Les modèles d’IA de Topos Bio ciblent des protéines qui refusent de rester immobiles

Topos Bio a lancé deux modèles d’IA le 30 septembre, ciblant des protéines qui adoptent de nombreuses formes au lieu de conserver une structure stable. Les modèles d’IA de Topos Bio remettent en cause une hypothèse dominante de la découverte de médicaments fondée sur la structure : les chercheurs peuvent concevoir autour d’un instantané moléculaire fiable.

Topos-2 génère des collections de conformations protéiques à partir d’une séquence d’acides aminés. Topos-Bind ajoute une molécule médicamenteuse potentielle et prédit comment le système protéine-ligand évolue à travers ces conformations. Topos appelle ces collections des ensembles conformationnels, c’est-à-dire l’éventail et la distribution relative des formes qu’une protéine peut adopter.

Cette distinction est importante pour les protéines intrinsèquement désordonnées, ou IDPs, qui ne possèdent pas une structure tridimensionnelle unique et stable. Ces protéines sont associées à la neurodégénérescence, au cancer et aux troubles métaboliques. Les modèles arrivent toutefois dans un domaine concurrentiel qui comprend déjà BioEmu, des méthodes dérivées d’AlphaFold, Boltz-2, Chai-1 et OpenFold3.

Topos a fait état de solides résultats de benchmark et d’une étude de cas sur l’amyloïde bêta. Toutefois, ses affirmations les plus importantes dépendent encore de comparaisons menées par l’entreprise, de données de référence simulées et de modèles n’ayant pas encore abouti à un médicament validé cliniquement.

Les modèles d’IA de Topos Bio comblent deux lacunes distinctes

Topos-2 modélise les mouvements des protéines, tandis que Topos-Bind examine comment une petite molécule modifie ce système en mouvement.

Topos-2 est un modèle génératif tous atomes. Il accepte une séquence d’acides aminés et produit plusieurs structures représentant des états possibles de la protéine. « Tous atomes » signifie que la sortie inclut les atomes individuels plutôt qu’une représentation simplifiée d’unités moléculaires plus grandes.

Le modèle élargit le champ de Topos-1. Ce système antérieur se concentrait sur les protéines désordonnées et les régions désordonnées au sein de protéines plus grandes. Topos-2 couvre un spectre plus large, des protéines ordonnées aux systèmes partiellement et entièrement désordonnés.

Cette conception distingue le modèle des systèmes optimisés pour renvoyer une structure probable unique. Une structure unique peut être utile lorsqu’une protéine se replie dans une forme relativement stable. Elle devient moins informative lorsque le mouvement et la variabilité structurelle influencent le rôle biologique de la protéine.

Topos affirme que Topos-2 a obtenu les meilleurs résultats dans le cadre indépendant PeptoneBench. Ce benchmark compare des ensembles computationnels à des mesures issues d’expériences de résonance magnétique nucléaire et de diffusion des rayons X aux petits angles.

L’entreprise a rapporté un score composite repondéré de 1,11 pour Topos-2. BioEmu, le système arrivant juste derrière dans sa comparaison, a obtenu 1,49. Dans ce benchmark, 1,0 représente une concordance située dans l’incertitude estimée des mesures expérimentales et computationnelles.

L’expression « quatre fois plus proche » nécessite du contexte. Elle compare la distance de chaque score à 1,0, plutôt que d’affirmer que Topos-2 est quatre fois plus précis pour tous les usages. Les distances rapportées sont respectivement de 0,11 et 0,49.

PeptoneBench est lui-même distinct de Topos. Son dépôt de benchmark public fournit du code pour évaluer les ensembles prédits par rapport à des observables expérimentales. Il demande également aux participants de générer au moins 100 configurations pour chaque séquence.

Topos-Bind s’attaque à un second problème. Il accepte une séquence protéique et une petite molécule représentée sous forme de chaîne SMILES, qui encode la structure moléculaire sous forme de texte. Le modèle génère ensuite un ensemble pour le système protéine-ligand combiné.

Selon la publication du modèle de l’entreprise, Topos-Bind est le premier modèle génératif conçu spécifiquement pour les ensembles de protéines désordonnées liées à de petites molécules. Cette revendication de priorité n’a pas fait l’objet d’une validation indépendante approfondie.

