IA Horizon

Biologie & conception · actualité vérifiée

L’IA apprend à écrire des protéines que l’évolution n’a jamais essayées

Au MIT, PottsMPNN abandonne un objectif rassurant : recopier la séquence naturelle. Le modèle retrouve moins bien la réponse de l’évolution, mais progresse…

Par Rédaction IA HorizonMis à jour le 27 août 2026

Une biologiste déroule une bande perforée qui se transforme en protéine sculptée de verre, au-delà d’une bibliothèque de formes naturelles classées.
Une biologiste déroule une bande perforée qui se transforme en protéine sculptée de verre, au-delà d’une bibliothèque de formes naturelles classées.

Dans un laboratoire du MIT, Foster Birnbaum ne cherche pas une protéine cachée dans la nature. Il cherche une phrase biologique qui n’a peut-être jamais existé. L’alphabet compte vingt acides aminés ; leur ordre peut produire une forme utile, une chaîne instable ou un objet que l’évolution n’a jamais eu l’occasion de tester.

Contexte

Une protéine est une chaîne d’acides aminés dont le repliement tridimensionnel détermine en grande partie la fonction. Plusieurs séquences peuvent adopter un pli comparable, et une même séquence peut parfois changer de forme.

De nombreux modèles reçoivent une structure et cherchent une séquence capable de l’adopter. Ils sont souvent entraînés et évalués sur la récupération de la séquence naturelle associée à cette structure.

Foster Birnbaum, doctorant et premier auteur, et Amy E. Keating, directrice du département de biologie du MIT, contestent cette métrique : une structure entièrement conçue n’aurait aucune séquence naturelle à recopier.

Leur cadre, PottsMPNN, cherche plutôt à représenter le paysage énergétique reliant identité des acides aminés, interactions entre positions, stabilité et compatibilité avec le pli voulu.

Faits vérifiés

  • MIT News a présenté PottsMPNN le 27 août 2026 ; l’article scientifique est publié en 2026 dans les Proceedings of the National Academy of Sciences.

    source institutionnelle primaire datée

  • L’étude montre que la récupération de séquence native peut être désalignée avec la compatibilité séquence-structure et la prédiction des effets énergétiques des mutations.

    article scientifique primaire indexé par PubMed

  • PottsMPNN apprend une fonction d’énergie comportant des termes pour chaque résidu et pour les interactions par paires, conditionnée par le squelette de la protéine.

    article scientifique primaire

  • Sur des données tenues à l’écart de l’entraînement, la récupération de séquence naturelle diminue tandis que la qualité des séquences conçues et les prédictions énergétiques s’améliorent selon les métriques publiées.

    article scientifique primaire — évaluations computationnelles

Analyse IA Horizon

  • Le basculement vient de la définition du succès : reproduire la réponse observée est facile à mesurer, mais peut enfermer le modèle dans ce que l’évolution a déjà sélectionné.
  • En ajoutant du bruit aux structures d’entraînement, l’équipe pousse le modèle à apprendre ce qui reste physiquement compatible lorsque le squelette varie légèrement, plutôt qu’à mémoriser uniquement des séquences familières.
  • Un espace de séquences plus large pourrait servir à concevoir des enzymes, capteurs moléculaires ou protéines de liaison. Il élargit en même temps l’espace des erreurs et des usages biologiques à risque.
  • Birnbaum souligne lui-même qu’une capacité à concevoir n’importe quelle protéine permettrait une quantité potentiellement effrayante d’ingénierie biologique ; cette phrase décrit un enjeu futur, pas une capacité déjà démontrée.

Ce qui reste incertain

  • Les sources ne montrent pas qu’une protéine thérapeutique issue de PottsMPNN a été synthétisée, repliée en laboratoire, testée dans une cellule, administrée à un animal ou validée chez l’humain.
  • Les évaluations reposent en partie sur des prédictions de structure et des fonctions énergétiques ; une amélioration computationnelle ne garantit pas la solubilité, l’activité, l’innocuité ou la fabrication réelle.
  • PottsMPNN utilise encore des informations provenant de familles de séquences évolutionnaires : il s’éloigne du catalogue naturel sans s’en détacher complètement.
  • Les publications ne proposent pas de cadre opérationnel pour décider quelles protéines nouvelles devraient être conçues, partagées, testées ou bloquées.

Ce que cela change

  • Pour une équipe de conception

    Évaluer séparément compatibilité du pli, énergie, stabilité et diversité au lieu de récompenser uniquement la ressemblance avec une séquence naturelle.

  • Pour un laboratoire

    Fabriquer les séquences candidates, mesurer repliement, solubilité, activité et effets hors cible avant toute conclusion fonctionnelle.

  • Pour la gouvernance

    Définir en amont les classes de cibles, contrôles et règles de partage applicables aux protéines nouvelles à risque.

À retenir

  1. La séquence naturelle n’est pas l’unique réponse possible pour un même pli protéique.
  2. PottsMPNN sacrifie une partie de la copie pour mieux modéliser compatibilité et énergie dans les essais publiés.
  3. Le résultat reste computationnel ; aucune protéine thérapeutique validée n’est démontrée.
  4. Le prochain jalon sera une protéine réellement fabriquée, utile et contrôlée jusque dans ses conséquences.