Protéine et médicament : comment accélérer la recherche par 26 express
La recherche d'un nouveau médicament ressemble à la recherche de la bonne clé pour une serrure. La protéine dans la cellule est la serrure, et la molécule candidate est la clé. Il faut comprendre si la clé convient et à quel point elle s'y adaptera solidement. Avant, l'ordinateur passait en revue chaque atome de la serrure et de la clé pour le vérifier. Pour une seule serrure, cela prenait des heures, voire des jours. Tester des millions de clés était irréaliste.
TerraBind change d'approche. Au lieu de tous les atomes, il ne regarde que les points d'appui : pour la protéine, les carbones alpha (comme des nervures de rigidité dans une charpente), et pour la molécule, les atomes lourds (sans hydrogène). Ce « squelette » grossier conserve la forme, mais réduit considérablement le volume de calcul. Résultat : la vitesse est multipliée par 26, et la précision est même légèrement supérieure — de 20 pour cent par rapport aux précédents leaders.
Une évaluation rapide et précise de la force de liaison est l'essentiel dans la sélection des médicaments. On peut maintenant, pour le même coût et le même temps, tester beaucoup plus de substances. Et le programme sait aussi indiquer à quel point il est confiant dans sa prédiction. Cela aide à ne pas gaspiller de ressources sur des options douteuses et à trouver plus rapidement des molécules réellement efficaces.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2602.07735
We present TerraBind, a foundation model for protein-ligand structure and binding affinity prediction that achieves 26-fold faster inference than state-of-the-art methods while improving affinity prediction accuracy by $$\sim$$20\%. Current deep learning approaches to structure-based drug design rely on expensive all-atom diffusion to generate 3D coordinates, creating inference bottlenecks that render large-scale compound screening computationally intractable. We challenge this paradigm with a critical hypothesis: full all-atom resolution is unnecessary for accurate small molecule pose and binding affinity prediction. TerraBind tests this hypothesis through a coarse pocket-level representation (protein C$$_\beta$$ atoms and ligand heavy atoms only) within a multimodal architecture combining COATI-3 molecular encodings and ESM-2 protein embeddings that learns rich structural representations, which are used in a diffusion-free optimization module for pose generation and a binding affinity likelihood prediction module. On structure prediction benchmarks (FoldBench, PoseBusters, Runs N' Poses), TerraBind matches diffusion-based baselines in ligand pose accuracy. Crucially, TerraBind outperforms Boltz-2 by $$\sim$$20\% in Pearson correlation for binding affinity prediction on both a public benchmark (CASP16) and a diverse proprietary dataset (18 biochemical/cell assays). We show that the affinity prediction module also provides well-calibrated affinity uncertainty estimates, addressing a critical gap in reliable compound prioritization for drug discovery. Furthermore, this module enables a continual learning framework and a hedged batch selection strategy that, in simulated drug discovery cycles, achieves 6$$\times$$ greater affinity improvement of selected molecules over greedy-based approaches.
TerraBind n'utilise que 4 points d'appui pour chaque acide aminé de la protéine au lieu de 10 à 20 atomes — comme si un artiste dessinait un portrait uniquement avec les yeux et le nez, mais devinait le visage entier.