L'IA et le repliement des protéines: un terrain de jeu virtuel

Les entreprises alimentaires économisent du temps, de l'argent et des déchets grâce à la simulation des protéines

Pendant des années, la prédiction des structures protéiques a été considérée comme l'un des plus grands défis des sciences de la vie. Depuis la percée d'AlphaFold - l'outil d'IA de DeepMind, récompensé par le prix Nobel de chimie en 2024 - cette recherche a pris de l'ampleur. Alors que les chercheurs mettaient des mois, voire des années, à déterminer la structure 3D d'une protéine, l'intelligence artificielle peut aujourd'hui le faire en une fraction du temps. Les protéines jouant un rôle important dans le goût, la texture et la fonctionnalité des produits alimentaires, cette évolution ouvre d'immenses perspectives aux entreprises de transformation des aliments.

Structures des protéines

Martin Schwersensky, ingénieur en apprentissage automatique chez ML6, explique exactement ce que signifie l'IA et le repliement des protéines et comment les entreprises alimentaires peuvent déjà en bénéficier aujourd'hui.

Qui est ML6?
Depuis son siège à Gand et ses bureaux à Amsterdam, Berlin et Munich, la société belge d'intelligence artificielle ML6 aide les entreprises de divers secteurs à déployer l'intelligence artificielle. Pour l'industrie alimentaire, ML6 propose non seulement des solutions techniques, mais aussi des conseils stratégiques. Les entreprises peuvent s'y rendre pour une première exploration des possibilités de l'IA, en se concentrant sur leur question d'innovation et en développant des preuves de concept personnalisées. Skyhaus, qui chapeaute plusieurs entreprises d'IA dont ML6, a réalisé un chiffre d'affaires d'environ 12,5 millions d'euros en 2024, avec un bénéfice d'un peu moins de 2 millions d'euros, selon la Banque nationale de Belgique.

Pour commencer: qu'est-ce qu'une protéine et qu'entend-on par repliement de protéines?

Scwhersensky: "Les protéines sont de grosses molécules biologiques qui régulent presque toutes les fonctions des organismes vivants: de la digestion à la défense. Dans l'alimentation, elles sont omniprésentes: le gluten dans le pain, la caséine dans le lait, les enzymes dans la bière ou le fromage. Chaque protéine est constituée d'une longue chaîne d'acides aminés. Cette chaîne se plie en une structure tridimensionnelle: c'est ce qu'on appelle le repliement des protéines. Cette structure détermine le rôle que la protéine peut jouer. Tout comme une clé ne s'adapte qu'à la bonne serrure, la forme d'une protéine détermine sa fonctionnalité. Pour les entreprises du secteur alimentaire, il est essentiel de comprendre ces structures."

Qu'est-ce qui rend ces structures protéiques si importantes pour l'alimentation?

"Une sauce qui s'écume rapidement, un substitut de viande qui semble granuleux ou un pain qui ne lève pas bien: souvent, c'est à cause du comportement des protéines. Leur structure détermine si un produit est aéré, crémeux ou stable. Prenons l'exemple de la mayonnaise: l'émulsion ne reste stable que tant que les protéines maintiennent les phases huile et eau ensemble. Selon la structure, cela fonctionne plus ou moins bien. Il en va de même pour le gluten, qui détermine l'élasticité de la pâte, ou pour les protéines du lait, qui donnent au yaourt son onctuosité. Une petite variation peut donc faire une grande différence dans la qualité du produit."

Comment l'IA permet-elle de mieux comprendre ces structures?

"Jusqu'à récemment, il fallait les déterminer expérimentalement, ce qui est trop souvent un processus lent et coûteux. Souvent même impossible. Les modèles d'IA comme AlphaFold prédisent désormais avec une grande précision la plupart des structures 3D en se basant uniquement sur la séquence des acides aminés. Les entreprises alimentaires disposent ainsi d'un terrain de jeu virtuel: il est possible de simuler ce qui se passe lorsque l'on modifie légèrement une protéine, ou la stabilité d'une structure lorsqu'elle est chauffée ou transformée. Cela fait une énorme différence en termes de temps, de coûts et de déchets."

