L'IA dévoile le code de la découverte des peptides
Les peptides, ces « petites molécules de la vie » composées de chaînes d'acides aminés, représentent une avancée majeure dans la résolution de problèmes médicaux complexes, tels que les maladies métaboliques, le cancer et les infections résistantes aux médicaments, grâce à leurs atouts uniques : forte activité, sélectivité élevée pour la cible, faible toxicité et grande facilité d'utilisation comme médicaments. De l'essor fulgurant des médicaments peptidiques GLP-1 sur le marché mondial aux peptides antimicrobiens luttant contre la crise des superbactéries, les thérapies peptidiques sont devenues le segment de croissance le plus prometteur de la biomédecine. Pourtant, la découverte de peptides a longtemps été freinée par un obstacle de taille : l'espace théorique des séquences quasi infini et l'inefficacité du paradigme empirique traditionnel rendaient la recherche de molécules peptidiques utilisables comme une aiguille dans une botte de foin. Aujourd'hui, l'essor de l'intelligence artificielle (IA) agit comme une clé de voûte précise, débloquant les mécanismes fondamentaux de la découverte de peptides à travers l'analyse des cibles, la génération de séquences, l'optimisation structurale et la validation de leur potentiel thérapeutique. Elle induit un changement de paradigme, passant de « l'essai empirique à l'aveugle » à une « fabrication intelligente et rationnelle », accélérant ainsi le passage, autrefois lointain, du laboratoire à la clinique, de nouveaux médicaments peptidiques.
Le dilemme du code : des défis doublement insolubles dans la découverte traditionnelle de peptides
La valeur thérapeutique des peptides réside dans l'agencement de leurs séquences d'acides aminés. Un peptide de 30 acides aminés, composé de 20 acides aminés naturels, donne : 20³⁰Des séquences sont possibles, mais seule une infime fraction présente une activité élevée, une grande stabilité et une faible toxicité. Depuis des décennies, la découverte traditionnelle de peptides est confrontée à deux dilemmes fondamentaux, tels deux serrures à code inviolables :
Premier verrou : le confinement spatial de l'exploration séquentielle
La découverte traditionnelle repose sur l'extraction de peptides naturels, la modification de séquences homologues ou le criblage aléatoire de banques de peptides. Elle se limite à la région de similarité des peptides connus et ne peut s'affranchir des structures naturelles. De nombreux peptides potentiels, éloignés sur le plan évolutif, structurellement nouveaux et fonctionnellement supérieurs, restent inconnus, notamment ceux ciblant des cibles considérées comme « inaccessibles aux médicaments ». De nombreuses protéines impliquées dans des maladies sont dépourvues de structures stables, et le criblage structural traditionnel ne permet pas de les atteindre, ce qui restreint considérablement le champ d'exploration.
Deuxième verrou : L'exercice d'équilibre de l'optimisation de la pharmacobilité
Les peptides sont sensibles à la dégradation par les protéases, ont une demi-vie courte et une faible perméabilité membranaire. Les méthodes traditionnelles peinent à trouver un équilibre précis entre activité, stabilité, pharmacocinétique et innocuité. De nombreux peptides très actifs échouent au cours de leur développement en raison d'une aptitude insuffisante à être administrés par voie transdermique. En particulier, les peptides dont le poids moléculaire est supérieur à 2 000 Da rencontrent des difficultés persistantes d'absorption transdermique, ce qui constitue un obstacle majeur au développement de formulations peptidiques innovantes.
Ces deux obstacles ont rendu la découverte des peptides ardue, jusqu'à l'arrivée de l'IA qui a véritablement débloqué la situation et ouvert une nouvelle ère.
La clé maîtresse de l'IA : quatre technologies fondamentales pour débloquer l'ensemble du processus de découverte des peptides
S'appuyant sur l'apprentissage profond, les modèles de langage protéique, les algorithmes génératifs et les simulations de dynamique moléculaire, l'IA considère les séquences peptidiques comme un « langage biologique » et traduit les relations structure-fonction en modèles mathématiques calculables. À l'instar d'une clé correspondant précisément à un code, l'IA surmonte les limitations traditionnelles et construit une plateforme intelligente complète couvrant l'identification de la cible, la génération de séquences, l'optimisation structurale, la prédiction de la pharmacobilité et la validation expérimentale, rendant ainsi la découverte de peptides efficace, précise et reproductible.
Clé 1 : Modèles de langage protéique — Décodage de la « grammaire biologique » des peptides
Les séquences d'acides aminés obéissent à une grammaire biologique unique, et les modèles de langage protéique (par exemple, ProT5, ProteoGPT, Pep MLM) sont les outils qui permettent de maîtriser cette grammaire. Basés sur l'architecture Transformer, ces modèles apprennent les règles de coévolution et les relations structure-fonction à partir de données massives de protéines et de peptides. Sans recourir aux séquences homologues, ils prédisent avec précision l'activité, la stabilité et la toxicité, dépassant ainsi les limites du criblage traditionnel par similarité et permettant la découverte de peptides nouveaux, éloignés les uns des autres et dotés d'une forte activité.
