L’évolution est une grimpeuse aveugle, et le paysage qu’elle parcourt est semé d’embûches.
Une protéine soumise à une pression évolutive ne peut muter qu’un pas à la fois. Chaque changement qui l’améliore dans sa tâche doit aussi la laisser assez stable pour se replier, assez soluble pour fonctionner et assez coopérative pour survivre dans une cellule. La sélection naturelle ne peut pas sauter par-dessus les vallées. Elle ne peut qu’emprunter les crêtes. Ainsi, lorsque des scientifiques poussent une enzyme à acquérir une nouvelle capacité en laboratoire, ils ne partent pas de zéro. Ils partent d’une protéine de type sauvage, que la nature a déjà rendue stable et fonctionnelle au cours de millions d’années. Et c’est là que la grimpeuse aveugle peut rester coincée.
Une nouvelle étude du laboratoire de David Liu au Broad Institute du MIT et de Harvard, publiée dans Nature le 22 juillet 2026, montre que cette sagesse conventionnelle cache une faiblesse : le point de départ de type sauvage est lui-même une contrainte. En utilisant l’intelligence artificielle pour redessiner ce point de départ avant que l’évolution ne commence, les chercheurs ont ouvert des parties du paysage de fitness protéique que l’évolution seule ne pourrait jamais atteindre. Les résultats bouleversent une hypothèse fondamentale de l’évolution dirigée et indiquent une stratégie générale pour produire des enzymes bien meilleures que celles que la nature ou l’IA peuvent concevoir seules.
Les travaux, menés par Benjamin Krasnow, Eric Xu et Jiale Zhang, se concentrent sur une famille de protéases dérivées de la neurotoxine botulique (BoNT). Ces enzymes coupent d’autres protéines à des séquences spécifiques, et les chercheurs ont passé des années à les ingénierer pour cibler des protéines thérapeutiquement pertinentes au lieu de leurs substrats naturels dans les cellules nerveuses. L’approche standard est l’évolution dirigée : introduire des mutations aléatoires, cribler pour une activité améliorée sur la cible souhaitée, répéter. Cela fonctionne, mais jusqu’à un certain point. Les auteurs ont découvert que les échafaudages de type sauvage habituels avaient un sérieux problème : en accumulant des mutations au cours de l’évolution, ils perdaient leur stabilité.
C’est le dilemme de la grimpeuse. Les mutations qui améliorent la capacité d’une enzyme à reconnaître une nouvelle cible ont tendance à déstabiliser sa structure. La protéine devient flasque, se replie mal ou est dégradée avant de pouvoir remplir son rôle. La séquence de type sauvage, pour toute sa robustesse naturelle, n’est pas conçue pour tolérer le type de mutations que l’évolution en laboratoire exige. Elle a évolué pour sa propre niche écologique, pas pour l’ingénierie thérapeutique.
La solution IA est venue de ProteinMPNN, un modèle d’apprentissage profond développé à l’origine par le laboratoire Baker pour la conception inverse de protéines. Étant donné une structure de squelette protéique, ProteinMPNN prédit quelles séquences d’acides aminés sont les plus susceptibles de se replier dans cette structure. L’équipe de Liu l’a utilisé non pas pour concevoir des protéines entièrement nouvelles, mais pour redessiner les échafaudages BoNT existants : conserver la géométrie du squelette, mais laisser l’IA suggérer des séquences alternatives qui stabiliseraient la structure et toléreraient plus de mutations.
Les enzymes redessinées étaient considérablement plus robustes sur le plan mutationnel que leurs parents de type sauvage. Lorsque les chercheurs ont introduit des mutations aléatoires sur l’ensemble de la protéine, les points de départ redessinés par l’IA sont restés repliés et fonctionnels bien plus longtemps. Ils avaient, en effet, été pré-optimisés pour le voyage évolutif à venir.
Le véritable test est venu lorsque l’équipe a opposé les points de départ redessinés par l’IA aux points de départ de type sauvage dans des campagnes PACE en tête-à-tête. PACE (évolution continue assistée par phage) est une technologie développée par le laboratoire Liu qui lie l’activité d’une protéine à la réplication d’un bactériophage, permettant à l’évolution de se dérouler sur des centaines de générations en quelques jours, sans intervention humaine. Chaque cycle de mutation et de sélection est piloté par la performance de l’enzyme sur le substrat cible, et non par un chercheur choisissant les gagnants à la main.
