Les outils CRISPR utilisés aujourd’hui sont issus d’une longue histoire naturelle. Les bactéries ont façonné ces protéines pour se défendre contre les virus, puis les chercheurs les ont adaptées afin de couper l’ADN à un endroit choisi. Une équipe menée par la biologiste Jennifer Doudna vient de franchir une étape différente : demander à l’intelligence artificielle de proposer des « ciseaux » génétiques que l’évolution observable n’a jamais produits.
Publiée le 16 juillet 2026 dans la revue Science, l’étude décrit des variantes artificielles de TnpB, une petite nucléase apparentée aux systèmes CRISPR-Cas12. Plusieurs molécules conçues par calcul ont conservé, voire dépassé, l’activité de la protéine naturelle lors d’expériences menées dans des bactéries, des plantes et des cellules humaines.
Le résultat ne constitue ni un nouveau traitement ni une preuve que l’on peut désormais programmer la biologie à volonté. Il montre toutefois que l’IA peut sortir de son rôle le plus connu — prédire la forme d’une protéine existante — pour participer à la création de machines moléculaires fonctionnelles, ensuite testées au laboratoire.
TnpB, un ancêtre miniature des outils CRISPR
CRISPR-Cas9 est souvent résumé à une paire de ciseaux moléculaires guidée par GPS. L’image est imparfaite, mais utile : un ARN guide reconnaît une séquence d’ADN, puis une protéine Cas coupe la molécule à cet endroit. La cellule répare ensuite la cassure, ce qui permet de désactiver, corriger ou modifier un gène selon la méthode employée.
TnpB fonctionne sur un principe voisin. Cette endonucléase est codée par certains transposons, des éléments génétiques capables de se déplacer dans les génomes. Elle utilise elle aussi un ARN pour reconnaître sa cible. Les travaux sur l’évolution des systèmes CRISPR suggèrent que TnpB appartient à la famille ancestrale dont sont issues certaines protéines Cas12.
Son principal avantage est sa taille. Les outils d’édition génomique doivent souvent être acheminés dans une cellule au moyen d’un vecteur viral ou d’une nanoparticule. Or ces véhicules ont une capacité limitée. Une nucléase compacte laisse davantage de place pour l’ARN guide, les éléments de contrôle ou d’autres composants thérapeutiques.
Cette petitesse a cependant un prix : les TnpB naturelles ne sont pas toujours assez efficaces, précises ou faciles à programmer pour rivaliser avec les éditeurs les mieux établis. Les biologistes peuvent rechercher d’autres variantes dans les bases de données ou modifier progressivement une protéine existante. Dans les deux cas, ils restent largement dépendants de ce que l’évolution a déjà exploré.
L’IA part de la structure, sans effacer les règles de l’évolution
Le travail de l’équipe de Doudna ne consiste pas à demander à un chatbot d’inventer une enzyme. Les chercheurs ont combiné deux types d’information : la structure tridimensionnelle de TnpB et les traces laissées par l’évolution dans les séquences de protéines apparentées.
Le problème s’appelle le repliement inverse. Pour la prédiction de structure, un modèle reçoit une suite d’acides aminés et tente d’en déduire la forme. Ici, le raisonnement part dans l’autre sens : à partir d’une architecture moléculaire souhaitée, l’algorithme propose de nouvelles séquences susceptibles de se replier correctement.
Une protéine ne doit pourtant pas seulement avoir la bonne silhouette. TnpB est une machine composée de plusieurs domaines qui doit reconnaître son ARN, se lier à l’ADN, changer de conformation et déclencher une réaction chimique au bon endroit. Une séquence très originale peut paraître stable sur ordinateur tout en perdant l’une de ces fonctions.
Les scientifiques ont donc ajouté des contraintes évolutives. Les positions fortement conservées au fil du temps signalent souvent des acides aminés essentiels à la structure ou à l’activité. En les protégeant davantage, tout en autorisant de grands changements ailleurs, le système cherche un compromis : s’éloigner des séquences connues sans détruire le mécanisme moléculaire.
Cette méthode ne crée pas une protéine depuis une page blanche. Elle utilise TnpB comme échafaudage et s’appuie sur des informations tirées du vivant. Sa nouveauté tient à l’ampleur de l’exploration : les variantes obtenues peuvent être beaucoup plus éloignées de la protéine de départ que celles produites par quelques mutations successives.
Le laboratoire reste le juge décisif
La partie la plus importante de l’étude commence après la génération informatique. Les auteurs ont synthétisé des séquences candidates et organisé un criblage à haut débit pour mesurer leur activité. Autrement dit, l’IA a réduit et orienté l’espace des possibilités, mais ce sont des expériences biologiques qui ont séparé les molécules fonctionnelles des échecs.
Les variantes retenues ont été évaluées dans plusieurs contextes. Certaines ont conservé ou dépassé l’activité de TnpB naturelle dans des bactéries, dans des cellules végétales et dans des cellules humaines. Cette diversité est importante : une enzyme efficace dans un tube ou un micro-organisme ne le sera pas nécessairement dans une cellule eucaryote, où l’ADN est organisé différemment et où la protéine doit franchir d’autres obstacles.
L’équipe a aussi utilisé la cryo-microscopie électronique pour observer l’une des variantes actives les plus éloignées de la séquence naturelle. La structure révèle de nouveaux contacts stabilisateurs aux interfaces avec l’ARN et l’ADN. Le modèle n’a donc pas seulement changé des lettres sans conséquence : il a proposé des interactions moléculaires nouvelles, compatibles avec plusieurs états nécessaires au fonctionnement de l’enzyme.
