AlphaFold 1 remporte CASP13 et bouscule la biologie structurale

Il y a un problème que les biologistes affrontent depuis près de cinquante ans sans parvenir à le résoudre : à partir de la seule séquence d'acides aminés d'une protéine, prédire la forme tridimensionnelle qu'elle adoptera en se repliant. Début décembre 2018, à la treizième édition du concours mondial CASP, un système d'intelligence artificielle nommé AlphaFold, conçu par le laboratoire londonien DeepMind, vient d'y répondre avec une précision qui laisse la communauté un peu sonnée. Non pas parce que le problème serait « résolu » — il ne l'est pas — mais parce que l'écart avec les autres équipes est d'une ampleur que le domaine n'avait jamais connue. En une seule édition, AlphaFold a accompli l'équivalent de deux cycles de progrès habituels.

Cet article revient sur ce qui vient de se passer à CASP13, et surtout sur ce que cela signifie. Nous verrons pourquoi la prédiction de structure des protéines est un défi aussi ancien qu'important, comment fonctionne l'approche d'AlphaFold, ce que disent précisément les chiffres du concours, et pourquoi ce résultat suscite à la fois enthousiasme et interrogations dans la communauté scientifique. L'objectif est de comprendre, au-delà des gros titres, la nature exacte de cette avancée : ni un miracle, ni une révolution accomplie, mais un jalon dont les conséquences promettent d'être considérables.

Un défi vieux d'un demi-siècle

Pour mesurer la portée de ce qui vient d'arriver, il faut d'abord comprendre pourquoi le repliement des protéines occupe les biologistes depuis si longtemps. Les protéines sont les ouvrières du vivant : elles catalysent les réactions chimiques, transportent l'oxygène, forment les muscles, défendent l'organisme. Or une protéine n'est fonctionnelle que par sa forme. Sa chaîne d'acides aminés — une séquence linéaire, écrite dans un alphabet de vingt lettres — se replie spontanément dans l'espace pour adopter une structure tridimensionnelle précise. C'est cette forme, et elle seule, qui détermine ce que la protéine sait faire.

Le problème tient en une phrase : nous savons lire la séquence, mais nous peinons à en déduire la forme. Depuis l'avènement du séquençage, les bases de données regorgent de centaines de millions de séquences protéiques. En regard, le nombre de structures tridimensionnelles réellement déterminées par l'expérience — cristallographie aux rayons X, résonance magnétique nucléaire, cryo-microscopie électronique — reste modeste, de l'ordre de la centaine de milliers. La raison est prosaïque : résoudre une seule structure par ces méthodes coûte cher, demande des mois de travail, et bute parfois sur des protéines qui refusent de cristalliser. Il existe donc un gouffre entre ce que nous savons de la séquence et ce que nous savons de la forme.

Le pari d'Anfinsen

L'idée qu'on puisse combler ce gouffre par le calcul remonte à un moment fondateur. Dans son discours de réception du prix Nobel de chimie, en 1972, le biochimiste américain Christian Anfinsen formule une hypothèse devenue célèbre : toute l'information nécessaire au repliement d'une protéine serait contenue dans sa séquence d'acides aminés. Autrement dit, la forme finale ne dépend pas d'une machinerie extérieure ; elle est inscrite dans la séquence elle-même. Si cette hypothèse est vraie, alors il doit être possible, en principe, de prédire la structure par le seul calcul, sans jamais mettre la protéine dans un tube à essai.

Ce pari a lancé une quête de cinquante ans. Car « en principe » ne veut pas dire « en pratique ». Savoir que l'information est là ne dit pas comment la décoder.

Le paradoxe de Levinthal

La difficulté a été mise en lumière dès 1969 par le biologiste moléculaire Cyrus Levinthal. Il fait un calcul vertigineux : une protéine de taille moyenne peut théoriquement adopter un nombre astronomique de configurations — les estimations parlent de l'ordre de 10 puissance 300 conformations possibles. Explorer toutes ces possibilités une à une prendrait plus de temps que l'âge de l'univers. Et pourtant, dans la cellule, une protéine se replie spontanément et correctement en quelques millisecondes.

