Une nouvelle ère dans la biocatalyse (biocatalysis) : la technologie Riff-Diff redéfinit l'ingénierie des enzymes (enzyme engineering)

Par l'équipe éditoriale de Creati.ai

Dans une avancée majeure pour la biologie computationnelle et l'intelligence artificielle, des chercheurs ont dévoilé « Riff-Diff », une méthode d'IA générative (generative AI) qui transforme fondamentalement la façon dont les enzymes sont conçues pour des applications industrielles et médicales. Publiée cette semaine dans la prestigieuse revue Nature, l'étude dirigée par l'Institute of Biochemistry at Graz University of Technology (TU Graz) démontre un passage de la découverte d'enzymes à leur construction active depuis zéro avec une précision atomique.

Cette percée répond à l'un des défis les plus anciens de la biotechnologie : créer des biocatalyseurs (biocatalysts) stables et hautement efficaces pour des réactions chimiques spécifiques sans dépendre de la sérendipité de l'évolution naturelle. Le modèle Riff-Diff (Rotamer Inverted Fragment Finder–Diffusion) exploite la puissance de l'apprentissage automatique basé sur la diffusion (diffusion-based machine learning) pour construire des échafaudages protéiques (protein scaffolds) autour de sites actifs spécifiques, permettant aux scientifiques de « programmer » des protéines pour accomplir de nouvelles tâches chimiques.

Le changement de paradigme : de la découverte à la conception

Pendant des décennies, l'ingénierie des enzymes (enzyme engineering) a été en grande partie un processus de découverte et de modification. Traditionnellement, les scientifiques cherchant un catalyseur pour une réaction spécifique devaient exploiter d'immenses bases de données de structures protéiques existantes, en espérant trouver une molécule naturelle susceptible d'être modifiée pour atteindre la fonction désirée. Cette approche, souvent décrite comme « mettre la charrue avant les bœufs », était limitée par les contraintes de ce que la nature avait déjà évolué.

Riff-Diff inverse entièrement ce processus. Au lieu de rechercher un échafaudage susceptible d'accueillir un site actif, l'IA génère une structure protéique personnalisée autour du centre catalytique désiré.

« Au lieu de mettre la charrue avant les bœufs et de fouiller les bases de données pour voir quelle structure correspond à un centre actif, nous pouvons maintenant concevoir des enzymes pour des réactions chimiques de manière efficace et correcte dès le départ en utilisant un processus en une seule étape », explique Gustav Oberdorfer, chercheur principal à la TU Graz. Son projet ERC, HELIXMOLD, a fourni le travail fondamental pour cette innovation.

Les implications de cette philosophie de conception « fonction d'abord » sont profondes. Elle libère les bioingénieurs de la bibliothèque finie des protéines naturelles, ouvrant la porte à un espace de conception potentiellement infini où des enzymes peuvent être adaptées pour des réactions non naturelles, des environnements extrêmes et des processus industriels complexes.

Décomposer Riff-Diff : comment cela fonctionne

La technologie crée une synergie entre deux stratégies computationnelles sophistiquées : « Rotamer Inverted Fragment Finder » (RIFF) et la modélisation par diffusion (Diffusion).

1. Définir le site actif : Le processus commence par identifier l'arrangement précis des acides aminés (rotamères) et des fragments chimiques nécessaires pour catalyser une réaction spécifique.
2. Génération de l'échafaudage : À l'aide d'un modèle d'IA génératif connu sous le nom de RFdiffusion, le système génère une charpente protéique qui maintient ces éléments catalytiques dans la configuration géométrique exacte nécessaire pour que la réaction ait lieu.
3. Affinage atomistique : Le modèle affine la structure étape par étape, en veillant à ce que les éléments chimiquement actifs soient placés avec une précision au niveau de l'angström (0,1 nanomètre).

Cette méthode permet de créer des géométries complexes qui étaient auparavant impossibles à concevoir avec des méthodes basées sur des règles ou des approches computationnelles plus anciennes.

Analyse comparative : traditionnel vs Riff-Diff

La table suivante expose les différences essentielles entre les méthodes conventionnelles de découverte d'enzymes et la nouvelle approche pilotée par l'IA.

Efficacité et stabilité sans précédent

Un des aspects les plus frappants de l'étude est le taux de réussite en « une seule étape » (one-shot). Dans le domaine de la conception protéique, il est courant de tester des milliers de candidats pour trouver une seule molécule faiblement active. Cependant, l'équipe de la TU Graz rapporte que sur 35 séquences testées en laboratoire, des enzymes actives ont été générées pour plusieurs types de réactions différents.

De plus, ces enzymes de novo n'étaient pas des prototypes fragiles. Elles ont montré une robustesse remarquable, un facteur critique pour l'adoption industrielle.

