DeepMind, filiale d’Alphabet (la société mère de Google), a montré que Apprentissage automatique (ML) peut prédire la forme de la machinerie protéique avec une précision sans précédent, ouvrant la voie aux chercheurs pour découvrir de nouveaux anticorps, enzymes et aliments.

La forme d’une protéine fournit des indices très solides sur la façon dont la machinerie protéique peut être utilisée, mais ne résout pas complètement cette question.

« Nous nous sommes donc demandé : pouvons-nous prédire quelle fonction remplit une protéine ? a déclaré Max Bileschi, ingénieur logiciel du personnel, Google Recherche, Équipe Cerveau.

Dans un article de Nature Biotechnology, Google décrit comment les réseaux de neurones peuvent révéler de manière fiable la fonction de la « matière noire » de l’univers des protéines, surpassant les méthodes de pointe.

DeepMind a travaillé en étroite collaboration avec des experts internationalement reconnus de l’Institut européen de bioinformatique de l’EMBL (EMBL-EBI) pour annoter 6,8 millions de régions protéiques supplémentaires dans la version « Pfam v34.0 database », un référentiel mondial pour les familles de protéines et leur fonction.

Ces annotations dépassent l’expansion de la base de données au cours de la dernière décennie et permettront aux 2,5 millions de chercheurs en sciences de la vie du monde entier de découvrir de nouveaux anticorps, enzymes, aliments et thérapeutiques.

Pour environ un tiers de toutes les protéines produites par tous les organismes, nous ne savons tout simplement pas ce qu’elles font.

« C’est un peu comme si nous étions dans une usine où tout bourdonnait, et nous étions entourés de tous ces outils impressionnants, mais nous n’avons qu’une vague idée de ce qui se passe. Comprendre comment ces outils fonctionnent et comment nous pouvons les utiliser , c’est là qu’on pense apprentissage automatique peut faire une grande différence », a déclaré Lucy Colwell, chercheuse principale, Google Recherche, Équipe Cerveau.

La base de données Pfam est une vaste collection de familles de protéines et de leurs séquences.

« Nos modèles ML ont aidé à annoter 6,8 millions de régions protéiques supplémentaires dans la base de données », ont déclaré les chercheurs.

La société a également lancé un article scientifique interactif où « vous pouvez jouer avec nos modèles ML – obtenir des résultats en temps réel, le tout dans votre navigateur Web, sans configuration requise ».

Selon les chercheurs, la combinaison de modèles profonds avec des méthodes existantes améliore considérablement la détection d’homologie à distance, suggérant que les modèles profonds apprennent des informations complémentaires.

Cette approche étend la couverture de Pfam de plus de 9,5 %, dépassant les ajouts effectués au cours de la dernière décennie, et prédit la fonction de 360 ​​protéines protéomiques de référence humaines sans annotation Pfam antérieure.

« Les résultats suggèrent que les modèles d’apprentissage en profondeur seront un élément central des futurs outils d’annotation des protéines. »

–IANS

na/sks/ksk/

(Seuls le titre et l’image de ce rapport peuvent avoir été retravaillés par le personnel de Business Standard ; le reste du contenu est généré automatiquement à partir d’un flux syndiqué.)

Cher lecteur,

Business Standard s’est toujours efforcé de fournir des informations et des commentaires à jour sur les développements qui vous intéressent et qui ont des implications politiques et économiques plus larges pour le pays et le monde. Vos encouragements et vos commentaires constants sur la façon d’améliorer notre offre n’ont fait que renforcer notre détermination et notre engagement envers ces idéaux. Même en ces temps difficiles découlant de Covid-19, nous restons déterminés à vous tenir informés et à jour avec des nouvelles crédibles, des opinions faisant autorité et des commentaires incisifs sur des questions d’actualité pertinentes.
Nous avons cependant une demande.

Alors que nous luttons contre l’impact économique de la pandémie, nous avons encore plus besoin de votre soutien, afin de pouvoir continuer à vous offrir plus de contenu de qualité. Notre modèle d’abonnement a reçu une réponse encourageante de la part de beaucoup d’entre vous, qui se sont abonnés à notre contenu en ligne. Plus d’abonnement à notre contenu en ligne ne peut que nous aider à atteindre les objectifs de vous offrir un contenu encore meilleur et plus pertinent. Nous croyons en un journalisme libre, juste et crédible. Votre soutien à travers plus d’abonnements peut nous aider à pratiquer le journalisme auquel nous nous sommes engagés.

Soutenir un journalisme de qualité et abonnez-vous à Business Standard.

Éditeur numérique