C'est ce que l'on appelle le paradoxe de Levinthal : la nature trouve instantanément une solution que la force brute mettrait l'éternité à calculer. Ce paradoxe résume tout l'enjeu. Il ne suffit pas d'énumérer les possibles ; il faut comprendre les régularités qui guident le repliement, les contraintes physiques et chimiques qui font qu'une séquence donnée converge vers une forme et une seule. Pendant des décennies, les chercheurs ont attaqué ce problème par la physique — en simulant les forces entre atomes — et par la bio-informatique — en comparant les séquences à des structures déjà connues. Les progrès furent réels, mais lents.

Il faut bien mesurer l'enjeu concret de cette lenteur. Chaque protéine dont on ignore la forme est une fonction biologique que l'on comprend mal. Or les protéines gouvernent presque tout dans la cellule : le métabolisme, la signalisation, la réplication de l'ADN, la réponse immunitaire. Un virus qui infecte une cellule le fait par le jeu de protéines qui s'emboîtent ; un médicament agit le plus souvent en se fixant sur une protéine précise, à un endroit précis de sa surface. Connaître la forme d'une protéine, c'est donc bien plus qu'un exercice académique : c'est la clé pour comprendre son rôle et, éventuellement, pour agir sur elle. Voilà pourquoi le repliement figure, depuis des décennies, parmi les grands défis ouverts de la biologie — au même titre que le déchiffrage du génome le fut en son temps.

Anfinsen a montré que la réponse était contenue dans la séquence ; Levinthal a montré qu'on ne pouvait pas la trouver en comptant. Entre les deux, cinquante ans de recherche pour apprendre à lire ce que la nature écrit.

CASP : l'arbitre impartial du domaine

Comment savoir, dans ce domaine, qui progresse vraiment ? La question n'est pas triviale. Une équipe peut toujours affirmer que sa méthode prédit bien les structures — encore faut-il le vérifier sur des cas où la réponse n'est pas déjà connue. C'est précisément pour cela qu'a été créé CASP, le Critical Assessment of Structure Prediction.

Fondé en 1994 par les professeurs John Moult et Krzysztof Fidelis, CASP est un concours biennal conçu comme une évaluation « en aveugle ». Le principe est élégant et rigoureux. Des expérimentateurs viennent de déterminer, par les méthodes classiques, la structure de protéines dont le résultat n'a pas encore été publié. Ces séquences sont soumises aux équipes participantes, qui doivent en prédire la forme sans connaître la réponse. Les prédictions sont ensuite comparées aux structures expérimentales réelles. Comme personne ne peut tricher — la vraie structure n'est révélée qu'après coup —, CASP fournit une mesure honnête, objective et respectée de l'état de l'art.

Depuis près de vingt-cinq ans, CASP joue ainsi le rôle d'aiguillon et de juge de paix. C'est là, tous les deux ans, que se mesurent réellement les progrès, loin des effets d'annonce. Un bon score à CASP n'est pas un argument marketing : c'est une performance vérifiée par des tiers indépendants sur des cibles inédites. Voilà pourquoi le résultat de cette treizième édition a autant de poids.

Comment on mesure une prédiction

Pour comparer une structure prédite à la structure réelle, CASP s'appuie sur une métrique principale : le GDT, pour Global Distance Test. Sans entrer dans le détail technique, le GDT mesure le pourcentage d'atomes de la protéine prédite qui se retrouvent correctement placés, à différents seuils de tolérance, par rapport à la structure expérimentale. Le score s'étend de 0 à 100 : plus il est élevé, plus la prédiction est fidèle. Un GDT autour de 90 correspond à une structure quasi parfaite ; un score très bas signale une prédiction qui a manqué la cible.

Les cibles de CASP sont réparties en catégories selon leur difficulté. Les plus ardues relèvent du « free modeling » (modélisation libre) : ce sont des protéines pour lesquelles il n'existe aucune structure connue proche, aucun modèle sur lequel s'appuyer. Prédire ces protéines-là, c'est repartir d'une feuille blanche. C'est précisément dans cette catégorie, la plus exigeante, qu'AlphaFold s'est illustré.

Ce que disent les chiffres de CASP13

Venons-en aux résultats, car ce sont eux qui ont créé l'émotion. À CASP13, AlphaFold n'a pas seulement gagné : il a gagné avec une marge inhabituelle.

