Les limites d’AlphaFold

OOndine

Pushmeet Kohli, de Google DeepMind, et Sal Candido, de Biohub, expliquent qu’AlphaFold a marqué une avancée majeure, mais que la prédiction des structures protéiques reste incomplète, dans une discussion publiée par la lettre Latent Space. La difficulté persiste notamment pour les protéines dynamiques, qui peuvent changer, et pour les protéines désordonnées, dont la structure ne se laisse pas toujours résumer par une forme unique. AlphaFold n’a donc pas résolu à lui seul le problème du repliement des protéines : connaître une structure prédite ne suffit pas à rendre compte de toute la diversité des comportements protéiques. Les intervenants estiment que les progrès en biologie ne dépendront pas seulement de modèles plus grands ni d’une quantité accrue de données. La qualité des données, les lois de mise à l’échelle et le choix des problèmes scientifiques à traiter comptent aussi dans cette progression. Le changement d’échelle pose une autre difficulté : modéliser une cellule ou des systèmes biologiques entiers exige des données différentes de celles qui servent à étudier des protéines isolées. Enfin, les modèles de langage conçus pour les protéines pourraient contenir des connaissances biologiques encore inexploitées, même si la discussion ne précise pas comment les mobiliser. L’enjeu est donc d’adapter les données et les méthodes à des questions biologiques plus complexes, plutôt que de miser uniquement sur des modèles plus vastes.