Avec intelligence artificielle (IA), les scientifiques disposent d’un nouvel outil puissant pour créer des protéines inédites, qui peuvent être utilisées soit pour fabriquer de nouveaux médicaments révolutionnaires, soit pour fabriquer des armes biologiques dévastatrices.
Pour aider à se prémunir contre les utilisations néfastes de ces protéines, les scientifiques ont récemment trouvé un moyen de les « filigraner » sans compromettre leur fonction. Une équipe de Google DeepMind a développé cette technique pour mieux suivre la provenance des protéines conçues par l’IA.
« Cela a le potentiel de réduire les menaces à la biosécurité, telles que la création non autorisée de toxines, et peut aider à la conservation des bases de données, empêchant les conceptions artificielles d’encombrer les bases de données standard », a déclaré Roy Sleatorprofesseur de biologie à l’Université technologique de Munster en Irlande, qui n’a pas participé à la recherche.
« En pratique, cela pourrait aider à retracer l’origine d’une conception, à signaler les protéines modifiées pour des contrôles de biosécurité supplémentaires et à réduire les allégations trompeuses sur la façon dont une protéine a été fabriquée », a déclaré Sleator à Live Science dans un e-mail.
Cependant, dans leur forme actuelle, les mêmes technologies d’IA qui ajoutent des filigranes peuvent également les supprimer, ont prévenu d’autres experts.
Nouvelles façons de masquer les filigranes
Le dévoilement du programme IA AlphaFold en 2020 a été une étape importante dans l’ingénierie des protéines. L’outil qui a séduit Demis Hassabis, John Jumper et David Baker le prix Nobel de chimie en 2024peut révéler la structure 3D d’une protéine à partir de la séquence de ses éléments constitutifs, appelés acides aminés. Les protéines se plient comme un origami, adoptant des formes 3D qui dictent leur fonction.
Cependant, la technologie d’AlphaFold a également ouvert la porte à la génération de toutes nouvelles protéines qui pourraient être utilisées pour créer des biomenaces, notamment protéines virales qui peuvent échapper à notre système immunitaire et les vaccins existants.
« Tout ce qui peut être utilisé pour le bien peut être utilisé pour le mal », a déclaré Georges Roseprofesseur émérite de biophysique à l’Université Johns Hopkins.
Les outils de dépistage actuels identifient de nouvelles molécules dangereuses ou restreintes en observant à quel point leurs séquences d’acides aminés sont similaires à celles de menaces reconnues. Mais le problème est que l’IA pourrait produire des protéines qui ne ressemblent à rien de ce que nous avons jamais vu. C’est ce que vise à résoudre la nouvelle technique de tatouage.
L’équipe DeepMind a défini l’effort de filigrane comme une « famille » de techniques connexes qu’elle appelle SynthIDBio. Le premier membre de cette famille est SynthIDBio-sequence, qui code des filigranes dans les séquences d’acides aminés des protéines créées par un programme appelé ProteinMPNN.
Lorsque les utilisateurs indiquent à ProteinMPNN la forme 3D souhaitée pour leur protéine, il choisit les options d’acides aminés qui se plient finalement dans cette forme. La séquence SynthIDBio influence subtilement la façon dont le programme choisit chaque acide aminé en fonction d’une « clé » secrète de filigrane. Une fois la séquence générée, toute personne connaissant le code caché peut évaluer la probabilité que la séquence ait été créée sous l’influence de la clé. Dans leur récente étude, l’équipe DeepMind a montré que les protéines construites avec ce filigrane pouvaient toujours se lier à leurs cibles ainsi qu’aux protéines non filigranées.
Une technique sœur, appelée SynthIDBio-structure, intègre plutôt un filigrane directement dans la structure de la protéine. Pour ce faire, il modifie la fonction d’AlphaFold 3, l’algorithme phare de prédiction des protéines de DeepMind.
