Une étude publiée dans Nature Communications le 20 août décrit un flux de travail évolutif pour développer des minibinders conçus par IA contre des protéines de surface associées au cancer. Le criblage de milliers de designs à l’aide d’une présentation à la surface de cellules de mammifères a identifié plusieurs binders à forte affinité pour PD-L1, mais nettement moins pour CD276 (B7-H3) et VTCN1 (B7-H4) — un résultat que les auteurs décrivent comme mettant en évidence une forte dépendance à la cible.

Ce qui est réellement nouveau

Le point central n’est pas les succès, mais un échec précis. Certains minibinders qui se liaient bien à leur cible, une fois intégrés dans des récepteurs antigéniques chimériques, ont montré un mauvais trafic à la surface cellulaire et une fonctionnalité limitée. Une redéfinition par une stratégie de diversification par algorithme génétique qui préservait l’interface de liaison tout en modifiant les surfaces non liantes a révélé une fenêtre de point isoélectrique améliorant l’expression des CAR et renforçant la destruction sélective des cellules tumorales. Les auteurs formulent la conclusion sans détour : une optimisation biochimique au-delà de l’interface de liaison est une condition essentielle pour transformer des minibinders conçus par IA en applications fonctionnelles.

Ce que le cadrage habituel comprend mal

« L’IA conçoit des thérapeutiques anticancéreuses » efface plusieurs distinctions. Il s’agit ici de génie protéique in cellulo, pas d’un traitement chez des patients — aucune étude d’efficacité chez l’animal n’est rapportée ici, et aucun programme clinique n’en découle. Le terme « conçu » surestime aussi l’automatisation : le flux de travail consiste à générer beaucoup, cribler beaucoup, et le criblage relève d’un travail expérimental sur des milliers de candidats, pas d’un modèle produisant une molécule. Surtout, le résultat sur la dépendance à la cible contredit l’affirmation générale. Une méthode qui fournit plusieurs binders solides pour une protéine et nettement moins pour deux autres structurellement proches n’est pas encore une méthode — c’est une méthode assortie d’une dépendance inexpliquée à la cible.

Pourquoi la découverte sur le pI va plus loin que les binders

Les modèles de conception optimisent l’interface, parce que l’interface est ce que la fonction objectif évalue. Cet article montre qu’une molécule peut réussir sur cet objectif tout en échouant sur une propriété globale — la charge — qu’aucune métrique d’interface ne capture. C’est une critique de la fonction de score, pas des designs, et elle s’applique à tous les pipelines de génération de structures actuellement orientés vers des usages thérapeutiques.