Dans la cellule, les protéines n’agissent presque jamais seules. Elles s’assemblent en complexes dynamiques pour assurer des fonctions essentielles, de l’expression des gènes à la réponse aux stress. Pourtant, décrypter précisément ces assemblages reste un défi majeur : les approches expérimentales sont longues, et le nombre de combinaisons possibles entre protéines devient rapidement vertigineux.
Une étude publiée dans Acta Crystallographica D et impliquant Kamel Hammani (IBMP) propose une solution originale en s’appuyant sur les avancées récentes de l’intelligence artificielle. L’approche, baptisée Alphafuser, combine les prédictions structurales issues d’AlphaFold avec des données expérimentales d’interactions pour reconstruire progressivement des complexes protéiques multipartenaires.
L’idée est simple mais puissante : plutôt que de tester toutes les combinaisons possibles, un problème rapidement insoluble, Alphafuser élimine au fur et à mesure les associations les moins probables, en se basant sur un score de confiance des interfaces protéiques. Cette stratégie permet de concentrer les calculs sur les complexes les plus pertinents, rendant l’exploration des interactomes enfin accessible à grande échelle.
Au-delà de la prédiction, les auteurs ont validé expérimentalement plusieurs interactions identifiées par la méthode, confirmant la capacité d’Alphafuser à révéler des assemblages biologiquement pertinents. L’approche ouvre ainsi de nouvelles perspectives pour comprendre l’organisation fonctionnelle des cellules, en reliant directement réseaux d’interactions et structures moléculaires.
En combinant intelligence artificielle et biologie expérimentale, ce travail illustre parfaitement une évolution majeure du domaine : utiliser le calcul non pas pour remplacer l’expérience, mais pour mieux la guider.
