Selon une étude publiée dans les Actes de l'Académie nationale des sciences (PNAS) le 9 juin 2026, des chercheurs de l'Institut de chimie organique de Shanghai de l'Académie chinoise des sciences ont développé un modèle d'intelligence artificielle générative qui prédit les interactions protéine-protéine à une résolution atomique.
Les travaux, dirigés par les Drs. Yang Jing, Yuan Junying et James J. Chou, ont été mis en avant par l'Académie chinoise des sciences et rapportés par Phys.org. Il ajoute un nouvel outil à un domaine en évolution rapide dans lequel l’IA est de plus en plus utilisée pour concevoir les machines moléculaires qui sous-tendent les médicaments, les matériaux et la biologie synthétique. Pour plus de contexte sur cette histoire, consultez notre actualités IA.
Pourquoi les interactions protéine-protéine sont importantes
Les protéines sont les bêtes de somme moléculaires du corps humain. Ils construisent des tissus, transportent des molécules, régulent la communication cellulaire et se défendent contre les infections. Bon nombre des médicaments les plus importants – notamment les thérapies par anticorps contre le cancer et l’insuline contre le diabète – agissent en interagissant avec des protéines spécifiques ou en remplaçant celles qui manquent ou fonctionnent mal.
Étant donné que de nombreux processus biologiques dépendent de la manière dont les protéines se lient les unes aux autres, la capacité de prédire et de concevoir avec précision les interactions protéine-protéine pourrait accélérer la découverte de médicaments et répondre à des besoins médicaux non satisfaits. Les progrès réalisés ici complètent également les avancées rapides dans les technologies d’administration telles que les vecteurs viraux adéno-associés et les nanoparticules lipidiques d’ARNm, qui transportent les molécules thérapeutiques dans les cellules.
Une approche ascendante plutôt que descendante
La plupart des cadres d'IA existants pour la conception de protéines suivent une stratégie descendante : ils génèrent d'abord un échafaudage protéique global qui correspond à un site cible, puis conçoivent une séquence pour optimiser la liaison. Void-X inverse cette logique.
Le modèle est un système de remplissage atomique. Il est entraîné à reconnaître les modèles d’interaction à l’échelle atomique et à combler les « vides » – les lacunes – au sein des interfaces protéiques. Son hypothèse directrice est que les complexes macromoléculaires stables sont maintenus ensemble par un empilement atomique optimal, qui émerge d'interactions locales entre atomes voisins ainsi que de couplages d'ordre supérieur avec des atomes plus éloignés. Plutôt que de concevoir une forme de protéine entière, Void-X génère directement des amas atomiques compacts optimisés pour un emballage serré dans une région structurelle spécifiée, donnant à la conception une base physique.
Formé sur huit millions d'amas atomiques
Pour entraîner Void-X, les chercheurs ont rassemblé un ensemble de données de plus de huit millions d'amas atomiques sphériques tirés de structures déterminées expérimentalement et déposées dans la banque de données sur les protéines. Pour chaque groupe, environ 30 % des atomes périphériques spatialement contigus étaient masqués, tandis que les atomes restants servaient de « contexte » – en réalité une invite – que le modèle utilisait pour prédire les atomes manquants.
Le réseau résultant contient 172 millions de paramètres et atteint une grande précision prédictive : 78,3 % pour les clusters atomiques intra-chaîne et 68,2 % pour les clusters inter-chaînes, ont rapporté les chercheurs.
Ce que cela signifie pour la découverte de médicaments et au-delà
Selon les auteurs, ces capacités permettent la génération de novo d’interactions protéiques à résolution atomique, offrant ce qu’ils décrivent comme une voie complémentaire et physiquement intuitive pour la conception de protéines. En combinant les détails au niveau atomique avec la modélisation générative, Void-X élargit la boîte à outils pour l'ingénierie rationnelle des interfaces biomoléculaires.
C’est important car la conception d’interfaces est au cœur du développement de médicaments modernes. De meilleurs outils informatiques permettant de prédire comment une molécule candidate se liera à sa protéine cible peuvent raccourcir le chemin allant de l'idée à la thérapie, réduire le recours à des expériences coûteuses d'essais et d'erreurs et faciliter la conception de protéines pour des fonctions entièrement nouvelles en biologie synthétique.
Un domaine en pleine croissance
Void-X arrive au milieu d’une vague de travaux sur les protéines pilotés par l’IA. De la prédiction de structure à la conception générative de tous les atomes, les chercheurs s’efforcent constamment de modéliser les interactions biomoléculaires à pleine résolution atomique. Des systèmes génératifs entièrement constitués d’atomes ont déjà démontré la faisabilité de concevoir et de prédire des interactions à cette échelle, et Void-X apporte une stratégie distincte, axée sur l’emballage en premier, au même effort.
L'astuce de masquage qui fait que ça marche
La méthode de formation de Void-X emprunte une page du playbook du modèle de langage. En masquant environ 30 % des atomes de chaque groupe d’entraînement et en demandant au modèle de les déduire du contexte environnant, les chercheurs ont transformé la biologie structurale en une tâche de remplissage – le même principe qui permet aux grands modèles de langage de prédire les mots manquants dans une phrase. La différence est que le « vocabulaire » de Void-X est constitué d'atomes disposés dans un espace tridimensionnel, et la grammaire qu'il apprend reflète les règles physiques d'emballage qui régissent la manière dont les protéines réelles se replient et se lient.
Cette formation consciente de la structure est ce qui distingue Void-X des approches qui traitent les protéines comme des séquences plates d'acides aminés. Parce que le modèle raisonne simultanément sur les couplages atomiques locaux et à longue portée, il peut proposer des géométries d'interface qui respectent les contraintes physiques d'un complexe stable, plutôt que de produire des conceptions d'apparence plausible mais biologiquement instables.
Limites et questions ouvertes
Les résultats sont prometteurs, mais les chercheurs affirment franchement que des défis subsistent. La précision inter-chaînes de 68,2 % – pertinente pour les complexes multiprotéiques qui définissent la plupart des cibles médicamenteuses du monde réel – est nettement inférieure au chiffre intra-chaîne, reflétant la plus grande difficulté de modéliser la manière dont deux molécules distinctes se réunissent. La conception d'une interface étroitement liée à un modèle informatique n'est également que la première étape ; les candidats doivent encore être synthétisés et validés expérimentalement, et les interactions prédites peuvent faiblir dans l’environnement plus désordonné d’une cellule vivante.
L'augmentation des données d'entraînement, l'affinement de la gestion par le modèle des régions protéiques flexibles ou désordonnées et l'intégration de Void-X avec des systèmes descendants complémentaires sont probablement les prochaines étapes. Les auteurs présentent leur contribution comme une technologie complémentaire plutôt que de remplacement – une option physiquement fondée à combiner avec les échafaudages existants alors que le terrain se dirige vers une conception moléculaire fiable de bout en bout.
Une tendance plus large
L'étude, publiée sous DOI 10.1073/pnas.2607035123, signale que la concurrence pour créer des outils de conception moléculaire toujours plus précis est désormais bien engagée – et que l'IA générative devient un élément indispensable de l'établi du biochimiste. Alors que des modèles comme Void-X réduisent l’écart entre le calcul et le laboratoire, l’espoir est que les chercheurs seront en mesure de concevoir de nouveaux traitements, enzymes et matériaux plus rapidement et de manière plus rationnelle que jamais.
---
Restez à la Pointe de l'IALes dernières actualités, analyses et percées en IA — au même endroit.
Lire plus d'actualités IA →
