Un nouveau modèle d’IA, OpenFold3, élargit considérablement l’accès à un outil puissant pour prédire comment les protéines interagissent avec d’autres molécules, ouvrant la voie à une découverte accélérée de médicaments et à une meilleure compréhension des processus biologiques. Construit comme une reconstruction open source de l’AlphaFold3 de Google DeepMind, ce développement marque une étape cruciale vers la démocratisation d’une technologie auparavant restreinte.
L’essor d’OpenFold3: Une réponse à un Accès limité
AlphaFold3, publié en octobre 2023, représente une avancée significative dans l’intelligence artificielle, permettant de prédire comment les protéines interagissent non seulement avec d’autres protéines, mais également avec de petites molécules comme celles trouvées dans les médicaments et les acides nucléiques. Cependant, DeepMind a initialement limité l’accès à AlphaFold3 aux particuliers, aux organisations non commerciales et aux journalistes, entravant une exploration scientifique plus large. Reconnaissant le besoin de transparence et d’une collaboration plus large, un consortium de chercheurs dirigé par Mohammed AlQuraishi de l’Université Columbia a minutieusement recréé la plate-forme AlphaFold3, ce qui a abouti à OpenFold3. Ce modèle open source permet aux entreprises et aux chercheurs d’utiliser la technologie à des fins commerciales, y compris des efforts cruciaux de développement de médicaments.
Pourquoi La Prédiction des Interactions Protéiques Est Importante
Comprendre comment les protéines interagissent entre elles et avec d’autres molécules est fondamental pour la biologie. Les protéines sont les bêtes de somme des cellules et leur fonction est fortement influencée par leur forme. “La biologie n’est pas constituée de protéines isolées. Ce sont des biomolécules qui interagissent les unes avec les autres”, explique Woody Sherman, fondateur et directeur de l’innovation chez Psivant Therapeutics et président du comité exécutif d’OpenFold. La prédiction de ces interactions est une étape cruciale dans la conception de médicaments, permettant aux chercheurs d’identifier des cibles médicamenteuses potentielles et de développer des molécules qui se lient efficacement à l’activité des protéines et la modulent.
Leçons tirées d’AlphaFold2
La création d’OpenFold2 a fourni des informations précieuses sur le fonctionnement interne des modèles d’IA de style AlphaFold. Bien qu’initialement présenté comme un algorithme qui apprend comment les protéines se replient en fonction des séquences d’acides aminés, la recherche a révélé qu’AlphaFold2 “mémorise” principalement les structures protéiques précédemment observées et utilise ces mémoires pour prédire les structures de protéines similaires. L’application de cette compréhension à AlphaFold3 pourrait débloquer des informations similaires sur les associations protéine-médicament, conduisant à une précision de prédiction améliorée. Stephanie Wankowicz, biologiste structurale computationnelle à l’Université Vanderbilt, souligne l’importance de la transparence du code, déclarant qu’il est “difficile d’évaluer un produit informatique sans voir les informations brutes.”
Les défis de la réplication
Alors que d’autres équipes ont tenté de reproduire AlphaFold3, atteindre une haute précision s’est avéré difficile. Cela est en grande partie dû aux subtils “trucs et astuces” employés par les créateurs d’AlphaFold3 qui ne sont pas explicitement documentés dans le code ou les documents à l’appui. Sherman souligne l’importance de ces détails, notant que “Personne ne le précise that mais les détails comptent, surtout lorsque vous avez affaire à de grands modèles et à beaucoup de données.”L’équipe OpenFold3 reconnaît que certaines différences subsistent entre leur modèle et l’AlphaFold3 d’origine.
Aller Au-Delà des Structures Statiques: Intégrer Les Réalités Biologiques
Les modèles d’IA actuels, y compris AlphaFold3 et OpenFold3, génèrent des images statiques de protéines. Cependant, dans les cellules vivantes, les protéines sont entourées d’eau et d’ions, vibrant et se déplaçant constamment. L’équipe OpenFold3 vise à intégrer ces facteurs dynamiques dans son modèle, en fournissant une représentation plus réaliste du comportement des protéines dans leur environnement naturel.
Formation Collaborative pour une Meilleure Découverte de Médicaments
Avant même sa sortie officielle, OpenFold3 a gagné du terrain dans l’industrie pharmaceutique. Cinq entreprises ont uni leurs forces dans le cadre de l’initiative fédérée OpenFold3 pour former le modèle d’IA à l’aide d’ensembles de données propriétaires, dans le but de créer un outil de prédiction plus puissant et spécialisé tout en protégeant les informations confidentielles. Cette approche collaborative démontre le potentiel d’OpenFold3 pour accélérer les efforts de découverte de médicaments en tirant parti des connaissances spécifiques à l’industrie. Actuellement, seul un faible pourcentage des structures protéiques dans les bases de données accessibles au public sont associées à des molécules aux propriétés similaires à celles d’un médicament, un fossé que cette initiative espère combler.
Un Impact progressif sur la découverte de médicaments
Alors qu’OpenFold3 offre d’énormes promesses, les experts mettent en garde contre l’attente de changements immédiats et révolutionnaires dans la découverte de médicaments. “Ce sera la prochaine étape, et la prochaine étape et la prochaine étape qui sont celles où nous allons vraiment commencer à voir cet impact significatif”, conclut Sherman. OpenFold3 constitue un point de départ essentiel pour les progrès dans le domaine, responsabilisant les chercheurs et accélérant le développement de nouvelles thérapies efficaces.