Topos a présenté Topos-Bind en avant-première plutôt que comme un produit achevé et généralement disponible. La différence est importante. Topos-2 dispose d’un résultat de benchmark externe, tandis que Topos-Bind repose actuellement sur une étude de cas plus restreinte menée par l’entreprise.

Cette étude de cas utilise l’amyloïde bêta, un peptide flexible associé à la maladie d’Alzheimer. Au lieu de rechercher un complexe privilégié unique, Topos-Bind estime comment chaque composé modifie la distribution des formes de l’amyloïde bêta.

Le lancement réunit donc deux étapes d’un flux de découverte proposé. Topos-2 cartographie la cible en mouvement. Topos-Bind tente de cartographier la façon dont une molécule candidate modifie ce mouvement.

Les protéines dynamiques mettent les flux de travail à structure unique sous pression

Ce lancement met sous pression les flux de découverte de médicaments construits autour d’une structure estimée optimale, sans affecter de la même manière tous les systèmes de prédiction protéique.

La conception de médicaments fondée sur la structure commence souvent par une cible tridimensionnelle. Les chercheurs identifient des poches, simulent les interactions et optimisent des molécules qui s’adaptent à des arrangements favorables d’atomes. Cette approche fonctionne au mieux lorsque la structure choisie représente un état biologiquement pertinent.

Les IDPs compliquent ce processus, car leur flexibilité ne relève pas seulement du bruit expérimental. Leurs structures changeantes peuvent soutenir la signalisation, la transcription, la reconnaissance moléculaire et la formation de condensats biomoléculaires à l’intérieur des cellules.

Topos cite des recherches indiquant que trois protéines humaines sur cinq contiennent des régions désordonnées de plus de 30 acides aminés. D’autres estimations situent la part de contenu intrinsèquement désordonné à environ 30 % à 40 % du protéome humain.

Le pourcentage exact varie selon les définitions et les méthodes de prédiction. Le problème sous-jacent, lui, ne change pas. Une part importante de la biologie des protéines pertinente pour les maladies ne peut pas être représentée adéquatement par une structure fixe unique.

AlphaFold a montré avec quelle précision l’IA peut prédire des replis protéiques stables à partir d’une séquence. Cette avancée a créé une ressource immense pour la biologie, mais elle n’a pas rendu le mouvement des protéines sans importance.

Une étude de Nature Communications publiée en 2025 a décrit les protéines désordonnées comme des systèmes qui devraient être représentés par des ensembles structurels. Les chercheurs ont combiné des distances dérivées d’AlphaFold avec de la dynamique moléculaire afin de générer de tels ensembles.

Ces travaux illustrent la véritable concurrence. Le domaine n’est pas nettement divisé entre les prédictions statiques d’AlphaFold et une alternative Topos. Plusieurs équipes étendent la prédiction structurale au moyen de simulations, de contraintes expérimentales et d’échantillonnage génératif.

BioEmu génère également des ensembles conformationnels de protéines. D’autres approches affinent les sorties d’AlphaFold ou les utilisent comme a priori pour la dynamique moléculaire. Ces méthodes diffèrent par leurs données d’entraînement, leur coût de calcul, leurs hypothèses physiques et leur dépendance aux mesures expérimentales.

Topos fait un pari stratégique plus ciblé. L’entreprise se concentre sur le spectre ordre-désordre et cherche à relier directement la génération d’ensembles à la conception de petites molécules.

Cette orientation met sous pression les équipes qui utilisent des systèmes de docking ou de co-repliement renvoyant un ensemble compact de structures jugées fiables. Ces outils peuvent encore être utiles pour des complexes stables. Ils deviennent plus difficiles à interpréter lorsqu’une cible reste flexible avant et après la liaison.

Topos a comparé Topos-Bind à Boltz-2, Chai-1 et OpenFold3 dans son étude sur l’amyloïde bêta. L’entreprise a déclaré que leurs sorties se regroupaient en groupes relativement étroits de formes compactes.

L’entreprise attribue ce résultat aux objectifs des modèles concurrents. Ces systèmes cherchent généralement des prédictions structurelles fiables, tandis que Topos-Bind recherche explicitement une distribution d’états.

