Écrire le vivant, II : apprendre à lire les protéines

La difficile compréhension des protéines. • Qant avec GPT-4o

Comprendre la structure et le comportement des protéines est un défi majeur de la biologie moléculaire. Ces macromolécules, constituées de chaînes d’acides aminés, adoptent des formes complexes et jouent un rôle clé dans toutes les fonctions cellulaires. Or, leur activité biologique dépend étroitement de leur repliement tridimensionnel, lui-même dicté par la séquence. Face à la complexité du problème, les chercheurs se sont tournés vers des techniques de protein representation learning (PRL), capables de transformer ces objets structurés en vecteurs numériques exploitables par des modèles prédictifs. Les Protein Language Models (PLMs) sont ainsi devenus le paradigme dominant au sein du PRL. 

Cette approche s’inspire des grands modèles linguistiques (Large Language Models ou LLM) utilisés en traitement automatique du langage naturel. L’analogie est que les séquences d’acides aminés des protéines peuvent être vues comme un « langage biologique » avec sa propre « grammaire » et ses propres motifs. Les PLM modélisent les séquences protéiques comme un langage biologique, permettant ainsi des prédictions et des analyses à grande échelle.

Dans ce deuxième volet de l’enquête sur les PLM, Qant vous présente une synthèse du PRL, en s’appuyant sur une étude récente de l’université de l’Alabama à Birmingham.