Un modèle linguistique de protéines, c'est un peu comme un chef cuisinier qui aurait appris dans des milliers de recettes et qui compose maintenant de nouveaux plats. Parfois, il s'emballe et met du sel dans chaque plat, parce qu'un bon livre de recettes en contenait beaucoup. Dans les protéines, cette répétition n'est pas seulement inesthétique : des segments identiques dans la chaîne rendent la protéine fragile, elle ne peut pas se replier dans la bonne forme et ne fonctionne pas.

Les chercheurs ont remarqué ce problème dans deux modèles populaires, ESM-3 et ProtGPT2. Ils ont imaginé un moyen de suggérer au modèle comment éviter les répétitions, sans abîmer la protéine elle-même. Pour cela, ils ont rassemblé des paires d'exemples : une protéine avec des répétitions, une autre sans, mais toutes deux se repliant aussi bien. La seule différence réside dans la répétitivité, et le modèle apprend à la repérer précisément.

La méthode s'appelle UCCS — contrôle contrastif guidé. Elle ne réapprend pas le modèle, mais ajoute un « vecteur » spécial — une direction qui éloigne la génération des répétitions. Lors des tests sur les bases de protéines CATH, UniRef50 et SCOP, la nouvelle approche a réduit les répétitions nettement mieux que les pénalités lors de la génération, tout en conservant une haute confiance d'AlphaFold dans la structure correcte.

Désormais, les chercheurs disposent d'un outil qui rend la génération de protéines plus fiable. C'est un pas vers la conception de nouvelles protéines pour des médicaments et des matériaux, sans craindre d'obtenir une bouillie inutile de répétitions.