Lorsqu’AlphaFold prédit une structure, SynthIDBio-structure lui confie une mission secondaire : l’IA doit apporter de minuscules modifications à la manière dont les atomes de la protéine sont disposés. Ces ajustements peuvent être détectés ultérieurement par un détecteur, et ils sont suffisamment petits pour ne pas ressembler à une distorsion évidente.
Lors d’un test, ces deux systèmes ont créé des filigranes cachés qui ont pu être détectés avec une précision incroyable, signalant plus de 99 % des protéines filigranées et ignorant correctement 99,9 % des protéines non filigranées.
Comment contourner un filigrane protéique
Live Science s’est entretenu avec plusieurs experts qui ont convenu que SynthIDBio était une prouesse technique impressionnante. Cependant, ils ont déclaré qu’il n’était pas encore prêt pour une mise en œuvre généralisée.
Les deux techniques sont « efficaces mais fragiles ». Bruce Wittmannl’un des principaux scientifiques appliqués chez Microsoft, a déclaré à Live Science dans un e-mail. En effet, comme le note également l’équipe DeepMind dans son article, les filigranes peuvent être facilement supprimés.
J’imagine qu’il serait très difficile de garantir que les règlements soient respectés.
Bruce Wittmann, chercheur appliqué principal chez Microsoft
« Pour les séquences, les filigranes peuvent être supprimés par » reséquençage « , ce qui modifie efficacement la séquence d’acides aminés de la protéine de telle sorte que le filigrane ne soit plus détectable », a déclaré Wittmann. « Pour les structures, les filigranes peuvent être supprimés en ajoutant du bruit ou en modifiant les coordonnées spatiales de la structure. » Les outils de dépistage ne seraient pas en mesure de détecter si un filigrane a été supprimé d’une protéine.
Les experts sont également sceptiques quant au fait que le filigrane puisse constituer une solution à long terme pour la biosécurité.
Un filigrane indélébile pourrait identifier qui a initialement fabriqué une protéine néfaste ou identifier le moment où un utilisateur accédait à un logiciel de génération de protéines sans autorisation. Cela pourrait dissuader certains criminels, mais les terroristes cherchant à créer une nouvelle protéine pour une arme biologique seraient moins susceptibles de se soucier d’être identifiés après une attaque réussie, a déclaré Max Brackmannexpert en armes chimiques, biologiques, radiologiques et nucléaires au laboratoire de Spiez en Suisse.
De plus, la grande majorité des logiciels de prédiction et de génération de protéines sont open source, ce qui signifie qu’une grande partie du code peut être utilisée et modifiée gratuitement. Cela rend beaucoup plus difficile l’intégration du filigrane dans ces programmes. Wittmann a averti que le domaine devrait s’orienter vers des modèles à source fermée avant que les filigranes puissent devenir une norme industrielle.
- L’IA résout des problèmes mathématiques « impossibles ». Peut-il battre les meilleurs mathématiciens du monde ?
- Le code écrit par l’IA peut battre les humains en matière d’analyse biomédicale, selon certaines études. Qu’est-ce que cela signifie pour le terrain ?
- L’IA a découvert une faiblesse dans l’un des systèmes de cryptage les plus étudiés au monde : vos données sont-elles menacées ?
Il a ajouté que le filigrane pourrait agir comme une couche d’un bouclier de défense en matière de biosécurité, plutôt que d’offrir une protection autonome. Une réglementation descendante serait difficile à appliquer. « J’imagine qu’il serait très difficile de garantir que les réglementations soient respectées », a-t-il déclaré.
Rose était encore plus directe quant à la réglementation de l’utilisation de protéines génératives.
« Je suis convaincu que ça ne marchera pas », a-t-il déclaré. « Une fois qu’il existe une technologie douce qui fait quelque chose, la réglementation gouvernementale pour la garder secrète n’a jamais vraiment été couronnée de succès. »
Aidez-nous à améliorer Live Science Pro : Nous essayons toujours d’améliorer notre contenu. Laissez-nous vos commentaires sur Pro ici.