Cette comparaison ne montre pas que Topos-Bind est universellement meilleur. Elle montre qu’un modèle optimisé pour les ensembles répond à une question différente de celle d’un modèle optimisé pour un complexe probable.

Pour les développeurs de médicaments, la réponse imposée est méthodologique. Les équipes travaillant sur des cibles dynamiques doivent décider si un complexe prédit unique suffit ou si le comportement d’ensemble doit orienter la sélection des composés.

Cette réponse se déploiera sur des années plutôt que sur des mois. Les équipes de découverte doivent relier les conformations prédites à l’engagement de la cible, aux effets cellulaires, à la toxicité et, à terme, aux résultats cliniques.

Pourquoi les ensembles protéiques modifient la question de la conception de médicaments

Pour une cible dynamique, la question utile n’est pas seulement de savoir où une molécule se lie, mais comment cette liaison redistribue les états possibles de la protéine.

Considérons l’amyloïde bêta sous sa forme monomérique. Le peptide évolue à travers de nombreuses conformations, et certains états sont plus susceptibles de s’associer à d’autres molécules. Ces associations peuvent contribuer aux processus d’agrégation liés à la pathologie d’Alzheimer.

Un flux de travail traditionnel pourrait rechercher une pose de liaison unique sur une structure sélectionnée d’amyloïde bêta. Un flux de travail fondé sur les ensembles demande si un composé modifie la probabilité d’états propices à l’agrégation dans une distribution plus large.

Topos a testé Topos-Bind avec l’amyloïde bêta 1-42 et 22 petites molécules. Les ensembles prédits par le modèle ont reproduit la large dispersion des tailles moléculaires observée dans les simulations de dynamique moléculaire générées par Topos.

La comparaison utilisait le rayon de giration, une mesure du caractère compact ou étendu d’une structure moléculaire. Une distribution plus large indique que la protéine explore des structures aux dimensions significativement différentes.

Topos a indiqué que les autres modèles de co-repliement évalués ramenaient leurs prédictions à des distributions plus étroites. Si cette tendance se confirme expérimentalement, un flux de travail à état unique pourrait négliger des composés qui modifient l’ensemble sans créer une structure dominante unique.

Toutefois, la référence était une dynamique moléculaire produite par Topos lui-même. La dynamique moléculaire utilise des calculs fondés sur la physique pour simuler le mouvement atomique au fil du temps, mais ses résultats dépendent des champs de force, des conditions initiales et des choix d’échantillonnage.

Les expériences physiques ne révèlent pas directement un ensemble atomique complet. Les chercheurs déduisent les ensembles en combinant des mesures avec des modèles computationnels. Cela rend l’évaluation plus complexe que la comparaison d’une structure cristalline prédite avec une structure expérimentale.

Topos a entraîné son approche avec Topos-DB, une collection propriétaire contenant plus de 100 000 systèmes simulés de protéines désordonnées et de ligands. L’entreprise affirme que cela représente environ trois fois la taille du corpus comparable suivant, en nombre de systèmes distincts.

L’ensemble de données est au cœur de l’avantage rapporté par le modèle. Les bases de données structurelles publiques contiennent de nombreuses structures de protéines stables, mais bien moins d’ensembles atomiques de protéines désordonnées interagissant avec de petites molécules.

La génération de données de simulation offre une échelle là où les données expérimentales restent rares. Elle introduit également une dépendance : le modèle peut apprendre les motifs et les biais intégrés au moteur de simulation qui a créé ses exemples d’entraînement.

Topos tente de contrer ce problème en testant Topos-2 sur des mesures expérimentales de RMN et de diffusion. Son résultat PeptoneBench a donc davantage de poids qu’une comparaison fondée uniquement sur des trajectoires simulées.

Topos-Bind n’a pas encore atteint le même niveau de preuve. Ses travaux sur l’amyloïde bêta demandent si le modèle ressemble à la dynamique moléculaire, et non si ses effets prédits sur les ligands correspondent à des observations expérimentales sur de nombreuses cibles.

Cette distinction définit la tension centrale derrière ce lancement. Topos a conçu un mécanisme adapté à une biologie dynamique, mais les données nécessaires pour valider ce mécanisme sont particulièrement difficiles à obtenir.