Contrairement aux méthodes conventionnelles dépendantes de la structure, des modèles tels que Pep MLM conçoivent des médicaments peptidiques directement à partir de séquences d'acides aminés, rendant possible le ciblage de protéines considérées comme « inaccessibles aux médicaments ». De nombreuses protéines impliquées dans le cancer et les maladies neurodégénératives présentent des repliements instables ; pourtant, les modèles de langage protéique peuvent générer des peptides capables de se lier à des complexes toxiques et de les perturber. Par exemple, Pep MLM a permis de concevoir avec succès, lors de tests en laboratoire, des peptides ciblant des protéines toxiques dans le cancer et la maladie de Huntington. Le modèle HMDAMP, développé par l'Université chinoise de Hong Kong et l'Institut de technologie avancée de Shenzhen, utilise des modèles de langage protéique pour identifier des peptides antimicrobiens distants parmi des millions de séquences. Ces peptides présentent une activité supérieure aux antibiotiques cliniques contre les bactéries résistantes aux médicaments, avec une faible toxicité et une faible propension à induire des résistances.
Clé 2 : IA générative — Création de séquences peptidiques idéales à partir de zéro
Si les modèles de langage protéique décodercodes existants, IA générative (modèles de diffusion, GAN, apprentissage par renforcement) créeDes peptides entièrement nouveaux. Cette méthode révolutionne la conception de peptides en passant du « criblage de séquences existantes » à la « génération de séquences personnalisées à la demande ». En définissant des contraintes telles qu'une activité élevée, une stabilité, une faible immunogénicité et une faisabilité de synthèse — et en utilisant l'activité et la capacité d'être ciblées comme critères de récompense —, elle optimise itérativement les séquences pour produire des peptides cliniquement intéressants, améliorant ainsi considérablement l'efficacité.
Dans la conception de peptides cycliques et macrocycliques, les modèles de diffusion invariants (par exemple, CycleRFdiffusion) génèrent des squelettes peptidiques qui s'adaptent aux poches de liaison cibles avec une précision atomique, augmentant ainsi l'efficacité de la conception de peptides cycliques de plus de 100 fois et palliant la faible stabilité des peptides linéaires. Le modèle TransSAFP de l'Université Westlake utilise l'IA générative pour concevoir des peptides antimicrobiens auto-assemblés qui éliminent les bactéries résistantes aux médicaments et éradiquent les biofilms sans induire de résistance. La plateforme ProteinQure, combinant modélisation physique et apprentissage automatique génératif, a développé le PQ203, un conjugué peptide-médicament ciblant SORT1 dans les tumeurs solides avancées, avec une affinité de liaison de 0,14 nM. Actuellement en phase I d'essais cliniques, il devient l'un des premiers conjugués peptidiques conçus par IA à atteindre le stade du développement clinique.
Clé 3 : Prédiction de structure de haute précision — Décryptage des codes d’interaction peptide-cible
L'activité des peptides dépend de conformations 3D spécifiques, et le mode de liaison entre le peptide et sa cible est déterminant pour l'efficacité thérapeutique. Les outils de prédiction de structure par IA, tels qu'AlphaFold3, RoseTTAFold et PEPFOLD3, atteignent une précision quasi expérimentale (RMSD
À l'ère post-AlphaFold, la prédiction de structure est devenue fondamentale pour la découverte de médicaments peptidiques. MoleculeMind a utilisé une technologie dérivée d'AlphaFold pour résoudre le complexe toxine de scorpion LqhαIT–canal sodique et a appliqué son algorithme propriétaire ComplexDDG pour concevoir 101 candidats en quelques heures. Un peptide optimisé a démontré une efficacité doublée et une faible toxicité chez les mammifères, bouclant ainsi le cycle complet « analyse du mécanisme → conception par IA → validation expérimentale ».
Dans le cadre de l'optimisation du GLP1, l'université Jiao Tong de Shanghai a utilisé la prédiction de structure par IA pour concevoir des liaisons disulfure et des modifications de chaînes latérales, développant un agoniste ultra-longue durée avec une demi-vie trois fois supérieure à celle du sémaglutide, améliorant considérablement l'observance du traitement par les patients.
Clé 4 : Prédiction de la capacité d’un médicament à cibler plusieurs propriétés — Éviter les « erreurs de code » dans le développementDe plus, combinée à des simulations de dynamique moléculaire, l'IA permet une analyse approfondie des caractéristiques thermodynamiques et cinétiques de la liaison peptide-cible, fournissant des indications plus précises pour l'optimisation de la capacité d'action des médicaments et compensant les limites des méthodes d'IA pures dans la dissection des mécanismes moléculaires complexes.
