Une équipe de chercheurs chinois dirigée par le professeur Gao Caixia de l'Institut de génétique et de biologie du développement (IGDB) de l'Académie chinoise des sciences a développé une méthode révolutionnaire qui pourrait transformer le domaine de l'ingénierie des protéines. La nouvelle approche, appelée contraintes axées sur l'IA pour l'ingénierie des protéines (AICE), permet une évolution rapide et efficace des protéines en intégrant les contraintes structurelles et évolutives dans un modèle de repliement inverse générique sans la nécessité de former des modèles d'intelligence artificielle (IA) spécialisés.
L'étude, publiée dans Cellule Le 7 juillet, relève bon nombre des défis associés aux techniques traditionnelles d'ingénierie des protéines.
La stratégie d'ingénierie des protéines idéale réaliserait des performances optimales avec un minimum d'effort. Cependant, les approches existantes sont souvent limitées en termes de coût, d'efficacité et d'évolutivité. Les méthodes actuelles d'ingénierie des protéines basées sur l'IA sont souvent à forte intensité de calcul, soulignant le besoin d'alternatives plus accessibles et conviviales qui préservent la précision prédictive et permettent une adoption plus large dans la communauté de la recherche.
Dans cette étude, les chercheurs ont d'abord développé une AICcélibataireun module conçu pour prédire les substitutions d'acides aminés uniques (HF). Il améliore la précision des prédictions en échantillonnant largement les modèles de repliement inverse-AI qui génèrent des séquences d'acides aminés compatibles basées sur les structures 3D de la protéine – tout en incorporant des contraintes structurelles.
L'analyse comparative contre 60 ensembles de données de balayage mutationnel profond (DMS) a démontré que l'AICEcélibataire surpasse les autres méthodes basées sur l'IA de 36 à 90%. Son efficacité pour les protéines complexes et les complexes protéine-acide nucléique a également été validée. Notamment, l'incorporation de contraintes structurelles à elle seule a donné une amélioration de 37% de la précision.
Pour relever le défi des interactions épistatiques négatives dans les mutations combinatoires, les chercheurs ont développé l'AICEmulti Module, qui intègre les contraintes de couplage évolutives. Cela permet une prédiction précise de plusieurs mutations à haute tâche à un coût de calcul minimal, en élargissant la polyvalence et l'utilité pratique de l'outil.
En utilisant le cadre AICE, les chercheurs ont réussi à évoluer huit protéines avec diverses structures et fonctions, notamment les désaminases, les séquences de localisation nucléaire, les nucléases et les transcriptases inverses. Ces protéines techniques ont permis la création de plusieurs éditeurs de base de nouvelle génération pour des applications en médecine de précision et en reproduction moléculaire. Ceux-ci incluent: Enabe8e, un éditeur de base de la cytosine avec une fenêtre d'édition de ~ 50% plus étroite; ENSDD6-CBE, un éditeur de base d'adénine avec 1,3 × fidélité supérieure; et ENDDD1-DDCBE, un éditeur de base mitochondrial montrant une augmentation de 13 × activité.
AICE représente une stratégie simple, efficace et largement applicable pour l'ingénierie des protéines. En déverrouillant le potentiel des modèles d'IA existants, il offre une nouvelle direction prometteuse pour le domaine et améliore l'interprétabilité de la refonte des protéines dirigée par l'IA.
