Un constructeur de protéines qui se souvient des bons coups express
Améliorer la recette d'un plat complexe est un art délicat, surtout si l'on ne peut goûter que quelques variantes par jour. Changer les ingrédients au hasard est risqué : retirez le sel ou la levure, et la base est gâchée. Il en va de même pour les protéines : les mutations aléatoires cassent souvent des parties vitales, et chaque test en laboratoire coûte du temps et de l'argent.
La nouvelle approche, baptisée SILO, procède autrement. Elle décompose chaque modification en deux étapes : d'abord, elle choisit une position dans la chaîne protéique, puis elle décide quel acide aminé y placer. Cela rappelle la réparation d'un moteur : le mécanicien ne remplace pas toutes les pièces les unes après les autres, mais cherche le composant défectueux et lui trouve la pièce adaptée. SILO utilise en outre une astuce ingénieuse, le « test à l'alanine » : il remplace temporairement la position par le brique la plus simple (l'alanine) pour évaluer son importance pour le fonctionnement de la protéine. Ainsi, l'algorithme ne touche pas aux zones critiques.
Au fil de sa recherche, SILO accumule de l'expérience. À chaque cycle, il génère plusieurs variantes, les teste dans un modèle informatique et mémorise les plus réussies. Ensuite, il apprend à imiter ces bons coups, sans chercher à prédire la « note » exacte de chaque modification — car ces notes sont souvent bruitées et trompeuses. Cette approche s'apparente à l'apprentissage d'un cuisinier : au lieu de calculer la température idéale du four à l'aide de formules, il reproduit les gestes du chef lorsqu'il prépare la meilleure version du plat.
En résumé : pour créer une protéine idéale, il n'est pas nécessaire de tout essayer. Il suffit de se souvenir de ses meilleures actions et de contourner prudemment les zones fragiles — comme un artisan expérimenté qui connaît son outil et ne gâche pas la pièce.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2605.26690
Protein sequence optimization under tight oracle budgets requires methods that explore vast combinatorial spaces while making each evaluation informative. Existing reinforcement learning and off-policy generative approaches often degrade under surrogate noise, and position-agnostic mutation proposals risk disrupting functionally critical residues. We introduce SILO, a trajectory-level self-improvement imitation framework for oracle-budgeted protein design. SILO uses a hierarchical edit policy that decomposes each mutation into a position choice followed by a residue choice. In each active-learning round, the policy samples candidate trajectories via incremental stochastic beam search without replacement (SBS), and a UCB-based proxy ensemble, combined with an alanine-scan fitness score (AFS), selects candidates with functionally relevant edits for in silico oracle evaluation. The policy is then updated by next-action cross-entropy imitation on the round's best oracle-labeled trajectories, avoiding value-function estimation. Across eight reproduced protein fitness landscapes and five strong baselines from prior work, SILO achieves the highest maximum and top-100 mean fitness on 8 of 8 landscapes within our evaluations, often exhibiting faster early-stage improvement. In low-data and noisy-proxy stress tests on two landscapes per setting, SILO remains competitive or best when several baselines degrade. Ablations show that SBS with AFS account for much of the gains, with iterative imitation providing additional improvement. Code is available at: https://github.com/grimmlab/SILO.git
Le test à l'alanine utilisé dans SILO a été inventé dans les années 1980 : les biologistes remplaçaient les acides aminés un par un par de l'alanine pour repérer les « points chauds » essentiels au fonctionnement de la protéine. C'est comme vérifier quel bouton d'ascenseur est cassé en les pressant un à un.