L’entreprise développe des boucles de retour expérimentales parallèlement à ses travaux computationnels. En mars, Topos a annoncé une collaboration avec Dalriada Drug Discovery couvrant la spectrométrie de masse, la chimio-protéomique et des mesures sur cellules vivantes.

Le programme expérimental de Dalriada comprend le profilage de l’engagement de la cible, la cartographie peptidique, la cinétique de liaison covalente et la protéomique du mécanisme d’action. Ces méthodes peuvent vérifier si les interactions prédites se produisent dans des systèmes biologiques.

Ce partenariat reflète ce que les modèles ne peuvent pas établir seuls. Un ensemble séduisant reste une hypothèse tant que des expériences ne démontrent pas la liaison, la sélectivité, les effets fonctionnels et un comportement acceptable dans les cellules.

Topos-2 entre dans une course encombrée de modélisation des protéines

Topos mise sur la spécialisation, tandis que des plateformes plus grandes et mieux financées élargissent l’éventail des états protéiques qu’elles peuvent représenter.

BioEmu constitue le point de référence le plus direct pour Topos-2, car il génère lui aussi des ensembles structurels. Topos a utilisé BioEmu comme comparateur suivant dans son résultat PeptoneBench.

Le score annoncé de 1,11 donne à Topos-2 un net avantage sur la mesure composite sélectionnée. Pourtant, un seul benchmark ne peut répondre à toutes les questions pertinentes pour la découverte de médicaments.

Les performances peuvent varier selon la longueur des protéines, les familles de séquences, les conditions environnementales et les différentes formes de désordre. Les jeux de données de benchmark peuvent également recouper conceptuellement les hypothèses utilisées pendant le développement du modèle, même sans fuite directe du jeu d’entraînement.

Les méthodes dérivées d’AlphaFold offrent une autre voie. Les chercheurs peuvent utiliser les informations de distance prédites par AlphaFold comme contraintes, puis exécuter des simulations de dynamique moléculaire pour construire un ensemble compatible avec ces distances.

Cette stratégie hybride associe un prédicteur de structure largement éprouvé à des simulations physiques établies. Elle peut également intégrer des mesures expérimentales lorsque ces données sont disponibles.

Ses inconvénients incluent le coût de calcul et des choix de modélisation supplémentaires. Topos parie qu’un modèle entraîné à générer directement des ensembles rendra le workflow plus rapide et plus évolutif.

Boltz-2, Chai-1 et OpenFold3 occupent une catégorie voisine. Ils modélisent les structures et interactions biomoléculaires, y compris les complexes protéine-ligand, mais ne sont pas principalement conçus pour reproduire des distributions d’équilibre complètes pour des cibles fortement désordonnées.

La comparaison de Topos-Bind avec l’amyloïde bêta teste donc une divergence d’objectifs délibérée. C’est instructif, mais il ne s’agit pas d’une compétition complète entre modèles d’ensembles également spécialisés.

La course commerciale dépasse la seule précision des modèles. Une plateforme utile de découverte de médicaments doit identifier des molécules pouvant être synthétisées, atteindre leurs cibles, éviter les interactions nocives et produire des effets thérapeutiques.

Topos a rejoint cette course avec des capitaux limités par rapport aux grands groupes pharmaceutiques et aux plus grands laboratoires d’IA. L’entreprise de San Francisco a levé un tour de table d’amorçage de 10,5 millions de dollars en janvier 2026.

Ses soutiens comprennent Boldstart, Threshold, Neo et des investisseurs individuels. Ce financement soutient une plateforme ambitieuse, mais le développement clinique de médicaments peut nécessiter bien plus de capitaux et de temps que l’entraînement de modèles seul.

Topos participe également à TuneLab, une initiative fournissant un accès fédéré à des modèles entraînés sur les données propriétaires d’Eli Lilly en développement de médicaments. L’apprentissage fédéré permet aux participants de bénéficier de modèles partagés sans mettre directement en commun tous les dossiers privés sous-jacents.

Cette relation peut renforcer les prédictions concernant l’absorption, la distribution, le métabolisme, l’excrétion et la toxicité. Ces propriétés déterminent souvent si une molécule prometteuse peut devenir un médicament viable.

