PRIX NOBEL DE CHIMIE 2024

AlphaFold et la prédiction rapide de la structure tridimensionnelle d’une protéine

Demis Hassabis et John Jumper, tous deux du Google DeepMind, de Londres, ont mis au point un algorithme de prédiction des structures protéiques à partir des séquences en acides aminés. En 2018, des techniques d’apprentissage machine (machine learning) sont introduites dans les travaux portant sur ce sujet. Le machine learning laisse les algorithmes découvrir des motifs récurrents, ici dans les séquences de protéine, et apprend à les rechercher dans d’autres situations. Dans le cas des protéines, les motifs d’apprentissage – ainsi certaines structures récurrentes dans des protéines associées à des séquences d’acides aminés – ont été accumulés au cours des études antérieures. Cette première étape a constitué un changement décisif dans l’approche du calcul de structures de protéines. Le « coup de génie » de Demis Hassabis et John Jumper a été d’introduire dans les motifs d’apprentissage non seulement les données structurales déjà connues, mais aussi des données fonctionnelles – sites de phosphorylation, sites d’interactions entre domaines de protéines, séquences de régions transmembranaires, etc. – ou évolutives – comme des motifs conservés dans des familles de protéines et (ou) au cours de l’évolution.

Leur logiciel, appelé AlphaFold, réalisé en collaboration avec l’European Molecular Biology Laboratory-European Bioinformatics Institute (EMBL-EBI) et dont les principes ont été publiés pour la première fois en juillet 2021 dans la revue Nature, évolue rapidement par intégration de nouveaux éléments d’apprentissage. Les deux chercheurs ont mis à la disposition des scientifiques différentes versions d’AlphaFold, désormais utilisées dans tous les domaines de la biologie, particulièrement en médecine et pharmacologie, où la précision des interactions est particulièrement cruciale.