Ce point distingue la découverte d’une simple démonstration numérique. Une prédiction de structure, même convaincante, ne prouve pas qu’une protéine sera produite correctement dans une cellule, trouvera sa cible et réalisera la réaction attendue. Ici, la boucle relie conception, synthèse, criblage fonctionnel et observation structurale.
De nouveaux éditeurs, mais pas encore de nouvelles thérapies
L’intérêt potentiel dépasse TnpB. Si la stratégie fonctionne sur d’autres protéines complexes, les laboratoires pourraient concevoir des enzymes adaptées à des contraintes précises : taille réduite, meilleure stabilité, compatibilité avec un mode de livraison ou activité dans un type de cellule particulier.
Pour l’édition génomique, une bibliothèque de petites nucléases différentes pourrait aussi élargir le nombre de régions accessibles dans l’ADN. Chaque famille reconnaît en effet des motifs voisins de la cible, comparables à une condition d’amarrage. Plus les chercheurs disposent d’enzymes aux préférences variées, plus ils peuvent choisir un outil adapté au gène visé.
Les applications envisagées vont de la recherche fondamentale à l’amélioration des plantes, en passant par la thérapie génique. Une protéine compacte peut être particulièrement intéressante lorsque le système complet doit entrer dans un vecteur de livraison. Mais aucun de ces usages ne découle automatiquement des expériences publiées.
Une cellule en culture n’est pas un organisme. Avant toute application médicale, il faut notamment mesurer la stabilité de l’enzyme, sa toxicité, la réponse immunitaire qu’elle pourrait provoquer, son efficacité dans les tissus et la manière dont elle est éliminée. Il faut surtout vérifier sa spécificité sur l’ensemble du génome.
L’efficacité et la précision ne progressent pas toujours ensemble
Les réactions d’experts réunies par le Science Media Centre espagnol soulignent une limite essentielle. Certaines variantes très actives, notamment celles désignées v5 et v7 dans l’étude, présentent aussi davantage de modifications hors cible. Elles coupent efficacement, mais peuvent intervenir à des endroits qui ne correspondent pas exactement à la séquence recherchée.
Ce compromis est critique. Pour une expérience exploratoire, un gain d’activité peut être utile. Pour une application thérapeutique, une coupure imprévue risque d’endommager un gène sain ou de provoquer un réarrangement indésirable. Le meilleur éditeur n’est donc pas nécessairement celui qui coupe le plus, mais celui qui combine activité, précision, stabilité et possibilité de livraison.
La méthode dépend également des données disponibles sur la famille de protéines étudiée. Les contraintes évolutives sont plus difficiles à établir lorsqu’il existe peu de séquences apparentées ou que les fonctions sont moins conservées. Les chercheurs ne peuvent pas encore demander directement au système de reconnaître n’importe quel nouveau motif d’ADN ou d’ARN.
Enfin, la validation expérimentale demeure coûteuse. L’IA accélère la sélection des candidats, mais ne remplace ni la synthèse des protéines, ni les essais cellulaires, ni l’analyse structurale. Elle déplace le goulot d’étranglement : moins de temps peut être consacré à imaginer manuellement des mutations, davantage doit l’être à tester rigoureusement les créations proposées.
Quand l’IA commence à écrire des outils biologiques
L’étude s’inscrit dans un mouvement plus large. Après avoir appris à prédire la structure des protéines, les modèles génératifs servent désormais à concevoir des liants, des enzymes et des composants d’édition génomique. La frontière importante n’est pas celle d’une molécule « naturelle » contre une molécule « artificielle » : de nombreux médicaments biologiques sont déjà modifiés en laboratoire. Elle se situe entre une proposition plausible sur ordinateur et une fonction réellement démontrée.
Les nouvelles TnpB franchissent cette frontière expérimentale. Elles ont été produites, testées dans plusieurs types de cellules et observées à haute résolution. Elles montrent aussi pourquoi le récit d’une IA capable d’inventer seule le vivant reste trompeur. Les modèles travaillent à partir de structures et de séquences connues, les biologistes fixent les contraintes, puis le laboratoire élimine la majorité des mauvaises pistes.
La portée de cette publication est donc autant méthodologique que moléculaire. Elle fournit une manière d’explorer des zones de l’espace des protéines que l’évolution actuelle ne montre pas, tout en conservant suffisamment de règles biologiques pour obtenir une activité. Si cette recette se généralise, les futurs outils CRISPR ne seront plus seulement découverts dans les microbes ou améliorés mutation après mutation. Ils pourront être dessinés par une coopération étroite entre modèles, données évolutives et expérimentation.
La prudence reste indispensable, surtout lorsque ces outils touchent au génome. Mais l’étape franchie est réelle : l’IA ne se contente plus de lire la grammaire des protéines. Sous contrôle expérimental, elle commence à proposer de nouvelles phrases que la biologie peut effectivement exécuter.
Références
- Science — « Structure and evolution-guided design of minimal RNA-guided nucleases », 16 juillet 2026
- Nature — « CRISPR gets a power boost from AI-designed molecular scissors », 16 juillet 2026
- Science Media Centre España — réactions d’experts sur les protéines CRISPR conçues par IA, 16 juillet 2026
- Innovative Genomics Institute — présentation de TnpB et de son potentiel pour l’édition génomique
- RCSB Protein Data Bank — structure 9YYH de la nucléase guidée par ARN conçue par IA