Toutefois, ni le financement ni l’accès aux données ne résolvent le problème central de validation. Topos doit montrer que de meilleures prédictions d’ensembles améliorent les décisions aux étapes ultérieures de la découverte.

Une amélioration modeste du classement computationnel peut être précieuse si elle évite des expériences coûteuses sur des candidats faibles. Une amélioration spectaculaire sur un benchmark peut avoir moins de valeur si elle ne modifie pas les composés qui réussissent.

La question concurrentielle n’est donc pas de savoir si Topos peut générer des mouvements moléculaires visuellement convaincants. Elle est de savoir si sa spécialisation crée des avantages mesurables dans la découverte de hits, l’optimisation de leads et le développement thérapeutique.

Les preuves sont plus solides pour Topos-2 que pour Topos-Bind

Topos-2 dispose d’un benchmark expérimental indépendant, tandis que Topos-Bind reste un aperçu prometteur principalement étayé par des preuves fondées sur la simulation.

PeptoneBench est un test pertinent, car il couvre des protéines ordonnées et désordonnées. Ses jeux de données incluent des déplacements chimiques de résonance magnétique nucléaire et des mesures de diffusion des rayons X aux petits angles.

Topos indique que le benchmark comprend des données RMN pour 659 protéines et des données SAXS pour 439 protéines. L’évaluation compare des propriétés calculées à partir d’ensembles générés avec des observations expérimentales, plutôt que de sélectionner une structure visuellement plausible.

Cette conception correspond à la tâche que Topos-2 affirme résoudre. Elle récompense les distributions qui reproduisent des mesures moyennées sur de nombreux états moléculaires changeants.

Toutefois, Topos a divulgué un résultat composite repondéré. La repondération ajuste la contribution relative des structures générées afin d’améliorer l’accord avec les données expérimentales. Il s’agit d’une technique reconnue de raffinement d’ensembles, mais elle n’est pas identique à une prédiction entièrement prospective.

Les lecteurs devraient donc distinguer trois niveaux de preuve. Le premier est la génération à partir de la seule séquence. Le deuxième est l’accord après raffinement à l’aide d’informations expérimentales. Le troisième est le succès prospectif sur des systèmes biologiques non observés.

L’annonce publique met l’accent sur le résultat composite, mais ne fournit pas d’article évalué par les pairs sur Topos-2 établissant les performances dans toutes les conditions d’évaluation pertinentes. Une reproduction indépendante renforcerait considérablement l’affirmation.

Topos-Bind fait face à un déficit de preuves plus important. Ses ensembles de référence proviennent du moteur de dynamique moléculaire de l’entreprise, et sa base de données d’entraînement contient également des données de simulation générées par l’entreprise.

Cette configuration n’invalide pas le résultat. Les simulations sont indispensables pour étudier des systèmes qui échappent à la mesure structurelle directe. Elle signifie toutefois que l’évaluation peut favoriser des hypothèses partagées par le modèle et le processus de référence.

L’expérience sur l’amyloïde bêta teste également un ensemble limité de 22 ligands. Cela suffit pour illustrer le comportement du modèle, mais pas pour établir des performances générales sur des cibles désordonnées et des classes chimiques variées.

La biologie des maladies ajoute une autre couche d’incertitude. Prédire avec précision qu’une molécule modifie un ensemble d’amyloïde bêta ne démontre pas que cette modification réduit l’agrégation nocive dans un système vivant.

La molécule doit atteindre le tissu concerné, engager la cible, produire le changement fonctionnel attendu et éviter une toxicité inacceptable. Chaque étape peut rompre le lien entre une prédiction computationnelle et un médicament.

Topos reconnaît l’importance du travail expérimental par le biais de ses programmes internes et de ses collaborations. Son partenariat avec Dalriada cible spécifiquement l’engagement, la sélectivité et les effets au niveau des voies biologiques.

L’entreprise affirme appliquer les modèles à des programmes internes en neurodégénérescence et en oncologie. Elle n’a pas divulgué de candidat clinique produit par Topos-2 ou Topos-Bind.

Cette absence est normale pour une entreprise de biotechnologie en phase initiale. Elle définit également ce qui ne peut pas encore être affirmé. Les modèles n’ont pas prouvé que des cibles auparavant inaccessibles sont désormais médicamentables.

