Comment créer le peptide thérapeutique idéal : trois propriétés à la fois express
Un ingénieur règle une antenne : il tire sur un segment — la fréquence dérive, il change l'angle — le gain chute. C'est à peu près ainsi que fonctionne le développement des peptides thérapeutiques (de courtes chaînes protéiques). La solubilité, la capacité à ne pas détruire les globules rouges et la résistance à l'accumulation de déchets protéiques — ces trois propriétés sont entrelacées, et tenter d'améliorer l'une casse souvent les autres.
Le nouveau système Pepti-Agent agit autrement. Au lieu d'un script monolithique où tout est mélangé, il est assemblé à partir de trois outils indépendants, comme un jeu de tournevis dans une boîte. Un outil — PeptideGPT — génère des variantes de peptides. Un autre — basé sur le modèle ProtBERT — évalue les trois propriétés clés. Le troisième — l'opérateur de mutation — effectue des substitutions ponctuelles d'acides aminés. Un contrôleur basé sur un modèle de langage dirige cet orchestre : il appelle les outils tour à tour et vérifie les chiffres réels des propriétés après chaque étape.
Cette approche fournit un « historique médical » transparent pour chaque candidat : quelles décisions le contrôleur a prises, ce que les modèles ont prédit et quelles mutations ont été acceptées. Cela aide non seulement à choisir les meilleures variantes pour les tests en laboratoire, mais permet aussi de comparer différentes stratégies de conception. En substance, Pepti-Agent transforme la recherche aveugle en un travail d'ingénierie réfléchi, où chaque modification est confirmée par des chiffres.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2606.15422
Therapeutic peptides occupy a valuable design space between small molecules and biologics, but their development requires satisfying several competing constraints at once: solubility, hemolytic activity, and nonspecific surface fouling are governed by overlapping sequence features, so improving one property often degrades another. Computational design addresses this by pairing generative models with sequence-based property predictors, iteratively proposing and refining candidates. However, these components are typically wired together as monolithic scripts that are difficult to inspect, extend, or reuse, and they often refine sequences by natural-language reasoning rather than by tracking the evolving multi-property state of each candidate. We present Pepti-Agent, a closed-loop, peptide-specific framework that exposes generation, property prediction, and single-residue mutation as independently inspectable Model Context Protocol (MCP) tools. A large language model controller invokes these tools and consults live predictor output between calls, so refinement is guided by each sequence's current property profile rather than by language reasoning alone. Task-specific PeptideGPT models generate candidates, ProtBERT-based classifiers score solubility, hemolysis, and non-fouling, and two interchangeable mutation operators propose sequence edits. By recording a per-step trace of controller decisions, predictor outputs, and accepted mutations, Pepti-Agent offers a reproducible substrate for benchmarking multi-objective design strategies and for prioritizing candidates for experimental validation.
Le mot « peptide » vient du grec « peptos » — cuit, digéré. Les premiers peptides ont effectivement été obtenus en décomposant des protéines dans des éprouvettes, mais aujourd'hui on les assemble comme un jeu de construction à partir d'acides aminés.