Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
Millions of protein sequences in the world's largest public protein database have no known function. Google DeepMind's team went looking inside that gap and came back with a candidate that may fight respiratory infections. The candidate is a predicted antimicrobial peptide, a short protein of the kind bacteria naturally produce to kill their rivals. It was found in Streptococcus pseudopneumoniae, a bacterium from the same family as the pneumococcus.
Des millions de séquences de protéines présentes dans la plus grande base de données publique de protéines au monde n'ont aucune fonction connue. L'équipe de Google DeepMind s'est aventurée dans cet angle mort et en a tiré un candidat qui pourrait combattre les infections respiratoires. Ce candidat est un peptide antimicrobien prédit, une courte protéine du type de celles que les bactéries produisent naturellement pour éliminer leurs rivales. Il a été repéré chez Streptococcus pseudopneumoniae, une bactérie de la même famille que le pneumocoque.
The stakes are set by the scale of resistance. The authors estimate that antimicrobial resistance could cause 10 million deaths a year worldwide by 2050. Peptides are attractive because, as the authors note, they have evolved to attack basic bacterial structures, from cell envelopes to essential internal machinery, which makes resistance harder to develop. Some are already in use: nisin, a bacteriocin used worldwide, is the best-known example. Recent discoveries from genome mining, such as darobactin, dynobactin and lariocidin, show that the pool is not exhausted.
Les enjeux sont à la mesure de la résistance. Les auteurs estiment que la résistance aux antimicrobiens pourrait causer 10 millions de morts par an dans le monde d'ici 2050. Les peptides sont attractifs parce que, comme le notent les auteurs, ils ont évolué pour attaquer les structures bactériennes de base, des enveloppes cellulaires jusqu'à la machinerie interne essentielle, ce qui rend la résistance plus difficile à développer. Certains sont déjà utilisés : la nisine, une bactériocine employée dans le monde entier, en est l'exemple le plus connu. Des découvertes récentes issues de l'exploration de génomes, comme la darobactine, la dynobactine et la lariocidine, montrent que ce réservoir n'est pas épuisé.
The obstacle is information. Much of the sequence data produced by genome projects has been deposited in UniProt, the reference resource for protein sequences and functions, without any annotation. The authors describe these entries as the "dark matter" of protein databases. Their tool, ProtNLM (Protein Natural Language Model), is a deep learning model trained to read the evolutionary "grammar" of amino acid sequences and predict a protein's function directly from its sequence, without needing a close known relative. Google says the model has added high-confidence functional labels to millions of previously unnamed UniProt entries.
L'obstacle, c'est l'information. Une grande partie des données de séquences produites par les projets de génomique a été déposée dans UniProt, la ressource de référence pour les séquences et les fonctions des protéines, sans aucune annotation. Les auteurs qualifient ces entrées de « matière noire » des bases de données de protéines. Leur outil, ProtNLM (Protein Natural Language Model), est un modèle d'apprentissage profond entraîné à lire la « grammaire » évolutive des séquences d'acides aminés et à prédire directement à partir de la séquence la fonction d'une protéine, sans avoir besoin d'un proche parent déjà connu. Google affirme que ce modèle a ajouté des étiquettes fonctionnelles fiables à des millions d'entrées UniProt auparavant sans nom.
In the workflow described by the team, the researcher steers the search and the agent does the cross-database work. The agent retrieves structures from the AlphaFold Database, and the scientist examines them in a 3D viewer built into Antigravity, where marking a region of a protein can prompt the agent to reason about that exact spot. Google presents the lead as "biologically plausible" and backed by structural and genomic evidence, but not yet proven. Its predicted activity has not been measured in the laboratory.
Dans le processus décrit par l'équipe, le chercheur oriente la recherche et l'agent se charge du travail entre bases de données. L'agent récupère les structures depuis AlphaFold Database, et le scientifique les examine dans une visionneuse 3D intégrée à Antigravity, où le fait de marquer une région d'une protéine peut amener l'agent à raisonner sur cet endroit précis. Google présente le candidat comme « biologiquement plausible » et étayé par des preuves structurelles et génomiques, mais non encore démontré. Son activité prédite n'a pas été mesurée en laboratoire.
For microbiology teams, the immediate change is the front end of the search: fewer weeks spent comparing databases, and more candidates screened per session. For patients, the benefit is still distant, and the path is long. The authors give no date for the wet-lab results, and no candidate from this workflow has yet been shown to work against bacteria, let alone in people. The next public milestone is the laboratory validation of this peptide.
Pour les équipes de microbiologie, le changement immédiat concerne le début de la recherche : moins de semaines passées à comparer des bases de données, et davantage de candidats criblés par session. Pour les patients, le bénéfice reste lointain et le chemin est long. Les auteurs ne donnent aucune date pour les résultats en laboratoire, et aucun candidat issu de ce processus n'a encore été montré efficace contre des bactéries, a fortiori chez l'humain. La prochaine étape publique sera la validation en laboratoire de ce peptide.