Dans chaque comparaison, les points de départ redessinés par l’IA ont évolué vers des protéases plus actives que les points de départ de type sauvage. L’écart n’était pas marginal. Certains des meilleurs variants évolués à partir des fondations redessinées avaient des activités que les variants issus du type sauvage ne pouvaient tout simplement pas atteindre. En séquençant les trajectoires évolutives, l’équipe a découvert que les points de départ redessinés menaient à des séquences inaccessibles depuis le fond de type sauvage. Ce n’était pas que les enzymes redessinées par l’IA évoluaient plus vite le long du même chemin. Elles ont trouvé des chemins entièrement différents, à travers un espace de séquences entièrement différent, vers des sommets plus élevés que la grimpeuse de type sauvage ne pouvait voir.
C’est la découverte la plus frappante de l’article. L’évolution à partir du point de départ de type sauvage n’est pas une version plus lente du même processus. C’est un processus fondamentalement contraint. La séquence de type sauvage se trouve à un endroit particulier du paysage de fitness, et les chemins mutationnels qui rayonnent à partir de cet endroit mènent seulement à certains voisinages. Les séquences redessinées par l’IA se trouvent à différents endroits, rayonnant dans différents voisinages. En choisissant le bon point de départ, les chercheurs ont pu accéder à des régions du paysage qui étaient tout simplement inaccessibles depuis l’origine de type sauvage.
L’équipe a démontré le potentiel thérapeutique de cette approche en faisant évoluer une protéase BoNT/E pour cliver sélectivement l’ataxine-2, une protéine dont l’agrégation est impliquée dans des maladies neurodégénératives, notamment l’ataxie spinocérébelleuse de type 2 et la sclérose latérale amyotrophique. La protéolyse sélective des protéines associées aux maladies est un objectif majeur de l’ingénierie des protéines : le défi est de fabriquer une enzyme qui coupe la bonne cible tout en laissant tout le reste intact.
Évolué à partir d’un point de départ de type sauvage, le meilleur variant BoNT/E pour le clivage de l’ataxine-2 avait une spécificité modeste. Évolué à partir d’un point de départ redessiné par l’IA, le meilleur variant a atteint une spécificité plus de 79 fois meilleure pour l’ataxine-2 par rapport aux substrats hors cible, tout en maintenant une efficacité catalytique plus élevée et une thermostabilité supérieure. Le variant redessiné-évolué était simultanément plus sélectif, plus actif et plus stable que le variant issu du type sauvage. Ces trois propriétés sont généralement en tension ; les améliorations de l’une se font souvent au détriment d’une autre. Le point de départ IA a permis à l’évolution de briser ce compromis.
Ce qui rend ce travail largement significatif, c’est sa généralité. Le pipeline ne comporte que trois étapes : prendre une structure protéique, exécuter ProteinMPNN pour générer des séquences redessinées, et soumettre les meilleurs candidats à une évolution continue contre la cible d’intérêt. Pas d’algorithmes sur mesure, pas d’ajustement spécifique à la protéine, pas de connaissance préalable des contraintes évolutives. L’étape de redessin par IA ne nécessite aucun travail expérimental. C’est un calcul qui s’exécute sur un ordinateur portable en quelques minutes.
L’implication est que pour tout problème d’ingénierie des protéines où l’évolution fait partie de la solution, le point de départ compte autant que le processus évolutif lui-même. Donner à l’évolution une meilleure rampe de lancement, plutôt que de partir de la séquence de type sauvage que la nature nous a laissée, pourrait devenir l’approche standard. La grimpeuse aveugle reçoit une lampe frontale.
Les ingénieurs en protéines ont passé des décennies à développer des moyens plus intelligents de muter, sélectionner et faire évoluer. Ces travaux suggèrent que l’intervention la plus impactante pourrait être la plus simple : changer l’endroit où l’on commence. L’IA ne remplace pas l’évolution. Elle oriente simplement l’évolution dans une direction qui semble peu prometteuse depuis l’ancien point de départ mais qui s’avère contenir une richesse de fonctions cachées. La séquence de type sauvage n’est pas sacrée. Elle n’est que la première ébauche. La deuxième ébauche, écrite par un modèle qui peut voir l’ensemble du paysage d’un seul coup, donne à l’évolution l’élan nécessaire pour atteindre des protéines que la nature n’a jamais pu créer.
Traduit par Lydie