Dans un article publié le 27 août 2026 dans la revue PNAS, une équipe du département de biologie du MIT décrit PottsMPNN, un cadre d'apprentissage automatique destiné à la conception de protéines. Selon l'étude, ce modèle intègre les principes physiques qui régissent la structure et la stabilité des protéines, afin d'améliorer la génération de séquences et la prédiction de l'effet des mutations sur la stabilité. L'approche vise à mieux modéliser la relation entre l'identité de chaque acide aminé et la stabilité de la protéine, ce que les auteurs appellent le paysage séquence-énergie.

La méthode combine l'ajout de variations (« bruit ») lors de l'entraînement, une distribution par paires pour capturer les interactions entre acides aminés et l'intégration de séquences liées par l'évolution. D'après les auteurs, PottsMPNN génère des séquences structurellement plausibles qui ne ressemblent pas à celles de protéines natives, et ses performances s'améliorent à mesure que le modèle dépend moins des séquences naturelles.

Amy Keating, professeure de biologie et coautrice principale, estime que reproduire la séquence choisie par l'évolution n'est pas la meilleure mesure pour la conception de protéines. L'étudiante diplômée Foster Birnbaum, première autrice, espère que le modèle pourra être affiné pour des tâches spécifiques. Ces travaux relèvent de la recherche fondamentale et ne constituent pas une application clinique.