L'évaluation du potentiel thérapeutique des peptides repose sur leur pharmacocinétique, leur toxicologie et leurs propriétés physico-chimiques. Les méthodes traditionnelles nécessitent des essais expérimentaux approfondis et aboutissent souvent à des échecs en fin de développement : des peptides très actifs sont abandonnés en raison de leur instabilité ou de leur toxicité. Les modèles de prédiction multipropriétés basés sur l'IA évaluent simultanément la demi-vie, la stabilité métabolique, la cytotoxicité, l'immunogénicité, la solubilité et la perméabilité membranaire, permettant ainsi d'éliminer précocement les molécules de faible qualité et de réduire considérablement les risques liés au développement, à l'instar d'une étape de validation intégrée du code.
La plateforme de modélisation de peptides à grande échelle, développée conjointement par Sunno Health et Huawei Cloud, intègre la puissance de calcul du modèle Pangu, permettant une prédiction précise de la liaison peptide-cible (r > 0,6) et l'expansion des bibliothèques virtuelles à des millions d'entrées. Elle réduit les coûts de synthèse et d'expérimentation tout en améliorant les taux de succès des candidats précliniques.
L'IA a notamment permis de surmonter des obstacles de longue date dans les domaines de l'administration transdermique, orale et du franchissement de la barrière hémato-encéphalique. Kanion Pharmaceutical, grâce à un modèle de prédiction transdermique basé sur l'IA, a identifié des peptides candidats hautement perméables et a développé le gel KYS2301, relevant ainsi le défi de l'administration transdermique pour les peptides de plus de 2 000 Da. Ce gel est devenu l'un des premiers médicaments peptidiques conçus par IA au monde à entrer en essais cliniques. De plus, combinée à des simulations de dynamique moléculaire, l'IA permet une analyse approfondie des caractéristiques thermodynamiques et cinétiques de la liaison peptide-cible, offrant ainsi un guidage plus précis pour l'optimisation de la pharmacocinétique et palliant les limitations des méthodes d'IA pure dans l'étude des mécanismes moléculaires complexes.
L'intelligence artificielle, en décryptant le code de la découverte des peptides, n'est qu'un début. Grâce à l'amélioration continue des algorithmes d'IA, à l'intégration poussée de données multimodales et à leur application synergique avec la modélisation physique, la découverte de médicaments peptidiques entrera dans une nouvelle ère de « conception à la demande », révélant de nouveaux codes peptidiques et permettant des avancées majeures dans l'industrie biomédicale.
À l'avenir, les modèles multimodaux de grande taille deviendront un axe central, intégrant les séquences peptidiques, les structures, les fonctions, la littérature et les données cliniques pour un apprentissage conjoint. Ceci permettra un développement intelligent de bout en bout, de l'identification de la cible aux molécules candidates pour les essais cliniques, offrant ainsi des prédictions plus précises et une génération plus efficace. L'utilisation généralisée d'acides aminés non naturels sera profondément intégrée à l'IA, permettant aux modèles d'incorporer plus de 2 000 éléments constitutifs non naturels pour concevoir des « super peptides » à haute stabilité, forte activité, administrables par voie orale ou transdermique, et s'affranchissant des limitations des peptides naturels. Les peptides cycliques et macrocycliques connaîtront leur essor, les modèles de diffusion de l'IA permettant la conception efficace de diverses molécules cycliques présentant une affinité similaire à celle des anticorps et une capacité d'administration supérieure, ce qui en fera un axe majeur de recherche en oncologie et en anti-infectieux. Des « usines automatisées » pilotées par l'IA seront progressivement déployées, permettant un flux de travail en boucle fermée et sans intervention humaine : « conception par IA → synthèse robotisée → criblage automatisé → réoptimisation par IA ». Ces systèmes peuvent analyser des milliers de peptides par jour et faire progresser plusieurs pipelines par mois, raccourcissant ainsi les cycles de développement et réduisant les coûts de R&D.
Parallèlement, le développement de peptides piloté par l'IA se heurte encore à des défis émergents, notamment la rareté des données étiquetées de haute qualité et les difficultés liées à l'intégration d'acides aminés modifiés et de cyclisations non canoniques. Ces problèmes doivent être abordés progressivement grâce à une innovation collaborative entre l'industrie, le monde universitaire et la recherche. À l'avenir, la fusion synergique de l'IA et de la modélisation physique sera essentielle pour surmonter ces obstacles et améliorer encore la précision et l'efficacité du développement de peptides piloté par l'IA.découverte des peptides.
Lijinjie, e-mail : lijinjie@dilunbio.com