Une protéine dans la cellule n'est pas une pièce rigide, mais plutôt un gant souple qui peut saisir différents objets. Jusqu'ici, les concepteurs de protéines travaillaient comme des sculpteurs, créant une clé pour une seule serrure : une cible, une forme. Mais la vie est plus complexe : parfois, il faut qu'une protéine reconnaisse deux virus différents à la fois ou change de conformation selon son voisinage.

La nouvelle méthode Chamaileon relève ce défi. Au lieu de dessiner une protéine de toutes pièces, elle apprend à partir d'exemples où l'on connaît à la fois la séquence d'acides aminés (les perles sur un fil), le repliement tridimensionnel et le contexte — avec qui la protéine doit se lier ou dans quel état elle doit se trouver. L'apprentissage ressemble au travail d'un traducteur : le modèle voit une paire « contexte + structure » et reconstruit la séquence-texte, puis il fait l'inverse. Ainsi, il capture les règles cachées qui permettent à une même chaîne de se replier de différentes manières.

Lors de l'application, le modèle explore de nombreuses variantes d'une même séquence, en l'essayant dans différents contextes — comme un tailleur qui ajuste un même costume à différentes morphologies en modifiant légèrement le patron. Cette technique, appelée échantillonnage par mélange de chemins (Mixture-of-Paths Sampling), permet de contourner le manque de données expérimentales où toutes les formes possibles d'une protéine sont connues.

Les auteurs ont testé Chamaileon sur un ensemble de tâches spécialement conçu, CROSS — allant de la liaison à deux protéines différentes à la commutation entre une forme ouverte et une forme fermée. Dans tous les cas, les séquences générées se sont révélées stables et ont reconnu les cibles souhaitées. Cette approche ouvre la voie à la conception de protéines intelligentes qui ne se contentent pas de frapper un point précis, mais réagissent avec souplesse à leur environnement — presque comme des êtres vivants.