Dans la catégorie « free modeling », la plus difficile, AlphaFold obtient un score GDT médian de 58,9. Les deux équipes suivantes plafonnent respectivement à 52,5 et 52,4. L'écart peut sembler modeste exprimé ainsi, mais dans un domaine où les progrès se comptent d'ordinaire en fractions de point d'une édition à l'autre, il est considérable. Tous types de cibles confondus, le score GDT global d'AlphaFold s'établit autour de 68,5.

Une autre manière de résumer la domination : sur les 43 cibles de la catégorie la plus dure, AlphaFold a fourni la meilleure prédiction pour 25 d'entre elles. Aucun autre système ne s'en approche. Selon le classement des évaluateurs par z-scores cumulés en free modeling, AlphaFold obtient un score largement en tête, loin devant le groupe suivant. Là où l'un des meilleurs concurrents parvenait à prédire correctement une poignée de structures, AlphaFold en aligne des dizaines.

Deux CASP en un

Le chiffre le plus parlant n'est peut-être pas un score, mais une comparaison dans le temps. Les analystes du domaine l'ont noté aussitôt : le bond réalisé à CASP13 correspond à environ deux fois le rythme de progrès habituel mesuré sur les éditions précédentes. En clair, AlphaFold a accompli en une seule édition ce que le domaine met d'ordinaire deux cycles — soit quatre ans — à réaliser.

Le chercheur Mohammed AlQuraishi, spécialiste reconnu du repliement, a résumé ce sentiment dès l'annonce des résultats dans un billet resté célèbre, intitulé « Que vient-il de se passer ? ». Il y décrit un « bond anormal, de l'ordre d'un doublement du rythme habituel d'amélioration ». La distance entre la première et la deuxième place, écrit-il, est inhabituellement grande au regard de l'histoire du concours. C'est cette anomalie statistique, plus que le score absolu, qui a marqué les esprits.

« Un bond anormal, de l'ordre d'un doublement du rythme habituel d'amélioration. » Cette phrase, écrite au lendemain des résultats, dit l'essentiel : ce n'est pas le score qui étonne, c'est la vitesse.

Comment fonctionne AlphaFold

Reste la question la plus intéressante : comment AlphaFold s'y prend-il ? Car un bon score ne vaut que si l'on comprend la méthode qui le produit. Et sur ce point, l'approche du système est à la fois ingénieuse et, rétrospectivement, d'une logique limpide.

Prédire des distances plutôt que des contacts

Depuis plusieurs années, une idée montait dans le domaine : plutôt que de prédire directement les coordonnées des atomes — une tâche redoutable —, on peut prédire les relations entre paires d'acides aminés de la chaîne. Les méthodes récentes cherchaient ainsi à établir une « carte de contacts » : pour chaque paire d'acides aminés, sont-ils proches ou éloignés dans la structure repliée ? C'est une question binaire, oui ou non.

L'idée maîtresse d'AlphaFold est d'aller plus loin. Au lieu de se contenter d'un contact binaire, le système prédit, pour chaque paire d'acides aminés, une distribution de probabilité sur les distances qui les séparent. Non pas « ces deux résidus sont-ils en contact ? », mais « quelle est la probabilité que la distance entre eux soit de 5 ångströms, de 8, de 12 ? ». Cette carte de distances riche et nuancée — que l'on peut appeler distogramme — contient beaucoup plus d'information qu'une simple carte de contacts. Et cette information supplémentaire fait toute la différence.

Pour produire ce distogramme, AlphaFold s'appuie sur un réseau de neurones profond, plus précisément un réseau convolutif résiduel à convolutions dilatées. Le détail technique importe moins que l'intuition : ce type d'architecture, éprouvé en vision par ordinateur, sait repérer des motifs à la fois locaux et à longue portée dans une image. Or une carte de distances entre acides aminés se traite justement comme une image — une grille à deux dimensions. Les convolutions dilatées, en particulier, permettent au réseau de « voir » des interactions entre acides aminés éloignés dans la séquence, ce qui est précieux car deux résidus très distants dans la chaîne peuvent se retrouver côte à côte une fois la protéine repliée.

