Thank you for visiting naturecom You are using a browser version with limited support for CSS Get
the best experience, we recommend that you use a more up-to-date browser (or deactivate compatibility mode in
Internet Explorer) Waiting, to ensure continued support, we display the site without styles
and JavaScript

Un réseau d’intelligence artificielle (HE) développé par la filiale de Google AI, DeepMind, a fait un pas gigantesque dans la résolution de l’un des plus grands défis de la biologie: déterminer la forme 3D d’une protéine à partir de sa séquence d’acides aminés

Le programme de DeepMind, appelé AlphaFold, a surpassé environ 100 autres équipes dans un défi biennal de prédiction de la structure des protéines appelé CASP, abréviation de Critical Assessment of Structure Prediction. Les résultats ont été annoncés le 30 November, au début de la conférencequi s’est tenue pratiquement cette annéequi fait le point sur l’exercice

C’est un gros problème”, déclare John Moult, biologiste informatique à l’Université du Maryland à College Park, qui a cofondé CASP en 1994 pour améliorer les méthodes de calcul permettant de prédire avec précision les structures des protéines «Dans un certain sens, le problème est résolu

La capacité de prédire avec précision les structures des protéines à partir de leur séquence d’acides aminés serait un énorme avantage pour les sciences de la vie et la médecine Cela accélérerait considérablement les efforts pour comprendre les éléments constitutifs des cellules et permettre une découverte de médicaments plus rapide et plus avancée.

AlphaFold est arrivé en tête du classement lors du dernier CASP – in 2018, la première année où DeepMind, basé à Londres, a participé Mais, this year, le réseau d’apprentissage en profondeur de l’équipe était au-dessus des autres équipes et, according to scientists, s’est si bien comporté que cela pourrait annoncer une révolution en biologie.

Cela change la donne”, déclare Andrei Lupas, biologiste évolutionniste à l’Institut Max Planck pour la biologie du développement à Tübingen, in Germany, qui a évalué les performances de différentes équipes de CASP AlphaFold l’a déjà aidé à trouver la structure d’une protéine qui vexe son laboratoire depuis une décennie, et il s’attend à ce que cela modifie son fonctionnement et les questions qu’il aborde. «Cela changera la médecine Cela changera la recherche Cela changera la bio-ingénierie Cela va tout changer », ajoute Lupas

In some cases, les prédictions des structures d’AlphaFold étaient impossibles à distinguer de celles déterminées à l’aide de méthodes expérimentales «de référence» telles que la cristallographie aux rayons X et, these last years, la cryo-microscopie électronique (cryo-EM) AlphaFold n’élimine peut-être pas le besoin de ces méthodes laborieuses et coûteuses – for the time being – say scientists, mais l’IA permettra d’étudier les êtres vivants de nouvelles manières

Les protéines sont les éléments constitutifs de la vie, responsables de la plupart de ce qui se passe à l’intérieur des cellules Le fonctionnement et l’activité d’une protéine sont déterminés par sa forme 3D – «La structure est fonction» est un axiome de la biologie moléculaire Les protéines ont tendance à adopter leur forme sans aide, guidées uniquement par les lois de la physique

Pendant des décennies, les expériences en laboratoire ont été le principal moyen d’obtenir de bonnes structures protéiques Les premières structures complètes de protéines ont été déterminées, à partir des années 1950, en utilisant une technique dans laquelle des faisceaux de rayons X sont tirés sur des protéines cristallisées et la lumière diffractée traduite en coordonnées atomiques d’une protéine. La cristallographie aux rayons X a produit la part du lion des structures protéiques Mais, au cours de la dernière décennie, la cryo-EM est devenue l’outil privilégié de nombreux laboratoires de biologie structurale

Les scientifiques se demandent depuis longtemps comment les éléments constitutifs d’une protéineune chaîne d’acides aminés différentscartographient les nombreux rebondissements et plis de sa forme finale Les premières tentatives d’utilisation des ordinateurs pour prédire les structures des protéines dans les années 1980 and 1990 ont mal fonctionné, selon les chercheurs Les affirmations nobles pour des méthodes dans des articles publiés avaient tendance à se désintégrer lorsque d’autres scientifiques les appliquaient à d’autres protéines

Moult a lancé CASP pour apporter plus de rigueur à ces efforts L’événement met au défi les équipes de prédire les structures de protéines qui ont été résolues à l’aide de méthodes expérimentales, mais dont les structures n’ont pas été rendues publiques Moult attribue à l’expérienceil n’appelle pas cela une compétitionune amélioration considérable du domaine, en faisant appel au temps sur des revendications surexcitées «Vous découvrez vraiment ce qui semble prometteur, ce qui fonctionne et ce dont vous devriez vous éloigner», he says

La performance de DeepMind en 2018 au CASP13 a surpris de nombreux scientifiques dans le domaine, qui a longtemps été le bastion de petits groupes universitaires Mais son approche était globalement similaire à celle d’autres équipes qui appliquaient l’IA, déclare Jinbo Xu, biologiste informatique à l’Université de Chicago, Illinois.

