Nouvelle percée : PepFlow surpasse Google AI dans la prévision des structures peptidiques

ParisDes chercheurs de l'Université de Toronto ont développé un nouveau modèle d'apprentissage profond appelé PepFlow. Ce modèle est capable de prédire les différentes structures que peuvent adopter les peptides. Les peptides sont des chaînes d'acides aminés plus courtes que les protéines mais ayant des fonctions similaires. Ils sont très flexibles et peuvent prendre de nombreuses formes différentes.

PepFlow utilise l'apprentissage automatique et la physique pour comprendre le repliement des peptides. Grâce à l'apprentissage profond, il détermine rapidement et avec précision les formes des peptides en quelques minutes. Cette nouvelle méthode pourrait révolutionner le développement de médicaments en concevant des peptides capables de se lier efficacement.

Voici quelques caractéristiques essentielles de PepFlow :

• Anticipe toutes les formes possibles de peptides
• Intègre l'apprentissage automatique et la physique
• Permet de capturer les conformations des peptides en quelques minutes
• Essentiel pour le développement de médicaments

La forme tridimensionnelle d'un peptide est cruciale pour sa fonction. La manière dont il se plie influence ses interactions et son efficacité avec d'autres molécules. Cela rend les peptides essentiels pour de nombreux processus biologiques et traitements médicaux. Par exemple, les analogues du GLP1 comme l'Ozempic sont utilisés pour traiter le diabète et l'obésité.

PepFlow est spécialisé dans les peptides, des molécules biologiques essentielles. Le nouveau modèle surpasse AlphaFold2 de Google car il peut générer différentes conformations pour un même peptide, ce que AlphaFold2 n'était pas conçu pour accomplir.

Lisez aussi:

Hier · 18:04

Prix Nobel : défis mondiaux et progrès de l'IA

Le professeur Philip M. Kim de l'Université de Toronto a dirigé les recherches. Il a expliqué qu'ils n'avaient pas pu étudier toute la gamme des formes de peptides jusqu'à présent. En outre, Kim enseigne l'informatique à la Faculté des Arts et des Sciences de l'université.

PepFlow se distingue par ses avancées technologiques uniques. Inspiré par les générateurs de Boltzmann, des modèles avancés d'apprentissage automatique fondés sur la physique, PepFlow est capable de modéliser des structures peptidiques aux formes inhabituelles, telles que les structures en anneau créées par macrocyclisation. Ces macrocycles peptidiques offrent un potentiel prometteur pour le développement de nouveaux médicaments.

PepFlow présente quelques limites. Étant à sa première version, il offre des marges d'amélioration. Les auteurs ont évoqué plusieurs moyens pour perfectionner PepFlow.

• Entraîner le modèle en utilisant des données spécifiques aux atomes de solvant
• Renforcer les contraintes sur la distance entre les atomes dans les structures cycliques

PepFlow est conçu pour être facilement enrichi de nouvelles fonctionnalités et informations. Son développement a duré deux ans et demi, tandis que sa formation a pris seulement un mois. Osama Abdin, l'auteur principal de l'étude, a déclaré que l'effort en valait la peine pour créer un modèle capable de prédire plusieurs structures différentes.

L'étude a été publiée dans Nature Machine Intelligence. Ce modèle constitue un outil utile et efficace pouvant aider à développer des traitements basés sur la liaison des peptides. Connaître les schémas énergétiques des peptides fournit des informations cruciales sur leur fonction et leur utilisation médicale.