Que fait ML6 dans ce domaine?

"Nous utilisons un large éventail d'outils au ML6: AlphaFold, modèles de diffusion, modèles ESM et autres. Chacun de ces modèles a ses propres forces et domaines d'application. Les modèles de diffusion, par exemple, génèrent des structures protéiques basées sur des conditions limites physiques. Avec ces modèles, contrairement à AlphaFold, vous ne pouvez pas simplement prédire la structure d'une séquence, mais vous pouvez créer une structure appropriée pour un problème particulier, tel que la liaison à une molécule spécifique."

"Vous pouvez combiner cela avec un modèle comme ProteinMPNN, qui génère alors la séquence la plus probable pour cette structure. C'est ainsi que la boucle est bouclée: des conditions limites d'un problème à une séquence correspondante. Les modèles ESM appartiennent à la famille des modèles de langage protéique (plm), qui sont entraînés sur d'énormes quantités de séquences protéiques - tout comme les modèles de langage sur le langage naturel."

Alors que les chercheurs avaient besoin de mois, voire d'années, pour déterminer la structure 3D d'une protéine, l'intelligence artificielle peut aujourd'hui le faire en une fraction de temps

"Ils fournissent des représentations mathématiques qui peuvent être utilisées pour résoudre d'autres tâches, par exemple pour prédire la force de liaison ou pour générer de nouvelles séquences fonctionnellement liées. Tous ces modèles se complètent et peuvent être utilisés en combinaison pour des applications telles que l'amélioration de la résistance à la chaleur ou de la capacité de liaison d'une protéine."

"Cependant, ce processus est une chaîne probabiliste, chaque modèle introduisant une marge d'erreur potentielle. Le résultat n'est pas une protéine unique et garantie, mais une liste de candidats prometteurs qui doivent être soigneusement filtrés et classés avant que la validation expérimentale puisse avoir lieu."

Pouvez-vous donner plus d'exemples pratiques pour les entreprises alimentaires?

"L'IA est principalement utilisée aujourd'hui pour accélérer le développement de produits sans gluten. En analysant les propriétés de différents ingrédients, les modèles peuvent identifier les protéines végétales et les amidons qui imitent le mieux les propriétés fonctionnelles du gluten. Pour les substituts de produits laitiers, comme les yaourts à base de plantes, nous pouvons optimiser les protéines végétales afin qu'elles donnent la même onctuosité et la même stabilité que les protéines du lait."

"Avec les substituts de viande, il s'agit principalement de texture et de mordant: L'IA aide à prédire quelles protéines forment des structures fibreuses qui ressemblent à la viande. En outre, l'IA peut également associer des mesures mécaniques objectives de la texture à des données sensorielles humaines subjectives pour retracer les propriétés idéales."

"Un autre domaine intéressant est celui de la fermentation. Les enzymes y jouent un rôle central: dans le brassage de la bière, la fabrication du fromage ou le développement de nouveaux produits fermentés. L'IA permet de concevoir des enzymes plus efficaces, moins sensibles aux fluctuations de température ou qui donnent des résultats plus rapides. Il en résulte des économies d'énergie et une plus grande fiabilité des processus."

L'IA ne se limite donc pas au repliement des protéines?

"Exactement. L'IA et l'apprentissage automatique ont des applications plus larges. Dans le cadre du projet Horizon Europe deCYPher, par exemple, nous développons une plateforme qui accélère la recherche expérimentale. Le modèle apprend des expériences précédentes et prédit quelle est la meilleure expérience à réaliser ensuite pour se rapprocher de l'objectif. Il peut s'agir de protéines, mais aussi d'autres systèmes biologiques ou industriels. En bref: de meilleurs produits, plus rapidement."

Le résultat n'est pas une protéine unique et garantie, mais une liste de candidats prometteurs qui doivent être soigneusement filtrés et classés avant que la validation expérimentale ne puisse avoir lieu

"Pour la technologie des protéines, cela signifie que nous générons des séquences candidates avec des modèles d'IA et que nous extrayons autant d'informations que possible de chaque test pour rendre le modèle plus intelligent. De cette manière, nous combinons des outils d'IA généraux avec des modèles de protéines spécialisés, et nous rendons possible à la fois l'investigation virtuelle et l'orientation plus ciblée des expériences réelles."

