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

Une immense bibliothèque où chaque livre est une instruction précise pour assembler une molécule de protéine. Le réseau de neurones AlphaFold2 a lu des millions de ces livres et a appris à fournir instantanément un modèle tridimensionnel prêt à l'emploi. Mais à l'intérieur de ce réseau, dans son « cerveau », il reste quelque chose de plus — non pas seulement des règles d'assemblage, mais tout un atlas des mouvements possibles de la protéine, sa vie cachée.

Les chercheurs ont imaginé un moyen de regarder dans cet atlas. Ils ont pris les tenseurs de poids (les matrices de nombres qui stockent les connaissances du réseau) du bloc Evoformer — la partie clé d'AlphaFold2 — et leur ont appliqué une convolution avec un flou gaussien. En termes simples, ils ont légèrement « défocalisé » la vision du réseau pour voir non pas une image nette, mais tout un éventail de possibilités. Cette méthode a été nommée spectroscopie neuronale.

Le résultat a été stupéfiant. Pour la protéine ubiquitine, une telle « perturbation » a montré que ses parties se détachent exactement dans l'ordre qui a été déterminé pendant des décennies par des expériences de laboratoire sur le repliement.

Pour la protéine KaiB, qui peut adopter deux formes complètement différentes, les cinq versions du réseau entraînées indépendamment ont toutes montré à l'unanimité : la deuxième forme ne peut pas être obtenue par perturbation. Et pour l'alpha-synucléine, associée à la maladie de Parkinson, les cinq versions ont produit cinq cartes différentes mais intrinsèquement cohérentes. Cela a indiqué où les données d'entraînement donnaient un signal clair et où le réseau restait dans l'ignorance. Un test de contrôle — l'ajout d'un bruit aléatoire de même puissance — ne produisait que des déchets informes, et non des mouvements significatifs. Les 93 millions de paramètres du réseau se sont révélés être non pas un simple mécanisme, mais une empreinte figée de la réalité physique des protéines.

Résumé original

tel que rédigé par les auteurs, en anglais arXiv:2607.16087

AlphaFold2's 93 million parameters, shaped by the evolutionary record of protein structure encoded in the Protein Data Bank and in sequence alignments, are conventionally treated only as machinery for converting sequence to structure. We propose they are also a scientific object that can be analyzed directly: a learned encoding of protein conformational organization that can be probed and characterized. By smoothing the Evoformer's weight tensors with a Gaussian convolution and scaling the result, we show that the trained model produces physically structured conformational landscapes. Under perturbation, ubiquitin's native contacts break in the order established by decades of folding experiments. For KaiB, five independently trained models agree that the alternative fold is not recovered under perturbation. For alpha-synuclein, five models produce five different but coherent landscapes, mapping where the training signal has determined the representation and where it has not. Matched-power noise controls confirm that random corruption of equal magnitude produces debris, not conformations. The model learned to predict static structures; the conformational organization visible under perturbation was not an explicit training target, suggesting it emerged as a byproduct of that objective. AlphaFold2's weights appear to encode structural constraints, shaped by evolutionary and structural training data, that extend beyond what unperturbed inference reveals. We call the approach of reading them neural spectroscopy, and Scaled Gaussian Convolution one such protocol.