Le rôle des séquences évolutives

Comme ses concurrents, AlphaFold nourrit son réseau avec un ingrédient essentiel : les alignements de séquences multiples. L'idée exploite une régularité profonde de la biologie. Au fil de l'évolution, une même protéine existe sous des variantes chez de nombreuses espèces. En comparant toutes ces variantes, on observe que certaines paires d'acides aminés mutent de façon coordonnée : quand l'un change, l'autre change aussi. Cette co-évolution trahit une proximité physique dans la structure repliée. Deux résidus qui « évoluent ensemble » sont souvent proches dans l'espace. En exploitant statistiquement ces signaux à travers des milliers de séquences apparentées, le réseau dispose d'indices puissants sur la forme finale.

Un point mérite d'être souligné, car il éclaire la robustesse de la méthode. Ces signaux de co-évolution sont d'autant plus fiables que l'on dispose de nombreuses séquences apparentées : pour une protéine très étudiée, présente sous des milliers de variantes dans les bases de données, les indices sont abondants et nets. Pour une protéine rare, dont on ne connaît que peu de variantes, le signal se fait plus ténu — et c'est précisément sur ces cas difficiles que la prédiction reste délicate. Le réseau de neurones apprend toutefois à combiner ces indices statistiques avec les régularités générales du repliement tirées de son entraînement sur les structures déjà résolues. C'est cette double source d'information — évolutive d'un côté, structurale de l'autre — qui donne à AlphaFold sa capacité à produire des prédictions solides, y compris lorsque les données de co-évolution sont moins fournies.

Du distogramme à la structure

Une fois la carte de distances prédite, il reste à en déduire une structure tridimensionnelle concrète. Et c'est ici qu'AlphaFold a fait un choix étonnamment simple. Plutôt que de recourir à des algorithmes de repliement sophistiqués, l'équipe transforme le distogramme prédit en une fonction d'énergie : une structure est d'autant meilleure qu'elle respecte les distances jugées probables par le réseau. Il suffit alors de trouver la structure qui minimise cette énergie.

Pour cette minimisation, AlphaFold emploie une méthode d'optimisation classique — une descente de gradient de type L-BFGS. Autrement dit, le système part d'une configuration et l'ajuste progressivement, pas à pas, jusqu'à ce qu'elle épouse au mieux les distances prédites. Ce qui a surpris les observateurs, c'est justement cette sobriété : une optimisation directe et bien connue, appliquée à une fonction d'énergie de grande qualité, s'est révélée plus efficace que des procédures de repliement autrement plus complexes. La leçon est instructive. La force d'AlphaFold ne réside pas dans un algorithme de repliement exotique, mais dans la qualité de sa prédiction de distances. Une fois cette prédiction excellente, la mise en forme devient presque un problème d'optimisation ordinaire.

Pourquoi cette approche fonctionne si bien

En prenant du recul, on comprend pourquoi la combinaison retenue par AlphaFold produit un tel saut. Trois ingrédients se conjuguent.

Le premier est le changement de cible. Passer de la carte de contacts binaire à la distribution de distances enrichit énormément le signal appris. Le réseau ne dit plus « proche ou lointain » mais « voici comment se répartit la probabilité de distance » — une information continue, graduée, bien plus contrainte pour reconstruire la géométrie.

Le deuxième est la puissance de l'apprentissage profond appliqué à des données abondantes. Les structures déjà résolues, bien que peu nombreuses au regard des séquences, forment un corpus d'entraînement suffisant pour qu'un réseau moderne y apprenne les régularités du repliement. Combiné aux signaux de co-évolution tirés des alignements de séquences, ce corpus permet au modèle de généraliser à des protéines qu'il n'a jamais vues.

Le troisième est la rigueur d'ingénierie. AlQuraishi le souligne : le résultat mêle une intuition méthodologique — prédire des distances plutôt que des contacts — et un savoir-faire d'ingénierie soigné. Rien, dans les briques utilisées, n'était totalement inédit : réseaux convolutifs, alignements de séquences, descente de gradient existaient déjà. Le mérite d'AlphaFold est de les avoir assemblés avec une exécution d'une qualité remarquable, et poussés à un niveau que les laboratoires académiques, aux moyens plus limités, n'avaient pu atteindre.

La contribution d'AlphaFold ne tient pas à une brique inédite, mais à un assemblage exécuté avec une rigueur peu commune : prédire finement les distances, puis laisser une optimisation simple faire le reste.

Une communauté entre enthousiasme et vertige

Comment la communauté scientifique accueille-t-elle ce résultat ? Avec un mélange fascinant d'admiration et d'inconfort, remarquablement décrit par les chercheurs eux-mêmes.

