Une nouvelle publication sur arXiv présente une approche de prédiction de la topologie des protéines transmembranaires fondée sur la structure 3D plutôt que sur la seule séquence. Le travail s’appuie sur SchNet, un modèle de réseau de neurones sur graphes (GNN) déjà reconnu pour le traitement de données moléculaires, afin d’inférer l’organisation topologique de ces protéines.
Selon le résumé, le modèle a été entraîné sur le même jeu de données que celui utilisé pour développer DeepTMHMM, avec une validation croisée en cinq plis. Les auteurs se distinguent des approches plus classiques, qui exploitent principalement la séquence protéique ou uniquement les atomes de carbone alpha, en mobilisant ici des représentations à l’échelle de tous les atomes. Cette granularité plus fine vise à mieux capter les signaux structurels utiles à la prédiction.
L’article souligne que la méthode ne repose pas sur des poids préentraînés. Malgré cette absence de préentraînement, les résultats rapportés sont décrits comme montrant un fort potentiel des GNN pour les tâches de prédiction topologique. Le résumé ne fournit toutefois pas, à ce stade, de métriques détaillées ni de comparaison chiffrée complète permettant d’évaluer précisément le gain par rapport aux références existantes.
Pour les acteurs de la bio-informatique et de l’IA appliquée aux sciences du vivant, cette publication illustre une tendance de fond: l’exploitation directe de la structure 3D atomique comme source d’information pour des tâches de classification biologique. Si les performances devront être confirmées par une lecture complète de l’article et par d’éventuelles validations externes, cette approche suggère que les GNN spécialisés pourraient compléter, voire enrichir, les pipelines actuels centrés sur la séquence.