La première itération d’AlphaFold a appliqué la méthode d’IA connue sous le nom d’apprentissage en profondeur aux données structurelles et génétiques pour prédire la distance entre les paires d’acides aminés dans une protéine Dans une deuxième étape qui n’invoque pas l’IA, AlphaFold utilise ces informations pour élaborer un modèle «consensuel» de ce à quoi la protéine devrait ressembler, explique John Jumper de Deep Mind, qui dirige le projet.

L’équipe a essayé de s’appuyer sur cette approche mais a finalement heurté le mur Donc, cela a changé de tactique, dit Jumper, et a développé un réseau d’IA qui incorporait des informations supplémentaires sur les contraintes physiques et géométriques qui déterminent comment une protéine se replie. Ils lui ont également confié une tâche plus difficile: au lieu de prédire les relations entre les acides aminés, le réseau prédit la structure finale d’une séquence protéique cible. «C’est un système beaucoup plus complexe», dit Jumper

CASP se déroule sur plusieurs mois Des protéines cibles ou des portions de protéines appelées domaines – about 100 au total – sont régulièrement libérées et les équipes ont plusieurs semaines pour soumettre leurs prévisions de structure Une équipe de scientifiques indépendants évalue ensuite les prédictions à l’aide de métriques qui mesurent à quel point une protéine prédite est similaire à la structure déterminée expérimentalement. Les évaluateurs ne savent pas qui fait une prédiction

Les prédictions d’AlphaFold sont arrivées sous le nom degroupe 427”, mais la précision surprenante de bon nombre de ses entrées les a fait ressortir, dit Lupas «J’avais deviné que c’était AlphaFold La plupart des gens avaient », he says

Certaines prédictions étaient meilleures que d’autres, mais près des deux tiers étaient de qualité comparable aux structures expérimentales Dans certains cas, dit Moult, il n’était pas clair si l’écart entre les prédictions d’AlphaFold et le résultat expérimental était une erreur de prédiction ou un artefact de l’expérience.

Les prédictions d’AlphaFold étaient de mauvaises correspondances avec les structures expérimentales déterminées par une technique appelée imagerie par résonance magnétique nucléaire, mais cela pourrait être dû à la façon dont les données brutes sont converties en un modèle, dit Moult Le réseau a également du mal à modéliser des structures individuelles dans des complexes ou des groupes de protéines, les interactions avec d’autres protéines déformant leurs formes.

Generally, les équipes ont prévu les structures avec plus de précision cette année, par rapport au dernier CASP, mais une grande partie des progrès peut être attribuée à AlphaFold, dit Moult Sur les cibles protéiques considérées comme modérément difficiles, les meilleures performances des autres équipes ont généralement obtenu un score de 75 sur une échelle de précision de prédiction de 100 points, alors qu’AlphaFold a marqué environ 90 sur les mêmes cibles, dit Moult.

Environ la moitié des équipes ont mentionné «l’apprentissage en profondeur» dans le résumé résumant leur approche, dit Moult, suggérant que l’IA a un large impact sur le terrain. La plupart d’entre eux provenaient d’équipes universitaires, mais Microsoft et la société de technologie chinoise Tencent ont également rejoint CASP14.

Mohammed AlQuraishi, biologiste informatique à l’Université Columbia de New York et participant au CASP, est impatient de se plonger dans les détails de la performance d’AlphaFold au concours et d’en savoir plus sur le fonctionnement du système lorsque l’équipe DeepMind présente son approche le 1er décembre Il est possiblemais peu probable, he says – qu’une récolte plus facile que d’habitude de cibles protéiques ait contribué à leur performance La forte idée d’AlQuraishi est qu’AlphaFold sera transformationnel

Je pense qu’il est juste de dire que cela sera très perturbateur pour le domaine de la prédiction de la structure des protéines Je soupçonne que beaucoup quitteront le terrain car le problème central a sans doute été résolu », he says “C’est une percée de premier ordre, certainement l’un des résultats scientifiques les plus significatifs de ma vie

Demis Hassabis, directeur général de DeepMind, déclare que l’entreprise apprend ce que les biologistes attendent d’AlphaFoldCrédit: OLI SCARFF / AFP / Getty

Une prédiction AlphaFold a permis de déterminer la structure d’une protéine bactérienne que le laboratoire de Lupas tente de craquer depuis des années L’équipe de Lupas avait précédemment collecté des données brutes de diffraction des rayons X, mais la transformation de ces modèles de type Rorschach en une structure nécessite des informations sur la forme de la protéine. Les astuces pour obtenir ces informations, ainsi que d’autres outils de prédiction, avaient échoué «Le modèle du groupe 427 nous a donné notre structure en une demi-heure, après avoir passé une décennie à tout essayer», dit Lupas

Demis Hassabis, co-fondateur et directeur général de DeepMind, déclare qu’il prévoit de rendre AlphaFold utile afin que d’autres scientifiques puissent l’utiliser (Ils avaient précédemment publié suffisamment de détails sur la première version d’AlphaFold pour que d’autres scientifiques puissent reproduire l’approche) Cela peut prendre des jours à AlphaFold pour arriver à une structure prédite, qui comprend des estimations sur la fiabilité des différentes régions de la protéine «Nous commençons tout juste à comprendre ce que les biologistes voudraient», ajoute Hassabis, qui considère la découverte de médicaments et la conception de protéines comme des applications potentielles.