L'admiration domine, et elle est méritée. Beaucoup reconnaissent qu'AlphaFold ouvre une voie claire : la prédiction fine des distances est bel et bien plus efficace que la carte de contacts, et le résultat le démontre de façon éclatante. Cette validation empirique va orienter le domaine tout entier. Les idées d'AlphaFold sont d'ailleurs largement décrites, ce qui permet à d'autres équipes de s'en inspirer et de les reproduire — un processus déjà en cours dans plusieurs laboratoires.

Mais l'inconfort existe aussi, et il est humain. AlQuraishi le raconte sans détour : les chercheurs académiques ont traversé des phases émotionnelles successives, de la crainte « d'avoir été dépassés par l'équipe de DeepMind » au soulagement, en passant par la tentation de « minimiser légèrement la contribution ». De jeunes chercheurs se sont demandé s'il restait pertinent de rivaliser avec un acteur doté de tels moyens. Ces réactions disent quelque chose de l'irruption d'un laboratoire industriel bien financé dans un champ jusque-là animé surtout par la recherche universitaire.

AlQuraishi tire d'ailleurs une leçon plus large, à double tranchant. D'un côté, il questionne le rythme lent et cloisonné de la recherche académique, organisée autour d'un cycle CASP de deux ans. De l'autre, il pointe le désintérêt relatif de l'industrie pharmaceutique pour la recherche fondamentale sur la structure des protéines, alors même que celle-ci est cruciale pour la découverte de médicaments. Le résultat d'AlphaFold agit comme un révélateur : il montre ce qu'une équipe concentrée, bien dotée et interdisciplinaire peut accomplir sur un problème que d'autres avaient sous-investi.

Ce que cette avancée pourrait changer

Quelles perspectives ce résultat ouvre-t-il ? Il faut ici rester mesuré. AlphaFold, à CASP13, n'a pas « résolu » le repliement des protéines. Un score médian autour de 59 en modélisation libre est une avancée majeure, mais il signifie aussi que beaucoup de prédictions restent imparfaites, avec des erreurs encore trop importantes pour tirer, dans bien des cas, des conclusions biologiques robustes. La prudence est de mise : nous assistons à un jalon, pas à une ligne d'arrivée.

Cela dit, la direction est claire, et les promesses sont réelles. Si la prédiction de structure continue de progresser à ce rythme, on entrevoit des applications considérables :

• Comprendre les maladies : de nombreuses pathologies découlent de protéines mal repliées. Mieux prédire les structures aiderait à comprendre ces mécanismes.
• Accélérer la découverte de médicaments : concevoir une molécule qui se fixe sur une protéine cible suppose de connaître la forme de cette protéine. Une prédiction rapide et fiable ferait gagner un temps précieux.
• Éclairer des protéines encore mystérieuses : des centaines de millions de séquences n'ont aucune structure connue. Un outil de prédiction efficace pourrait donner un premier aperçu de leur forme, et donc de leur fonction.
• Compléter l'expérience : loin de remplacer la cristallographie ou la cryo-microscopie, une bonne prédiction pourrait les guider, en fournissant un modèle de départ qui accélère l'interprétation des données expérimentales.

Ces perspectives ne sont pas acquises. Elles supposent que les progrès se poursuivent et que la précision atteigne des niveaux permettant un usage biologique fiable. Mais pour la première fois, ces horizons semblent atteignables plutôt que théoriques. C'est peut-être là le véritable apport de CASP13 : avoir transformé un espoir lointain en trajectoire crédible.

Les leçons pour l'IA au-delà de la biologie

Ce résultat intéresse aussi ceux qui suivent l'intelligence artificielle en général, car il illustre plusieurs enseignements qui dépassent la biologie structurale.

D'abord, la puissance d'un bon choix de représentation. Le succès d'AlphaFold tient en grande partie à une décision conceptuelle : prédire des distributions de distances plutôt que des contacts binaires. Reformuler intelligemment le problème a plus d'impact que d'empiler des couches supplémentaires. C'est une leçon récurrente en apprentissage automatique : la manière dont on pose la question conditionne la qualité de la réponse.

