Un traducteur n'apprend pas une langue dans un manuel, mais en écoutant la parole vivante et en voyant immédiatement ce que les gens font en réponse aux mots. C'est exactement ainsi que fonctionne la nouvelle méthode C3P pour lire l'ADN bactérien. Les modèles génomiques classiques tentent d'apprendre les règles en se contentant de « relire » des milliards de lettres du code génétique — et ils se trompent souvent. La raison en est que les régions régulatrices de l'ADN évoluent rapidement et de manière chaotique, comme l'argot de la rue. C3P, lui, associe les promoteurs (les segments d'ADN qui déclenchent la lecture d'un gène) aux protéines qui en résultent. Les modèles de langage protéique comprennent déjà bien le « langage » des protéines — leurs structures tridimensionnelles et leurs fonctions. C'est cette riche expérience qui devient le professeur de l'ADN.
Après un entraînement sur 88 millions de paires « promoteur – protéine » issues de bactéries, le modèle est devenu bien meilleur pour prédire où et comment les gènes sont régulés. Mais le plus intéressant, c'est qu'il a appris à trouver des gènes partenaires dans le génome sans aucune indication (c'est ce qu'on appelle le zero-shot). Les modèles classiques fonctionnent presque au hasard dans une telle tâche, tandis que C3P produit immédiatement des groupes cohérents. C'est comme un traducteur qui, ayant compris le lien entre les mots et les actions, comprend sans dictionnaire que « pluie » et « parapluie » reviennent souvent ensemble dans une conversation.
Les auteurs ont vérifié comment la qualité s'améliore avec l'augmentation des données et de la puissance de calcul. Il s'est avéré que C3P atteint une grande précision avec des coûts bien moindres que les principaux modèles génomiques. La méthode peut être appliquée à grande échelle sans attendre des superordinateurs. La perspective est de déchiffrer la régulation des gènes chez des millions d'espèces de bactéries, simplement en ayant leurs génomes en main. Sans une seule expérience en laboratoire.
tel que rédigé par les auteurs, en anglais arXiv:2605.25242
Despite the increasing scale of genome language models (gLMs), their ability to decode the function of regulatory sequences remains unclear. gLM pretraining relies on sequence reconstruction, which may struggle due to the noisy, rapidly evolving nature of regulatory DNA. Self-supervised contrastive approaches provide a promising alternative. Inspired by language-image architectures like CLIP, we introduce contrastive promoter-protein pretraining (C3P). By learning to align promoters to their corresponding proteins, we leverage the rich representations of proteins learned by protein language models as supervisory signal for the learning of promoter representations. After training on 88 million bacterial promoter-protein pairs, we evaluate the predictive power of C3P-learned promoter representations for inference of curated regulatory annotations, finding multi-fold improvement over leading gLMs. We also introduce zero-shot co-regulated gene retrieval, the ability to find co-regulated genes in a genome using no experimental data. We find that compared to a randomly initialized baseline, C3P training consistently provides significant zero-shot performance gains, unlike gLMs. Scaling analysis reveals the potential for further improvement as well as the efficiency of C3P, which achieved strong performance at a fraction of the training cost of leading gLMs. In addition to demonstrating that C3P training is effective for learning representations of bacterial regulatory sequences, our strong zero-shot co-regulated gene retrieval performance suggests the possibility of decoding gene regulation for millions of bacteria from their genomes alone.
Un promoteur bactérien peut être constitué de quelques dizaines de « lettres » d'ADN seulement, mais c'est de lui que dépend le fait qu'une Escherichia coli inoffensive devienne un pathogène dangereux.
Dans « Jurassic Park », les scientifiques comblaient les lacunes de l'ADN des dinosaures avec des gènes de grenouille — C3P aurait pu prédire comment un tel « assemblage » affecterait l'activation des gènes.