Trois cents mesures de laboratoire améliorent le criblage virtuel

Le criblage virtuel consiste à identifier, dans une vaste bibliothèque de composés, ceux qui méritent d'être testés en laboratoire. Le budget expérimental étant limité, l'enjeu n'est pas la classification complète, mais la rapidité avec laquelle les molécules réellement actives apparaissent en tête du classement. Des chercheurs japonais ont examiné si le modèle Boltz-2 pouvait être adapté à cette tâche à l'aide de quelques dizaines à quelques centaines de mesures issues d'un test spécifique.

Combien de données suffisent

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

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

Les auteurs précisent eux-mêmes que l'étude est rétrospective. Les étiquettes proviennent de jeux de données existants 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 toutefois utile : au lieu d'entraîner un modèle de zéro sur des dizaines de milliers de mesures, il suffit d'ajuster les têtes sur un ensemble qui tient dans le budget d'un seul projet, tout en améliorant l'ordre des candidats.

Traitement des données en protéomique

En parallèle, le volet mesurage progresse. Un autre travail présente ProteoEM, une bibliothèque Python ouverte qui estime l'abondance des protéines et des protéoformes à partir de traces d'affinité monomoléculaires. Le problème est le suivant : 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 l'incertitude de manière 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 protéoformes indiscernables sous forme de groupes, au lieu de forcer un choix arbitraire.

Les deux approches partagent une même idée. En recherche biomédicale, la valeur ne réside pas dans une exactitude abstraite, mais dans 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 privilégier non plus la qualité moyenne sur tout l'ensemble, mais la performance dans cette fenêtre étroite qui compte vraiment.