Ensuite, la fécondité du transfert de techniques. Les réseaux convolutifs résiduels ont été développés pour la vision par ordinateur, où ils analysent des images. Les appliquer à des cartes de distances entre acides aminés — qui se traitent aussi comme des grilles bidimensionnelles — montre à quel point les avancées d'un domaine de l'IA irriguent les autres. Une bonne architecture est souvent réutilisable bien au-delà de son terrain d'origine.

Enfin, la valeur d'une évaluation rigoureuse et indépendante. Si le résultat d'AlphaFold fait autorité, c'est parce qu'il a été obtenu dans le cadre de CASP, une évaluation en aveugle, sur des cibles inédites, jugée par des tiers. Dans un paysage où les annonces spectaculaires se multiplient, l'existence d'un arbitre impartial est un bien précieux. On aimerait que d'autres domaines de l'IA disposent d'équivalents aussi solides à CASP. C'est un modèle dont on ferait bien de s'inspirer largement.

Avec le recul

Un mot pour situer ce jalon dans une trajectoire plus longue (ajout de la rédaction, depuis 2026). La méthode détaillée d'AlphaFold à CASP13 a été publiée dans la revue Nature début 2020, sous le titre « Improved protein structure prediction using potentials from deep learning », signée Andrew Senior et ses collègues de DeepMind. Cette première version, connue rétrospectivement comme AlphaFold 1, a servi de socle à une lignée de travaux qui ont depuis fait progresser encore la prédiction de structure, jusqu'à une reconnaissance scientifique de premier plan pour ce champ de recherche. Vu de la fin 2018, tout cela restait à écrire : à ce moment précis, ce qui compte, c'est qu'un cap venait d'être franchi, et que la biologie structurale ne serait plus tout à fait la même.

Un jalon, pas une ligne d'arrivée

Que retenir de CASP13 ? D'abord qu'un problème vieux de cinquante ans vient de connaître son avancée la plus nette. AlphaFold n'a pas clos la question du repliement des protéines, mais il a démontré, chiffres à l'appui et sous le contrôle d'une évaluation indépendante, qu'une approche fondée sur l'apprentissage profond pouvait faire bondir la précision bien au-delà du rythme habituel.

Ensuite, que la recette est instructive : prédire finement les distances entre acides aminés, exploiter les signaux de co-évolution, puis laisser une optimisation simple reconstruire la forme. Rien d'ésotérique dans les briques, mais un assemblage exécuté avec une rigueur remarquable. C'est cette qualité d'exécution, autant que l'idée de départ, qui a fait la différence.

Enfin, que ce résultat est un début. Les scores restent perfectibles, les applications biologiques les plus ambitieuses supposent des progrès supplémentaires, et la communauté a maintenant devant elle un chantier passionnant : reproduire, comprendre et prolonger cette approche. L'histoire de la prédiction de structure entre dans une nouvelle phase. Pour qui s'intéresse à l'intelligence artificielle comme à la biologie, c'est l'un de ces moments rares où l'on sent qu'une porte vient de s'ouvrir — et où le plus intéressant reste à venir.

Sources

Cet article s'appuie sur des sources publiques et vérifiables :

• VentureBeat, « DeepMind's AlphaFold wins CASP13 protein-folding competition » — venturebeat.com (annonce des résultats de CASP13, décembre 2018).
• Mohammed AlQuraishi, « AlphaFold @ CASP13: What just happened? » — moalquraishi.wordpress.com (analyse d'un chercheur du domaine, décembre 2018).
• Wikipedia, « AlphaFold » — en.wikipedia.org/wiki/AlphaFold (scores GDT free-modeling 58,9 / 52,5 / 52,4 ; 25 cibles sur 43 ; GDT global 68,5).
• Wikipedia, « CASP » — en.wikipedia.org/wiki/CASP (fondation du concours en 1994 par John Moult et Krzysztof Fidelis, principe d'évaluation en aveugle).
• « AlphaFold at CASP13 », Bioinformatics / PMC — pmc.ncbi.nlm.nih.gov (méthode : distances discrètes, réseau convolutif à convolutions dilatées, minimisation par descente de gradient L-BFGS).
• Wikipedia, « Levinthal's paradox » — en.wikipedia.org/wiki/Levinthal's_paradox (paradoxe de Levinthal, 1969 ; nombre astronomique de conformations).
• Andrew W. Senior et al., « Improved protein structure prediction using potentials from deep learning », Nature (2020) — nature.com (publication détaillée de la méthode d'AlphaFold à CASP13).