Un modèle ouvert d'ARN apprend à lire la forme, pas seulement la séquence

Lorsqu'un nouveau modèle fondationnel arrive en biologie, les comptes rendus commencent presque toujours par le nombre de paramètres et le tableau de scores. Le travail sur structRFM, publié dans Nature le 5 novembre par le groupe de Shaohua Zhou et Peng Xiong à l'Université des sciences et technologies de Chine, mérite une autre entrée en matière : il modifie ce que l'on demande au modèle d'apprendre. Au lieu de traiter une molécule d'ARN comme une chaîne de quatre lettres, le préentraînement oblige le réseau à tenir compte de la forme que cette chaîne adopte en se repliant. C'est une tout autre affirmation sur l'objet modélisé, et c'est pourquoi la publication compte au-delà d'une place dans un classement.

On présente souvent l'ARN comme le messager entre l'information génétique et la protéine : simplification commode et trompeuse. Il participe à la synthèse des protéines, mais aussi au contrôle de l'expression des gènes et à l'épissage, et son comportement dépend autant de l'ordre des nucléotides que des structures secondaire et tertiaire qu'il adopte. Un même enchaînement de bases peut produire des effets biologiques différents selon l'état structural. Un encodeur entraîné uniquement sur A, U, C et G commence donc amputé de la moitié de l'information pertinente, et aucune quantité supplémentaire de séquences ne compense entièrement une variable qui ne lui a jamais été montrée.

La réponse habituelle du domaine a consisté à importer la méthode éprouvée sur les protéines : préentraînement auto-supervisé sur de vastes collections de séquences, puis ajustement fin séparé pour chaque tâche. Or la prédiction de structure a grandi de son côté comme une chaîne d'outils indépendante, avec ses propres hypothèses et ses propres formats. Il en résulte un flux de travail fragmenté où chaque nouvelle question impose de refabriquer des caractéristiques, les tâches pauvres en données étiquetées étant les plus pénalisées faute de pouvoir réutiliser ce que les outils structuraux savent déjà.

structRFM commence par un jeu de données, non par une architecture. L'équipe a rassemblé environ 21 millions de paires séquence–structure secondaire annotées par voie computationnelle, liant la question des bases présentes à celle des bases qui s'apparient. Le caractère computationnel de l'annotation est une réserve importante, sur laquelle il faudra revenir ; l'essentiel est que l'information structurale entre dans le préentraînement comme signal d'apprentissage au lieu d'être ajoutée après coup. La supervision est en outre dense : chaque position de la séquence porte une relation structurale, et non une unique étiquette en bout de chaîne.

L'objectif est donc double : apprendre ensemble le contexte de séquence et la dépendance structurale, avec un schéma de masquage conçu pour rendre les deux nécessaires. Les expériences d'ablation séparent la contribution de la branche structurale et celle de la stratégie de masquage, et montrent que chacune compte. Ce détail répond à la question la plus utile pour qui voudra reproduire l'approche : quel composant a réellement produit le gain ? Un résultat qui s'améliore simplement parce que le corpus a grossi est bien moins exploitable qu'un résultat dont on a isolé le mécanisme. À partir d'une seule séquence en entrée, le modèle entraîné délivre des représentations à trois niveaux : séquence entière, nucléotide isolé et paire de nucléotides. C'est un parti pris délibérément pratique : la structure secondaire est fondamentalement un problème d'appariement, la détection des sites d'épissage s'apparente à un étiquetage local et la classification par homologie réclame une vue globale.

La liste d'évaluation est variée pour la même raison : prédiction de structure secondaire, classification d'homologie sans exemple préalable, prédiction de sites d'épissage, reconnaissance des sites d'entrée interne du ribosome et classification des ARN non codants. La variété est l'argument lui-même : si le modèle a vraiment intériorisé des régularités structurales, ces tâches doivent progresser ensemble au lieu d'un seul indicateur opportunément optimisé. Deux résultats méritent plus d'attention que les chiffres de une. En injectant les représentations de structRFM dans une chaîne de prédiction tridimensionnelle existante, la sortie 3D et la structure secondaire associée se sont toutes deux améliorées, ce qui est physiquement cohérent : les contraintes d'appariement réduisent l'espace des repliements plausibles. Le modèle s'est aussi maintenu face à des familles d'ARN nouvellement publiées, avec une stratégie de segmentation pour l'étendre aux ARN non codants longs. Les bases biologiques gagnent de nouvelles familles chaque jour, aussi cette robustesse est-elle plus proche de l'utilité réelle qu'un dixième de point gagné sur un jeu de test figé.

La publication comprend l'intégralité des paires, les poids et le code source. En biologie computationnelle, les données sont souvent l'élément le plus difficile à reproduire, parce que les chaînes d'annotation charrient paramètres, versions et règles de filtrage qui modifient silencieusement les résultats ; diffuser des poids sans ce contexte laisse un article techniquement ouvert mais pratiquement irrépétable. Avec les études d'ablation, cette ouverture donne aux autres équipes l'occasion de tester où l'approche échoue, y compris l'écart entre annotation computationnelle et mesure expérimentale, et le comportement face à des repliements sans homologue détectable. C'est un point de départ pour la communauté, pas une réponse définitive.