Vous êtes ici : Accueil > Actualités > Alphafuser : l’IA pour prédire les complexes de protéines
Fait marquant | Résultat scientifique
© CEA-Irig/LPCV/StrucDev/S. Hutin
Publié le 12 octobre 2026
De nombreux processus biologiques reposent sur l'action coordonnée de plusieurs protéines formant des complexes multiprotéiques. Jusqu'à présent, les études structurales se concentraient souvent uniquement sur une ou quelques protéines. L'émergence des méthodes d'intelligence artificielle (IA), notamment AlphaFold,
RoseTTAFold* et
ESMFold*, rend possible la prédiction de la structure de protéines individuelles, mais aussi celle de complexes protéiques. Cependant, une difficulté persiste afin de déterminer les protéines interagissant réellement entre elles au sein de ces complexes multiprotéiques.
Dans cette étude réalisée en collaboration avec des chercheurs du
CEA-Irig/LPCV et de l'ESRF, un pipeline, appelé
Alphafuser, de prédiction de complexes protéiques a été développé. Ce nouvel outil, basé sur Alphafold, combine des données expérimentales d'interaction entre protéines avec une exploration systématique des différentes associations possibles entre partenaires protéiques. Afin de limiter une recherche exhaustive de toutes les combinaisons possibles,
Alphafuser permet d'éliminer progressivement les assemblages les moins probables en s'appuyant sur le score de confiance de l'interface protéique (ipTM*). Le pipeline a été calibré et validé sur plusieurs complexes multiprotéiques dont les structures sont connues expérimentalement. Enfin, des
expériences de
pull-down* ont confirmé certaines des interactions protéine-protéine prédites par
Alphafuser.
© CEA-Irig/LPCV/StrucDev/S. Hutin
Figure: partenaires protéiques de mTERF9 prédits par Alphafuser et validés expérimentalement par des expériences de pull-down.
La prédiction du repliement des protéines et de la probabilité de formation de complexes protéiques multimériques constitue une avancée majeure en biologie structurale. À mesure que les méthodes de prédiction sur l'interactome continuent de se développer, des outils tels qu'Alphafuser deviendront de plus en plus puissants pour explorer systématiquement les réseaux d'interactions protéine-protéine et hiérarchiser les assemblages multiprotéiques potentiellement pertinents sur le plan biologique en vue d'une validation expérimentale.
AlphaFold*: intelligence artificielle (IA) développée par DeepMind qui permet de prédire la structure tridimensionnelle (3D) des protéines à partir de leur séquence en acides aminés.
Interactome* : ensemble des interactions entre les molécules d'un système biologique, notamment entre les protéines.
RoseTTAFold* : IA développée par une équipe académique américaine qui permet de prédire la structure 3D des protéines à partir de leur séquence en acides aminés.
ESMFold* : IA développée par Meta AI qui permet de prédire la structure 3D des protéines à partir de leur séquence en acides aminés.
ipTM*(interface predicted Template Modeling score) : score compris entre 0 et 1 qui estime la probabilité de la position relative des différentes protéines au sein d'un complexe. Plus le score est élevé, plus l'interface prédite est considérée comme fiable.
Expériences de pull-down* : techniques expérimentales permettant de vérifier si deux protéines interagissent directement.
UMR : LPCV UMR 5168 - CNRS, CEA, UGA, UMR 1417 INRAE.
Financements : Agence Nationale de la Recherche (grant No. ANR-23-CE20-0019 to Chloe Zubieta, Kamel Hammani).
Collaborations : IBMP, Strasbourg ; ESRF, Grenoble.
Guillotin A., Hutin S., Masselot-Joubert L., Hammani K., Zubieta C. and Nanao M.
Alphafuser: a parsimonious approach to predicting higher-order protein complexes.
Acta Crystallogr D Struct Biol. 2026 Apr 23;82(Pt 5):421–433.
https://journals.iucr.org/d/issues/2026/05/00/nw5134/index.html
doi: 10.1107/S2059798326003013
| # | Наименование новости | Тональность | Информативность | Дата публикации |
|---|---|---|---|---|
| 1 | LipNet AI takes lip reading into the future | 0 | 10 | 09-11-2016 |
| 2 | Q&A: Deploying AI to create proteins never before seen in nature | 0 | 12.61 | 12-08-2026 |
| 3 | AI-powered analytics and experimental validation: Transforming target identification in drug discovery | 0 | 8.72 | 23-07-2026 |
| 4 | High-Fidelity Antenna Pattern Reconstruction Using AI | 0 | 26.67 | 10-07-2026 |
| 5 | Ai Preset | 0 | 10 | 25-07-2026 |
| 6 | 【研究成果】8種類の色素性皮膚病変※1を高精度で判別 -診断根拠を可視化するAIを開発、医療現場への導入に期待- | 0 | 10 | 06-08-2026 |
| 7 | ИИ в нефтегазе: от отдельных алгоритмов к комплексным решениям | 0 | 10 | 08-12-2025 |
| 8 | OnTopic: AI is driving hyperscalers to adopt MMC VSFF | 0 | 10 | 22-01-2026 |
| 9 | Создана система ИИ, ускоряющая квантово-химические расчеты | 0 | 0 | 22-05-2025 |
| 10 | Mit KI zu gutem Geschmack | 0 | 7.9 | 24-09-2026 |