📄 Version "Simple" affichee, "Avancé" n est pas encore prete. Ajoutez-le aux favoris pour aider a la prioriser. Demander l’analyse complète

Un anticorps est une protéine qui capture les virus et les bactéries. Lorsqu'un ennemi pénètre dans l'organisme, les cellules immunitaires testent différentes variantes d'anticorps, comme si elles essayaient différentes clés sur une serrure. Les modifications utiles sont conservées, les nuisibles sont écartées. En quelques semaines, on obtient ainsi un anticorps parfaitement adapté à sa cible.

Les modèles informatiques classiques ne voient pas cette histoire. Ils considèrent les anticorps comme des entités indépendantes, comme des cartes dans un jeu. Or, chaque anticorps est le descendant d'un précédent, et sa structure porte la trace des essais et erreurs. Le nouveau modèle CoSiNE lit cette généalogie. Il représente l'évolution des anticorps comme une chaîne de petits pas, où chaque pas est le remplacement d'une lettre dans le code génétique.

Le modèle ne se contente pas de reproduire le passé – il sait l'accélérer. Un mécanisme intégré, le « guide », oriente la recherche vers des anticorps qui se lient plus fortement à la cible. C'est comme si un sélectionneur, au lieu d'attendre des mutations aléatoires, plantait directement des semences aux propriétés voulues. C'est pourquoi CoSiNE surpasse même les modèles de langage les plus récents, qui prédisent les propriétés des protéines mais ne comprennent pas d'où elles viennent.

Résumé original

tel que rédigé par les auteurs, en anglais arXiv:2602.18982

Common deep learning approaches for antibody engineering focus on modeling the marginal distribution of sequences. By treating sequences as independent samples, however, these methods overlook affinity maturation as a rich and largely untapped source of information about the evolutionary process by which antibodies explore the underlying fitness landscape. In contrast, classical phylogenetic models explicitly represent evolutionary dynamics but lack the expressivity to capture complex epistatic interactions. We bridge this gap with CoSiNE, a continuous-time Markov chain parameterized by a deep neural network. Mathematically, we prove that CoSiNE provides a first-order approximation to the intractable sequential point mutation process, capturing epistatic effects with an error bound that is quadratic in branch length. Empirically, CoSiNE outperforms state-of-the-art language models in zero-shot variant effect prediction by explicitly disentangling selection from context-dependent somatic hypermutation. Finally, we introduce Guided Gillespie, a classifier-guided sampling scheme that steers CoSiNE at inference time, enabling efficient optimization of antibody binding affinity toward specific antigens.