Les méthodes computationnelles prédisent comment les protéines se replient en leurs structures 3D fonctionnelles.La prédiction du repliement des protéines est le problème computationnel qui consiste à déterminer la structure tridimensionnelle native d'une protéine à partir de sa séquence d'acides aminés. Comme la fonction d'une protéine est intimement liée à sa forme, connaître la structure repliée est crucial pour comprendre les processus biologiques, concevoir des médicaments et ingénier de nouvelles protéines. Le défi est redoutable : le nombre de conformations possibles est astronomiquement grand, pourtant les protéines se replient en leurs formes fonctionnelles en quelques millisecondes, un paradoxe connu sous le nom de paradoxe de Levinthal. Les méthodes modernes de prédiction combinent des calculs d'énergie basés sur la physique avec l'apprentissage automatique, en particulier les réseaux de neurones profonds, pour atteindre une précision quasi expérimentale pour de nombreuses protéines.
Le problème du repliement des protéines a été formulé dans les années 1960 par Christian Anfinsen, qui a montré que la séquence d'acides aminés détermine la structure native. Les efforts de prédiction computationnelle ont commencé dans les années 1970, mais des avancées majeures sont survenues en 2020 avec AlphaFold2, qui a atteint une précision quasi expérimentale lors de la compétition CASP14, suivie d'améliorations supplémentaires et d'une adoption plus large.
Les approches contemporaines, telles qu'AlphaFold et les outils associés, utilisent une stratégie à deux volets. Premièrement, elles exploitent l'information évolutive : en comparant les séquences de nombreuses protéines apparentées, elles déduisent quelles paires d'acides aminés sont susceptibles d'être en contact dans la structure repliée. Deuxièmement, elles emploient des modèles d'apprentissage profond qui traitent ces données de co-évolution ainsi que des contraintes physiques, en affinant itérativement une structure 3D prédite. Les réseaux de neurones sont entraînés sur des milliers de structures protéiques connues, apprenant les règles complexes qui relient la séquence à la géométrie. La sortie est une liste classée de structures candidates, avec des scores de confiance pour chaque région, que les chercheurs peuvent ensuite valider expérimentalement.
Une prédiction précise de la structure des protéines accélère la découverte de médicaments en permettant le criblage virtuel de composés contre des cibles protéiques, aide à concevoir des enzymes pour des processus industriels, et contribue à interpréter les mutations pathogènes en médecine personnalisée.
Les derniers modèles de prédiction peuvent replier une protéine typique en quelques minutes sur un seul GPU, une tâche qui prendrait des années à un superordinateur pour simuler à partir des premiers principes.
| σ_χA | variable | scattering cross section of particle χ with nucleus A — section efficace square metre |
| σ_χB | variable | scattering cross section of particle χ with nucleus B — section efficace square metre |
| μ_χA | variable | reduced mass of particle χ and nucleus A — reduced mass kilogram |
| μ_χB | variable | reduced mass of particle χ and nucleus B — reduced mass kilogram |
| Z | variable | Bayesian evidence (marginal likelihood) — évidence bayésienne |
| Θ | variable | Parameter vector — parameter vector |
| L(Θ) | variable | Likelihood function — likelihood function |
| π(Θ) | variable | Prior probability density — prior probability density |
| ∫ | opérateur | Integration over parameter space — opérateur intégral |
| dΘ | opérateur | Infinitesimal volume element — volume element |
| x | variable | random variable |
| σ | variable | scale parameter |
| sech | opérateur | hyperbolic secant function — hyperbolic secant |







