçu pour apprendre de ces expériences et devenir plus apte à prendre des décisions au fil du temps.
Pour créer un programme d’apprentissage par renforcement pour la conception de protéines, les scientifiques ont donné à l’ordinateur des millions de molécules de départ simples. Le logiciel a ensuite fait dix mille tentatives pour améliorer chacun au hasard vers un objectif prédéfini. L’ordinateur a allongé les protéines ou les a pliées de manière spécifique jusqu’à ce qu’il apprenne à les contorsionner dans les formes souhaitées.
Isaac D. Lutz, Shunzhi Wang et Christoffer Norn, tous membres du Baker Lab, ont dirigé la recherche. Le manuscrit scientifique de leur équipe s’intitule “Conception descendante d’architectures protéiques avec apprentissage par renforcement”.
“Notre approche est unique car nous utilisons l’apprentissage par renforcement pour résoudre le problème de la création de formes de protéines qui s’emboîtent comme des pièces de puzzle”, a expliqué le co-auteur principal Lutz, doctorant à l’UW Medicine Institute for Protein Design. “Ce n’était tout simplement pas possible avec les approches précédentes et a le potentiel de transformer les types de molécules que nous pouvons construire.”
Dans le cadre de cette étude, les scientifiques ont fabriqué en laboratoire des centaines de protéines conçues par l’IA. À l’aide de microscopes électroniques et d’autres instruments, ils ont confirmé que de nombreuses formes de protéines créées par l’ordinateur avaient bien été réalisées en laboratoire.
« Cette approche s’est avérée non seulement précise, mais également hautement personnalisable. Par exemple, nous avons demandé au logiciel de créer des structures sphériques sans trous, de petits trous ou de grands trous. Son potentiel pour créer toutes sortes d’architectures n’a pas encore été pleinement exploré », a déclaré le co-auteur principal Shunzhi Wang, chercheur postdoctoral à l’UW Medicine Institute for Protein Design.
L’équipe s’est concentrée sur la conception de nouvelles structures à l’échelle nanométrique composées de nombreuses molécules de protéines. Cela a nécessité de concevoir à la fois les composants protéiques eux-mêmes et les interfaces chimiques qui permettent aux nano-structures de s’auto-assembler.
La microscopie électronique a confirmé que de nombreuses nanostructures conçues par l’IA ont pu se former en laboratoire. Pour mesurer la précision du logiciel de conception, les scientifiques ont observé de nombreuses nanostructures uniques dans lesquelles chaque atome se trouvait à l’endroit prévu. En d’autres termes, l’écart entre la nanostructure prévue et réalisée était en moyenne inférieur à la largeur d’un seul atome. C’est ce qu’on appelle une conception atomiquement précise.
Les auteurs prévoient un avenir dans lequel cette approche pourrait leur permettre, ainsi qu’à d’autres, de créer des protéines thérapeutiques, des vaccins et d’autres molécules qui n’auraient pas pu être fabriquées à l’aide de méthodes antérieures.
Des chercheurs de l’UW Medicine Institute for Stem Cell and Regenerative Medicine ont utilisé des modèles de cellules primaires de cellules de vaisseaux sanguins pour montrer que les échafaudages protéiques conçus surpassaient les versions précédentes de la technologie. Par exemple, comme les récepteurs qui aident les cellules à recevoir et à interpréter les signaux étaient regroupés plus densément sur les échafaudages plus compacts, ils étaient plus efficaces pour favoriser la stabilité des vaisseaux sanguins.
Hannele Ruohola-Baker, professeur de biochimie à l’UW School of Medicine et l’un des auteurs de l’étude, a parlé des implications de l’enquête pour la médecine régénérative : « Plus la technologie devient précise, plus elle ouvre des applications potentielles, y compris les traitements vasculaires. pour le diabète, les lésions cérébrales, les accidents vasculaires cérébraux et d’autres cas où les vaisseaux sanguins sont à risque Nous pouvons également imaginer une livraison plus précise des facteurs que nous utilisons pour différencier les cellules souches en différents types de cellules, nous donnant de nouvelles façons de réguler les processus de développement cellulaire et le vieillissement.”
Ce travail a été financé par les National Institutes of Health (P30 GM124169, S10OD018483, 1U19AG065156-01, T90 DE021984, 1P01AI167966) ; Open Philanthropy Project et The Audacious Project à l’Institute for Protein Design ; Fondation Novo Nordisk (NNF170C0030446); Microsoft ; et Amgen. La recherche a été en partie menée à l’Advanced Light Source, une installation nationale d’utilisateurs exploitée par Lawrence Berkeley National Laboratory pour le compte du ministère de l’Énergie.
Communiqué de presse rédigé par Ian Haydon, UW Medicine Institute for Protein Design.
#Les #développeurs #logiciels #conception #protéines #ont #adapté #une #stratégie #dintelligence #artificielle #éprouvée #aux #échecs
publish_date] pt]