« Les enzymes qui peuvent désormais être produites sont des biocatalyseurs très efficaces qui peuvent également être utilisés dans des environnements industriels grâce à leur stabilité », note l'auteur principal Markus Braun. « Cela réduit drastiquement l'effort de criblage et d'optimisation auparavant requis. »

L'étude a confirmé que presque toutes les enzymes conçues conservaient leur forme fonctionnelle à des températures dépassant 90 degrés Celsius. Ce niveau de stabilité thermique est rarement observé chez les enzymes naturelles sans une ingénierie extensive, rendant les protéines générées par Riff-Diff immédiatement viables pour des conditions de fabrication industrielle sévères où des températures élevées sont souvent nécessaires pour accélérer les réactions.

Implications industrielles et environnementales

La capacité à générer rapidement des enzymes sur mesure a des conséquences majeures dans de nombreux secteurs. Chez Creati.ai, nous identifions trois domaines principaux où Riff-Diff pourrait perturber les flux de travail actuels :

1. Fabrication durable (chimie verte)

La synthèse chimique repose souvent sur des catalyseurs métalliques toxiques et des procédés énergivores. Les enzymes offrent une alternative plus propre, fonctionnant dans l'eau et à des températures plus basses. Riff-Diff permet la création d'enzymes capables de synthétiser des produits pharmaceutiques complexes ou des produits chimiques industriels de manière plus durable. En concevant des catalyseurs compatibles avec des flux de travail industriels spécifiques, les entreprises peuvent réduire les déchets et la consommation d'énergie.

2. Assainissement environnemental

La nature n'a pas encore évolué d'enzymes capables de décomposer efficacement de nombreux polluants modernes, tels que certains plastiques ou les « forever chemicals » (PFAS). Riff-Diff donne aux scientifiques les moyens de concevoir des enzymes ciblées pour dégrader ces liaisons synthétiques, offrant une solution biologique au contrôle de la pollution.

3. Thérapeutiques ciblées

Dans le domaine médical, les enzymes sont utilisées comme traitements pour des troubles génétiques et comme outils pour synthétiser des composés pharmaceutiques. La précision de Riff-Diff pourrait mener à une nouvelle classe d'enzymes thérapeutiques avec des effets secondaires minimisés et une stabilité accrue dans le corps humain.

« Bien que la nature produise elle-même un grand nombre d'enzymes par l'évolution, cela prend du temps », déclare Adrian Tripp, coauteur de l'étude. « Avec notre approche, nous pouvons accélérer massivement ce processus et ainsi contribuer à rendre les processus industriels plus durables. »

Le rôle de la collaboration interdisciplinaire

Le succès de Riff-Diff souligne la nécessité de la convergence des disciplines. Le projet a été un effort collaboratif entre l'Institute of Biochemistry at TU Graz et l'Institute of Chemistry at the University of Graz.

Mélanie Hall, collaboratrice de l'University of Graz, a souligné que l'intégration des sciences des protéines, de la biotechnologie et de la chimie organique a été cruciale. À mesure que les modèles d'IA deviennent plus complexes, l'apport d'experts du domaine — des chimistes qui comprennent les nuances des mécanismes réactionnels et des biologistes qui comprennent le repliement des protéines — reste indispensable. L'IA ne remplace pas le scientifique ; elle amplifie plutôt sa capacité à manipuler la matière au niveau moléculaire.

Perspectives d'avenir

La publication de cette recherche dans Nature signale que la biologie générative (generative biology) est passée de la phase de « preuve de concept » à celle de l'utilité pratique. Des outils comme AlphaFold ont résolu le problème de prédiction des structures protéiques (déterminer la forme à partir de la séquence), mais Riff-Diff traite le problème inverse du repliement (déterminer la séquence/la forme à partir de la fonction) avec un focus sur l'activité chimique.

Pour la communauté IA, cela représente un déploiement réussi de modèles de diffusion — la même architecture derrière des générateurs d'images comme Midjourney ou Stable Diffusion — dans les sciences physiques. Au lieu d'éliminer le bruit des pixels pour créer une image, Riff-Diff élimine le bruit des coordonnées 3D pour créer une molécule fonctionnelle.

À mesure que les bases de données de sites actifs s'élargissent et que la puissance de calcul augmente, nous nous attendons à voir Riff-Diff et des modèles similaires intégrés dans des laboratoires basés sur le cloud. Dans un futur proche, un chimiste pourrait simplement téléverser un schéma de réaction sur un serveur et recevoir la séquence d'ADN d'une enzyme qui la catalyse en quelques heures.

Creati.ai continuera de surveiller la commercialisation de cette technologie, en particulier à mesure qu'elle commence à impacter les secteurs pharmaceutique et de l'énergie propre. L'ère de la biologie numérique n'est plus en approche ; avec des outils comme Riff-Diff, elle est bel et bien arrivée.