« Non médicamentable » est également une étiquette mouvante. Elle décrit souvent des cibles dépourvues de poches de liaison conventionnelles ou qui résistent aux méthodes de développement établies. Elle ne signifie pas qu’aucune stratégie biologique ou thérapeutique ne pourra jamais les influencer.

Topos a présenté une voie plausible vers ce territoire. Cette voie a désormais besoin d’expériences prospectives qui n’ont pas servi à construire, ajuster ou sélectionner les modèles.

Ce qu’il faut surveiller après le lancement des modèles d’IA de Topos Bio

Trois signaux indiqueront si la modélisation d’ensembles devient un avantage pratique pour la découverte plutôt qu’une nouvelle démonstration computationnelle convaincante.

Le premier signal est la validation technique indépendante. Les chercheurs devraient rechercher un article détaillé sur Topos-2 ou Topos-Bind, des paramètres d’évaluation divulgués, des résultats accessibles et une reproduction par des groupes extérieurs à l’entreprise.

Des résultats indépendants proches des performances PeptoneBench annoncées renforceraient la position de Topos-2. D’importantes variations de performance dans des paramètres alternatifs affaibliraient l’affirmation selon laquelle l’avantage se généralise.

Pour Topos-Bind, la validation la plus utile comparerait les ensembles induits par des ligands prédits avec des mesures expérimentales sur plusieurs protéines désordonnées non apparentées. Un seul cas d’amyloïde bêta ne peut établir une fiabilité générale.

Le deuxième signal est le succès expérimental prospectif. Topos et Dalriada peuvent tester les composés sélectionnés à l’aide des modèles pour l’engagement de la cible, la sélectivité et les changements dans les voies cellulaires pertinentes.

Un test en aveugle serait particulièrement instructif. Topos pourrait classer les composés avant les expériences, puis révéler si les molécules les mieux classées surpassent les sélections conventionnelles.

Un enrichissement répété en composés actifs renforcerait l’argument en faveur d’une découverte fondée sur les ensembles. L’absence d’amélioration des taux de hits expérimentaux suggérerait que des mouvements d’apparence précise ne guident pas encore de meilleures décisions chimiques.

Le troisième signal est la progression du pipeline. Topos devrait à terme identifier des programmes spécifiques, des jalons de développement ou des molécules candidates influencés par Topos-2 et Topos-Bind.

Un candidat au développement déclaré ne prouverait pas la valeur clinique, mais montrerait que la plateforme soutient des décisions au-delà des benchmarks rétrospectifs. Les données toxicologiques ultérieures et les données humaines fourniraient des tests progressivement plus solides.

Les réactions des concurrents comptent également dans ces signaux. Les successeurs de BioEmu, les méthodes d’ensembles fondées sur AlphaFold et les systèmes de simulation spécialisés continueront de s’améliorer.

Topos peut détenir un avantage initial sur les benchmarks centrés sur le désordre sans conserver une avance technique durable. Sa capacité de défense pourrait plutôt provenir de données de simulation propriétaires, de retours expérimentaux et de son expérience dans la sélection de composés.

Pour les équipes produit d’IA, ce lancement offre une leçon plus large sur l’évaluation. L’objectif d’un modèle, les données de référence et la validation dans le monde réel doivent correspondre à la décision qu’il est censé améliorer.

Les équipes qui suivent les preuves à travers les sorties de modèles, les expériences et les partenariats ont besoin de plus qu’une collection de communiqués de presse. Une base de connaissances IA consultable peut aider à relier les affirmations de benchmark aux validations ultérieures.

Topos a identifié une véritable faiblesse de la pensée fondée sur une structure unique. Les protéines dynamiques nécessitent des représentations qui préservent le mouvement plutôt que de le compresser en une réponse unique et assurée.

La question ouverte n’est plus de savoir si les ensembles protéiques comptent. Elle est de savoir si les modèles d’IA de Topos Bio les prédisent avec une précision suffisante pour modifier les composés que les chercheurs conçoivent, testent et font progresser. Avant de considérer cette question comme tranchée, surveillez les benchmarks indépendants, les résultats expérimentaux en aveugle et la divulgation d’un candidat.