L'intelligence artificielle peut aider les scientifiques à résoudre des énigmes biologiques complexes, mais même les systèmes les plus avancés ont leurs limites quand l'information disponible est incomplète. Une récente étude sur des protéines de pucerons montre comment associer prédictions informatiques et données génétiques permet de surmonter un problème de recherche difficile.

Les scientifiques ont découvert que des milliers de protéines en évolution rapide partagent une base structurelle commune, ce qui offre de nouveaux indices sur la façon dont ces minuscules insectes influencent le développement des plantes.

<h3>Une famille de protéines cachée</h3>

Les pucerons peuvent influencer le développement de certaines plantes en introduisant des protéines spécialisées dans leurs tissus. Dans certains cas, les plantes forment alors des structures appelées galles, qui servent d'abri aux insectes et de nourriture à leur progéniture.

Les scientifiques étudient un groupe de ces molécules appelées protéines BICYCLE, un nom qui fait référence à un motif répété impliquant l'acide aminé cystéine. Ces protéines avaient été identifiées, mais leur rôle restait difficile à comprendre, car leurs séquences génétiques différaient fortement de celles des protéines connues répertoriées dans les bases de données.

D'ordinaire, les chercheurs comparent la séquence d'acides aminés d'une protéine inconnue à des exemples déjà étudiés. Les ressemblances donnent des indices sur sa forme et sa fonction. Cette approche était moins efficace pour les protéines BICYCLE, qui ont beaucoup changé au fil de l'évolution.

<h3>Pourquoi la prédiction de l'IA a échoué</h3>

Pour enquêter, l'équipe a travaillé avec des biologistes structuraux afin de déterminer la structure de deux protéines BICYCLE par cristallographie aux rayons X, une technique qui permet d'établir l'organisation des atomes dans une molécule. Ces structures ont servi de référence pour tester AlphaFold2, un système d'IA conçu pour prédire la forme des protéines à partir de leur séquence.

Au départ, AlphaFold2 n'a pas réussi à reproduire les structures déterminées expérimentalement. Le problème ne venait pas d'un manque de puissance de calcul : le système s'appuie aussi sur l'information évolutive, dont les motifs partagés par des protéines apparentées. Les protéines BICYCLE étant très inhabituelles, les bases de données n'offraient pas assez de comparaisons utiles, et l'IA manquait d'un contexte biologique essentiel.

<h3>L'évolution fournit les indices manquants</h3>

Les chercheurs ont résolu le problème en collectant davantage de données génétiques sur différentes espèces de pucerons, avec des prélèvements de terrain aux États-Unis et au Japon, suivis d'un séquençage génomique pour révéler les liens entre les protéines.

Ces comparaisons ont apporté les données évolutives qui manquaient. Avec ces informations, AlphaFold2 a prédit une structure correspondant à celle établie par cristallographie. L'équipe a ensuite appliqué l'approche à sept espèces de pucerons, produisant environ 2 400 prédictions structurelles de haute confiance.

Un point commun est ressorti : les protéines partageaient un repliement de type saposine. Autrement dit, elles semblaient suivre un même plan tridimensionnel, alors que leurs séquences avaient beaucoup changé. Cette découverte a révélé un lien que les comparaisons de séquences classiques peinaient à identifier.

<h3>Une structure, de nombreuses fonctions possibles</h3>

Partager une base structurelle ne signifie pas forcément remplir les mêmes fonctions. Les chercheurs ont observé une grande variation des propriétés chimiques à la surface des protéines, certaines zones différant par leurs caractéristiques électriques et leurs interactions avec l'eau. Les tentatives pour les classer en groupes bien définis selon ces propriétés ont échoué.

Cette diversité suggère que les protéines BICYCLE peuvent interagir de nombreuses façons avec les molécules végétales et influencer plusieurs processus dans les cellules des plantes. Les chercheurs avancent aussi que leur évolution rapide pourrait aider les pucerons à maintenir ces interactions tout en rendant leurs molécules plus difficiles à reconnaître pour les plantes. Les fonctions précises de chaque protéine restent toutefois à étudier.

<h3>Ce que la découverte change pour la recherche</h3>

L'étude, publiée en septembre 2026 dans les Proceedings of the National Academy of Sciences, propose une approche utile pour examiner des protéines trop transformées pour être facilement reconnues par les méthodes classiques. Sa portée dépasse les pucerons.

D'autres systèmes biologiques contiennent aussi des protéines en évolution rapide difficiles à caractériser. Associer mesures en laboratoire, séquençage génétique, analyse évolutive et prédictions par IA pourrait aider à mieux les étudier. Les structures prédites ne remplacent pas pour autant les preuves expérimentales.

Cette recherche montre que l'IA devient plus efficace quand on lui fournit le bon contexte biologique. En combinant structures expérimentales et données génétiques de plusieurs espèces, l'équipe a mis au jour un plan commun caché sous une grande variabilité protéique.

Le prochain défi consiste à comprendre comment ces molécules influencent les cellules végétales et si leurs structures variées correspondent à des rôles biologiques différents. À mesure que les recherches avancent, cette étude pourrait aider à mieux comprendre des interactions complexes avec les plantes, tout en montrant comment les connaissances sur l'évolution renforcent les découvertes assistées par l'IA.