Un ingénieur en protéines ressemble à un cuisinier qui essaie de préparer un plat à la fois savoureux, sain et économique. En modifiant un ingrédient, il risque d'en gâcher un autre. Autrefois, les assistants informatiques ne pouvaient évaluer les propriétés des protéines qu'individuellement, sans voir comment elles sont liées entre elles.

Cette nouvelle étude compare trois types de réseaux de neurones qui apprennent à prédire plusieurs propriétés d'une protéine à partir de sa « recette » – la séquence d'acides aminés. L'un d'eux, avec une couche finale bayésienne, s'est avéré le plus fiable : il a le mieux géré les données imprécises et a remporté 70 % des tests.

Étonnamment, la méthode la plus simple pour coder une protéine – simplement noter quel acide aminé se trouve à quelle position – n'a pas été moins performante que les méthodes complexes dans un quart des tâches. Et compresser les données avant l'apprentissage a amélioré la précision jusqu'à 42 %. Désormais, les ingénieurs disposent de règles éprouvées : comment choisir un modèle pour obtenir plus rapidement des protéines aux propriétés souhaitées – des lessives aux médicaments.