Je me souviens du jour où au collège, on m’a appris que les acides aminés étaient «les éléments constitutifs de la vie». J’étais fasciné par l’idée que notre forme complexe, et la forme d’autres organismes vivants, était comme un minuscule ensemble de Lego, construit pour faire de nous ce que nous étions. Même alors, au début des années 1980, les chercheurs essayaient déjà depuis près d’une décennie de comprendre comment ces acides aminés indiquaient aux protéines quelle forme prendre. Depuis, avec des ordinateurs toujours plus puissants et des algorithmes complexes, les chercheurs ont appliqué apprentissage automatique techniques pour répondre à la même question biologique.

Googlede (NASDAQ: GOOG)(NASDAQ: GOOGL) DeepMind vient de fournir une réponse, et elle souffle sur l’esprit des chercheurs. Depuis près de 50 ans, les scientifiques se demandent comment les protéines savent dans quelle forme se replier et le font à maintes reprises. Lors d’un concours de modélisation, les chercheurs de DeepMind viennent de casser le code, créant un modèle qui traduit les chaînes d’acides aminés en structures protéiques tridimensionnelles. Pour comprendre comment cela pourrait avoir un impact sur la médecine (et l’investissement), il est important de comprendre ce que ces nouvelles connaissances permettront aux scientifiques de faire. De plus, quels sont les effets en aval? Quels domaines de recherche biologique peut être le plus touché? Et quelles entreprises ont le plus à gagner – ou à perdre -?

Source de l’image: Getty Images.

La compétition

Des dizaines de milliers de protéines existent chez l’homme, et il y en a des milliards dans d’autres espèces, virus et bactéries. La façon dont ces protéines se replient détermine directement ce qu’elles font. En fait, en biologie moléculaire, on dit que «la structure est fonction». La forme pliée est la clé du rôle des protéines – comme les anticorps qui combattent les infections ou l’insuline pour réguler la glycémie. C’est pourquoi, depuis 1994, l’évaluation critique de la prévision de la structure des protéines (CASP) a été organisée. Il s’agit d’un événement mettant au défi les équipes de faire progresser la précision des prédictions dans le domaine de la structure des protéines.

AlphaFold, le modèle gagnant de DeepMind, a été formé sur les données publiques de 170 000 structures protéiques. Le programme a nécessité 128 cœurs de cloud computing haut de gamme fonctionnant pendant plusieurs semaines pour créer l’algorithme. En fin de compte, les deux tiers des scores de précision du modèle représentent des erreurs de conception d’une largeur inférieure à un seul atome. DeepMind était la tête et les épaules au-dessus des autres participants à l’événement, qui se composait principalement d’équipes académiques, mais comprenait des entrées de Microsoft (NASDAQ: MSFT) et géant chinois de l’internet Tencent (OTC: TCEHY).

Pourquoi c’est important

La plupart des médicaments prescrits aujourd’hui ont été découverts soit par hasard, soit par des essais et erreurs chronophages. Comprendre comment les acides aminés poussent les protéines à se tordre et à se plier, en prenant leur forme tridimensionnelle, permettra de mieux comprendre pourquoi chaque protéine devient ce qu’elle fait et comment ces signaux sont transmis à travers les membranes cellulaires. Cela pourrait permettre aux scientifiques de mieux concevoir des médicaments qui seront utilisés par les cellules de la manière souhaitée, de comprendre les maladies causant des faux plis et de permettre aux fabricants de médicaments d’identifier la cause des variations génétiques qui mènent à la maladie.

Dans un exemple lors de l’événement, le modèle AlphaFold a fourni la structure d’une protéine bactérienne en seulement 30 minutes. L’Institut Max Planck en Allemagne travaille sur ce problème même depuis plus d’une décennie. Ensuite, l’équipe pourrait commencer à s’attaquer aux milliers de protéines non résolues dans le génome humain et aux centaines de millions de protéines dans la nature qui n’ont pas été modélisées. Cela soulève la question de savoir quand nous pouvons tous obtenir des médicaments conçus pour notre propre biologie spécifique.

À surveiller

Pour l’instant, les applications à la découverte de médicaments devront attendre. On ne sait pas quand ni comment DeepMind partagera son modèle, et bien qu’impressionnant, il avait des limites. Par exemple, le modèle a eu du mal à prédire les complexes protéiques, ou les groupes, où les interactions entre les protéines peuvent déformer les formes. Comme plus de protéines sont impliquées, la possibilité potentielle d’interactions à modéliser devient presque impossible. Cette contrainte mathématique – connue sous le nom d’explosion combinatoire – est courante dans la modélisation avancée mais pourrait éventuellement être surmontée avec plus de puissance de calcul. Il sera important d’aborder ce problème, car les interactions protéine-protéine sont l’un des principaux mécanismes ciblés pour découvrir de nouveaux médicaments.

Malgré les mises en garde, la découverte promet d’alimenter le feu de la recherche scientifique sur le fonctionnement du corps humain. Mieux comprendre la traduction des acides aminés en protéines valide l’impact potentiel de l’édition génique et des entreprises comme CRISPR Thérapeutique (NASDAQ: CRSP), Intellia Thérapeutique (NASDAQ: NTLA), et Editas Médicament (NASDAQ: MODIFIER). En outre, la résolution de ce problème devrait finalement conduire à moins d’essais et d’erreurs en laboratoire et rendre le séquençage du génome encore plus important, au bénéfice Illumina (NASDAQ: ILMN), Thermo Pêcheur Scientifique (NYSE: TMO), et Agilent (NYSE: A). Après tout, l’ADN contient des informations pour fabriquer des protéines.

Les avantages de la découverte de DeepMind resteront largement derrière le rideau de la recherche, apparaissant à la plupart d’entre nous au même titre que d’autres percées médicales – sous la forme de médicaments nouveaux ou meilleurs pour traiter les maladies. Mais ne vous méprenez pas sur l’importance. Un juge de l’ACPS, un biologiste informatique de l’Université de Columbia, l’a qualifiée de l’une des avancées les plus importantes de sa vie. Même le co-fondateur de CASP a ajouté: « Je n’aurais jamais pensé voir cela de ma vie. » Je pense que c’est la première salve d’une nouvelle bataille contre la maladie humaine. Armé d’une meilleure compréhension des éléments constitutifs de la vie et une fois puissance de calcul impensable, nous pourrions bientôt revenir sur notre courant processus de découverte de médicaments comme nous examinons maintenant le traitement des infections avant que la pénicilline soit disponible, ou le suivi de la grossesse avant les échographies – deux progrès réalisés dans les années 1950. Dans soixante-dix ans, les gens pourraient s’émerveiller des efforts déployés pour la découverte de médicaments et se demander comment nous avons pu développer des médicaments avec un processus aussi aléatoire.