Concevoir des protéines qui ne reconnaissent qu'une seule forme de leur cible : AlloGen et la sélectivité de conformation apprise (arXiv, 2026)

Déposé le 3 juin 2026 sur arXiv, AlloGen propose une façon de concevoir des protéines « sur mesure » qui ne reconnaissent qu'une seule forme de leur cible — par exemple la version active d'une enzyme, pas sa version au repos. Le cœur du système est un évaluateur appris, Q_θ, entraîné à noter la sélectivité de conformation d'une interface entre deux protéines. Testé sur huit cibles jamais vues à l'entraînement, il classe correctement les candidats (corrélation de rang moyenne de 0,520) et, branché sur trois générateurs de protéines existants, augmente la part de candidats qui reconnaissent la bonne forme. Sur la calmoduline, des peptides conçus de novo se lient effectivement à la forme « holo » sans liaison détectable à la forme « apo ». La preuve que la sélectivité de conformation s'apprend est élégante et reproductible — mais une seule cible validée en éprouvette, une métrique de substitution, des comparateurs faibles et une licence non commerciale la situent très en amont du moindre médicament.

Le contexte

Concevoir une protéine qui se colle à une autre — un binder, ou « lieur » — est devenu une routine impressionnante depuis l'arrivée des modèles génératifs comme RFdiffusion ou BindCraft. Mais ces outils optimisent presque toujours une seule chose : l'affinité, c'est-à-dire la force avec laquelle le lieur s'accroche à sa cible. Or pour une grande partie des cibles thérapeutiques intéressantes, l'affinité ne suffit pas. Beaucoup de protéines changent de forme selon leur état : une enzyme kinase bascule entre une conformation active et une conformation inactive (les biologistes parlent des états « DFG-in » et « DFG-out »), un récepteur nucléaire comme le récepteur des œstrogènes adopte une position différente selon qu'un ligand est présent ou non, un récepteur couplé aux protéines G (GPCR, la plus grande famille de cibles de médicaments) oscille entre formes ouverte et fermée.

Si l'on veut agir précisément sur la biologie, on veut souvent un lieur qui reconnaît une seule de ces formes — la forme pathologique, par exemple — et ignore l'autre. Un lieur qui s'accroche aux deux états, aussi fort soit-il, ne distingue rien et ne contrôle donc rien. C'est exactement ce vide que cible AlloGen : non pas « se lier fort », mais « se lier à la bonne conformation et rejeter l'autre ». Le vocabulaire du papier oppose deux états de référence d'une même protéine : l'état apo (sans son partenaire ou son ion, souvent la forme « au repos ») et l'état holo (avec son partenaire lié, souvent la forme « activée »).

La méthode

Le travail est un preprint arXiv (2606.05474, catégories q-bio.BM et cs.LG, déposé le 3 juin 2026, non encore relu par les pairs). Signé par une équipe de l'Université chinoise de Hong Kong et de l'Université de Pennsylvanie (laboratoire de Pranam Chatterjee), il repose sur une idée d'architecture modulaire : séparer la génération du squelette de la protéine de l'évaluation de sa sélectivité.

Le cœur est l'évaluateur Q_θ, un graph transformer d'interface invariant SE(3). Décomposons : un transformer est le type de réseau qui sous-tend les grands modèles de langage ; ici il traite l'interface entre deux protéines comme un graphe (les atomes en contact et leurs liaisons) ; et « invariant SE(3) » signifie que sa note ne change pas si l'on fait pivoter ou translater l'ensemble dans l'espace — propriété indispensable pour raisonner sur des structures 3D. Q_θ est entraîné par un curriculum en deux phases. La première lui apprend à juger la qualité d'une interface en régressant le DockQ, un score standard de qualité d'amarrage. La seconde, par apprentissage contrastif (une technique qui apprend à rapprocher ce qui doit l'être et éloigner le reste), lui fait discriminer les paires apo/holo : la sélectivité proprement dite. Le modèle s'appuie sur les embeddings du modèle de langage protéique ESM-2 (une représentation numérique apprise des séquences).

Le banc d'essai compte 2 896 complexes récepteur-lieur sur 65 cibles couvrant 15 familles de protéines. Surtout, l'évaluation se fait sur huit cibles tenues à l'écart de l'entraînement (dites out-of-distribution) : A2AR (un GPCR), BCL-2, la calmoduline (CaM), ERα (le récepteur des œstrogènes), une intégrine, MDM2, PAI-1 et Ran. Parce que Q_θ est différentiable et indépendant du générateur, il se branche sur n'importe quel générateur de squelette de deux façons : en reranker passif (on génère, puis on note et on garde les meilleurs) ou en guide actif qui oriente la génération par le gradient. Les auteurs le testent sur trois générateurs distincts (RFdiffusion, PXDesign, Proteina-ComplexA) et cinq stratégies de guidage, soit quinze combinaisons.

Les résultats

Côté notation, Q_θ atteint une corrélation de rang (Spearman) moyenne de 0,520 ± 0,010 entre sa note et la qualité réelle d'interface, positive sur les huit cibles et supérieure à 0,5 sur quatre d'entre elles ; la seconde phase d'entraînement fait passer la moyenne de 0,481 à 0,520. À titre de comparaison, le meilleur comparateur classique (PRODIGY, un estimateur d'affinité) plafonne à 0,143, les autres (taille d'interface, densité du graphe, hasard) tournant autour de zéro ou en négatif. La spécificité croisée est nette : la note d'une cible pour sa propre conformation dépasse en moyenne d'un facteur 19,8 sa note pour les autres. Sur la préférence de forme, sept cibles sur huit montrent un écart holo-moins-apo positif ; la calmoduline et MDM2 atteignent 100 % et 98 % de préférence pour la forme holo, tandis que l'intégrine reste le cas difficile (écart de +0,001, 52 %, soit le hasard).