Start 2020, la société a publié des prédictions sur les structures d’une poignée de protéines du SRAS-CoV-2 qui n’avaient pas encore été déterminées expérimentalement Les prédictions de DeepMind concernant une protéine appelée Orf3a ont fini par être très similaires à celles déterminées plus tard par la cryo-EM, explique Stephen Brohawn, neurobiologiste moléculaire à l’Université de Californie à Berkeley, dont l’équipe a publié la structure en juin. «Ce qu’ils ont pu faire est très impressionnant», he adds

AlphaFold est peu susceptible de fermer les laboratoires comme celui de Brohawn qui utilisent des méthodes expérimentales pour résoudre les structures protéiques Mais cela pourrait signifier que des données expérimentales de qualité inférieure et plus faciles à collecter seraient tout ce qui est nécessaire pour obtenir une bonne structure Certaines applications, telles que l’analyse évolutive des protéines, devraient prospérer car le tsunami des données génomiques disponibles pourrait désormais être traduit de manière fiable en structures. «Cela va permettre à une nouvelle génération de biologistes moléculaires de poser des questions plus avancées», déclare Lupas «Cela va demander plus de réflexion et moins de pipetage

«C’est un problème dont je commençais à penser qu’il ne serait pas résolu de mon vivant», déclare Janet Thornton, biologiste structurale au Laboratoire européen de biologie moléculaire-Institut européen de bioinformatique à Hinxton, UK, et ancienne évaluatrice du CASP Elle espère que l’approche pourrait aider à éclairer la fonction des milliers de protéines non résolues dans le génome humain et à donner un sens aux variations génétiques causant des maladies qui diffèrent d’une personne à l’autre.

Les performances d’AlphaFold marquent également un tournant pour DeepMind La société est surtout connue pour utiliser l’intelligence artificielle pour maîtriser des jeux tels que Go, mais son objectif à long terme est de développer des programmes capables d’obtenir une intelligence large et humaine. Relever de grands défis scientifiques, tels que la prédiction de la structure des protéines, est l’une des applications les plus importantes que son IA puisse faire, dit HassabisJe pense que c’est la chose la plus importante que nous ayons faite, en termes d’impact réel

Subscribe to the Nature Briefing newsletter – what matters in science, for free in your inbox every day

Advanced search

Nature

ISSN 1476-4687 (online)

Artificial intelligence, protein, DeepMind, biology, research

News – GB – “It will change everything”: DeepMind's AI takes a giant leap in the resolution of protein structures
Associated title :
& # 39; It will change everything & # 39 ;: L’IA de DeepMind& fait un bond gigantesque dans la résolution des structures protéiques
How do proteins fold??
L # 39; un des plus grands mystères de la biologie & & largement résolu& # 39; par AI
Le biologiste de l’IA de DeepMind& peut déchiffrer les secrets de la machinerie de vie
London AI Lab revendique une percée qui pourrait accélérer la découverte de médicaments
& # 39; The game has changed& # 39; AI triumphs in the resolution of protein structures
L’IA fissure 50 ans -old & # 39; protein folding problem & # 39 ;, say the researchers
DeepMind AI craque 50 problème de repliement des protéines depuis un an
DeepMind résout 50 -year-year-old & # 39; big challenge& # 39; avec l’IA de repliement des protéines
Alphabet& # 39; s DeepMind franchit une nouvelle étape historique dans la prédiction de la structure des protéines basée sur l’IA

Source: https://www.nature.com/articles/d41586-020-03348-4

Building on its expertise in the areas of digital, technologies and processes , CSS Engineering you in your most ambitious transformation projects and helps you bring out new ideas, new offers, new modes of collaboration, new ways of producing and selling.

CSS Engineering is involved in projects each customer as if it were his own. We believe a consulting company should be more than an advisor. We put ourselves in the place of our customers, to align we incentives to their goals, and collaborate to unlock the full potential their business. This establishes deep relationships and enjoyable.

Our services:

  1. Create professional websites
  2. Hosting high performance and unlimited
  3. Sale and video surveillance cameras installation
  4. Sale and Installation of security system and alarm
  5. E-Marketing

All our achievements here https://www.css-engineering.com/en/works/