Trois cents mesures de laboratoire améliorent le criblage virtuel

Le criblage virtuel consiste à repêcher, dans une immense bibliothèque de composés, ceux qui méritent un test en laboratoire. Le budget expérimental est limité. Ce qui compte n'est donc pas la classification complète, mais la précocité avec laquelle les molécules réellement actives apparaissent dans le classement. Des auteurs japonais ont vérifié si l'on peut préparer le modèle Boltz-2 à cette tâche avec quelques dizaines à quelques centaines de mesures issues d'un test donné.

Combien de données suffisent

Les auteurs ont réglé les têtes d'affinité de Boltz-2 en fournissant au modèle de 40 à 300 étiquettes binaires d'activité. L'évaluation était rétrospective, sur huit cibles du jeu MF-PCBA. Avec 300 mesures, le nombre de composés actifs dans le premier pour cent du classement a augmenté en moyenne géométrique d'un facteur 1,77 par rapport à la variante non réglée, et la précision moyenne s'est améliorée d'un facteur 2,14. Le résultat dépend de la cible et de la composition du jeu d'entraînement. Les auteurs le traitent donc comme un signal, pas comme une règle.

La deuxième expérience porte sur le coût de calcul. Les chercheurs n'ont pas reclassé tous les candidats avec la tête réglée : ils ont limité le reclassement à environ dix pour cent des propositions les mieux notées par Boltz-2. Avec ce resserrement, le taux de récupération des hits est resté comparable à celui d'un reclassement complet. La conclusion pratique est simple. Si le modèle a déjà une bonne intuition de l'échelle grossière, il suffit d'affiner la fin de la liste.

Les auteurs le précisent eux-mêmes : l'étude est rétrospective. Les étiquettes proviennent de jeux déjà constitués et non d'une nouvelle expérience. Les chiffres obtenus décrivent donc le comportement de la méthode sur des données connues, pas son efficacité dans un laboratoire inconnu. La conclusion pratique reste utile. Au lieu d'entraîner un modèle de zéro sur des dizaines de milliers de mesures, il suffit de régler les têtes sur un ensemble qui tient dans le budget d'un seul projet, et de gagner malgré tout sur l'ordre des candidats.

Traitement des données en protéomique

En parallèle, le versant mesure progresse. Un autre travail présente ProteoEM, une bibliothèque Python ouverte qui estime l'abondance des protéines et des protéiformes à partir de traces d'affinité monomoléculaires. Le problème : une liaison imparfaite et non spécifique de la sonde fait correspondre une trace à plusieurs identifications possibles. Plutôt que d'attribuer la trace à un seul candidat, l'auteur propose de répartir le doute de façon pondérée, dans un schéma de maximisation de la vraisemblance attendue, à l'aide d'indices de réponse de la sonde calibrés au préalable. Le modèle rapporte les protéiformes indiscernables sous forme de groupes, au lieu de forcer un choix arbitraire.

Les deux approches partagent une idée. En recherche biomédicale, ce qui a de la valeur n'est pas une exactitude abstraite, mais la façon dont la décision du modèle se traduit dans l'étape suivante, coûteuse, au laboratoire. C'est pourquoi l'évaluation des modèles commence à tenir compte non plus de la qualité moyenne sur tout l'ensemble, mais du travail accompli dans cette fenêtre étroite qui compte vraiment.