Côté génération, brancher Q_θ relève la sélectivité moyenne des candidats à +0,305 sur l'ensemble des quinze combinaisons. Pour la calmoduline, quatorze combinaisons sur quinze donnent une sélectivité positive, la meilleure (RFdiffusion guidé par Langevin) atteignant +0,677 avec 88 % de candidats à la fois bien repliés et sélectifs ; en simple reranker, garder le meilleur sur dix designs porte la sélectivité à +0,885. Les squelettes produits restent physiquement plausibles (aucune aberration de Ramachandran, décalage moyen des longueurs de liaison de 0,005 Å). Les auteurs ne se contentent pas de leur propre note : des outils indépendants (Boltz-2, AlphaFold 3, Rosetta, ProteinMPNN) confirment globalement la préférence pour la forme visée.

Enfin, la validation en éprouvette sur la calmoduline. Par interférométrie bio-couche (BLI, une mesure physique de liaison), des peptides conçus de novo se lient à la forme holo de la calmoduline sans liaison détectable à la forme apo, et un contrôle volontairement mal noté ne se lie pas. C'est la pièce maîtresse : le signal calculé se traduit en molécules réelles. Traduction pour qui n'est pas du métier : un lieur sélectif de conformation, c'est une molécule qui n'agirait que sur la forme pathologique d'une protéine — en théorie, moins d'effets hors cible. Mais on parle ici de calculs et d'une seule protéine dans un tube : pas de cellule, pas d'animal, pas de pharmacocinétique, pas de critère thérapeutique.

Ce qui est bien

Un évaluateur réutilisable, branché sur n'importe quel générateur sans réentraînement. La séparation entre génération et notation n'est pas qu'élégante : elle est démontrée sur trois générateurs d'architectures différentes et cinq modes de guidage. Cette généralité d'ingénierie est rare et utile — la communauté pourra réutiliser Q_θ tel quel.

Une évaluation honnête hors distribution. Les huit cibles de test sont tenues à l'écart de l'entraînement, la matrice de spécificité croisée (facteur 19,8) montre que le modèle ne note pas tout le monde pareil, et les auteurs font corroborer leurs résultats par des outils tiers indépendants plutôt que de s'auto-évaluer. Les poids du modèle sont publics sur Hugging Face (ChatterjeeLab/AlloGen).

Un ancrage expérimental. Rares sont les méthodes de design génératif qui incluent une confirmation physique. Les peptides calmoduline qui se lient à la forme holo et pas à l'apo, avec un contrôle négatif, donnent à la démonstration un poids que les seuls chiffres in silico n'auraient pas.

Ce qui est moins bien

Une métrique de substitution (mode d'échec : la métrique trompeuse). Q_θ est entraîné et évalué contre le DockQ et un score de sélectivité interne, pas contre l'affinité réelle. Une corrélation de 0,520 est modérée, pas écrasante. Et sur l'ensemble du banc d'essai, les affinités physiques ne sont pas mesurées : seule la calmoduline passe par l'éprouvette. Le détail des constantes de dissociation n'apparaît d'ailleurs pas dans la version HTML consultée — on s'en tient donc à « liaison holo, pas de liaison apo détectable », sans chiffrer.

Des comparateurs faibles (mode d'échec : le comparateur biaisé). Les références battues — PRODIGY, taille d'interface, densité du graphe, hasard — sont peu exigeantes ; la plus forte plafonne à 0,143. Aucune comparaison à un autre évaluateur de sélectivité appris. La note de 0,520 impressionne d'abord parce que la barre est basse.

Un banc d'essai déséquilibré et une généralisation à prouver (modes d'échec : biais de cible et fuite de données). Le jeu est dominé par une cible (Ran pèse 2 268 des 2 896 complexes), les familles sont inégalement représentées, et la promesse « hors distribution » s'affaiblit si des homologues des familles testées subsistent à l'entraînement. L'intégrine échoue de fait (52 %, le hasard) et ERα bute non sur la notation mais sur la génération. Une seule cible validée physiquement ne peut établir une généralisation. Reste enfin la licence CC BY-NC-ND 4.0 : non commerciale et sans dérivés, donc inutilisable telle quelle dans un pipeline industriel de médicament.

Ce que ça change

Pour la communauté de recherche, AlloGen établit la sélectivité de conformation comme une propriété apprenable et modulaire, et fournit un évaluateur réutilisable plus un banc d'essai que d'autres pourront battre. C'est l'ouverture crédible d'un sous-domaine — le design sélectif d'état — distinct de la course à l'affinité.

Pour les cliniciens, rien aujourd'hui. On est très en amont du préclinique : aucun candidat thérapeutique ici, aucune donnée sur cellule ou sur animal. L'intérêt est méthodologique, pas médical à court terme.

Pour les patients et le grand public, la promesse à long terme est celle de médicaments qui ne toucheraient que la forme nuisible d'une protéine, donc potentiellement avec moins d'effets indésirables. Mais cette promesse se compte en années et en de nombreuses étapes de validation — la distance entre un peptide sélectif dans un tube et un traitement reste immense.

Pour aller plus loin

Le preprint complet est sur arXiv (2606.05474) et en PDF. Les poids du modèle sont publiés sur Hugging Face sous licence CC BY-NC-ND 4.0. Pour situer la méthode, les générateurs de squelettes qu'elle pilote (RFdiffusion, PXDesign, Proteina-ComplexA) et les outils de contrôle indépendants (AlphaFold 3, Rosetta, ProteinMPNN) sont des points d'entrée utiles vers la conception de protéines par apprentissage profond.