Trois applications concrètes de l'IA dans le domaine du repliement des protéines
Sauces et assaisonnements
Les émulsions telles que la mayonnaise ou la vinaigrette tranchent souvent avec le temps. Grâce à l'IA, vous pouvez prédire quelles protéines assurent une liaison plus stable entre l'huile et l'eau, ce qui permet de prolonger la durée de conservation et de réduire le gaspillage.
Processus de fermentation
Dans la bière ou le fromage, les enzymes jouent un rôle clé. Grâce à l'IA, ces enzymes peuvent être modifiées pour fonctionner plus efficacement ou être moins sensibles aux fluctuations de température. Cela se traduit par des processus plus courts et des économies d'énergie.
Durée de conservation et traitement
Les protéines aident à déterminer comment les produits réagissent à la chaleur ou au stockage. Grâce à l'IA, les producteurs peuvent sélectionner ou concevoir des protéines plus résistantes à la chaleur ou à la pression, ce qui permet aux repas prêts à consommer et aux produits emballés de conserver leur qualité plus longtemps.

De nombreuses entreprises alimentaires ne sont pas encore familiarisées avec l'IA. Comment peuvent-elles s'y mettre?

"C'est une question qui revient souvent. Notre approche consiste à voir ensemble où se situent les plus grands défis: s'agit-il de la texture, de la durée de conservation ou des propriétés fonctionnelles? Nous examinons ensuite si l'IA peut apporter quelque chose. Nous offrons également des conseils, afin que les entreprises puissent se lancer étape par étape. Parfois, il s'agit simplement d'une première démonstration de faisabilité: il s'agit de montrer que cela fonctionne dans leur contexte spécifique."

Où voyez-vous le plus d'opportunités à court terme?

"Surtout lorsque les processus sont complexes et que les enzymes jouent un rôle clé. Pensez à la fermentation, à la boulangerie, aux produits laitiers et aux alternatives à base de plantes. Plus il y a de couches de complexité, plus la valeur ajoutée de l'IA est importante. Les entreprises qui se concentrent déjà sur la transition vers les protéines, comme les producteurs de substituts de viande, en bénéficieront certainement. Mais les boulangeries classiques et les producteurs de produits laitiers peuvent également en bénéficier: moins d'essais et d'erreurs, un développement plus ciblé."

Et que nous réserve l'avenir?

"D'ici cinq ans, je m'attends à ce que les outils d'IA fassent partie intégrante de la boîte à outils des équipes de R&D spécialisées des entreprises et des startups bien financées. Non seulement pour améliorer les produits existants, mais aussi pour concevoir de toutes nouvelles protéines aux propriétés encore inconnues. Il pourrait s'agir d'un grand pas en avant pour rendre notre système alimentaire plus durable et passer à une alimentation plus végétale. Ce changement déplace les goulets d'étranglement de la R&D vers des étapes cruciales telles que la mise à l'échelle au niveau industriel, la validation sensorielle et le passage par les procédures d'approbation réglementaire."

Enfin, que conseillez-vous aux entreprises qui souhaitent explorer cette voie?

"Commencez par des actions modestes et concrètes. Examinez le produit ou le processus qui pose le plus de questions: une sauce instable, un substitut de viande peu convaincant, une fermentation qui consomme de l'énergie. Définissez ce problème, puis engagez-vous avec un partenaire technologique. Il suffit souvent de quelques mois pour savoir si l'IA apporte une valeur ajoutée. Il est important de franchir le pas."

"Outre cette première étape, je conseillerais vivement aux entreprises d'investir dans une infrastructure de données robuste et propriétaire. Dans un avenir proche, les algorithmes d'IA eux-mêmes sont susceptibles de devenir des 'produits de base'. Le véritable avantage concurrentiel durable viendra de la possession de données internes structurées de haute qualité qui relient les ingrédients et les processus aux résultats finaux. Grâce à cela, les entreprises peuvent former des modèles personnalisés uniques et puissants."