Proceedings of the National Academy of Sciences · 2 juillet 2026 · Du numéro 01
Beyond native sequence recovery: Improved modeling of the sequence-energy landscape of protein structures
Être moins bon pour deviner les séquences protéiques d'origine a rendu un modèle meilleur pour les vraies tâches de conception.
Foster Birnbaum, Amy E. Keating.
Une méthode courante pour tester les logiciels de conception de protéines mesure peut-être la mauvaise chose. Beaucoup de modèles informatiques apprennent à concevoir de nouvelles protéines en apprenant d'abord à deviner la séquence exacte utilisée à l'origine pour construire une structure protéique connue. Cet article montre que devenir meilleur à ce jeu de devinettes ne veut pas dire qu'un modèle est réellement meilleur pour les vraies tâches de conception. Ces tâches réelles incluent la prédiction de la force avec laquelle une protéine garde sa forme, et la façon dont des changements dans ses éléments de base affectent sa stabilité. Les auteurs ont construit un nouveau modèle appelé PottsMPNN. Il apprend à évaluer à quel point différents éléments de base s'assemblent bien à chaque endroit de la protéine, au lieu de simplement deviner la séquence d'origine. Ce modèle était moins bon pour deviner la séquence naturelle exacte. Mais il a produit de meilleures séquences conçues. Il a aussi fait de meilleures prédictions sur la façon dont les changements affectent la stabilité des protéines.
Contrôle d'intégrité : réussi (3 contrôles) Vérifié le 6 juillet 2026. Lire la source
La lecture en langage clair de cette étude est dans le numéro complet, pour les abonnés.
Lire le numéro complet