Explorons le code source du vaccin BioNTech / Pfizer contre le SARS-CoV-2

December 27, 2020

Traduction par Renaud Guérin de l’article original de Bert Hubert

Merci à Mathieu Rebeaud et Genetix pour la relecture et les corrections !

Mise à jour 1/1/2021 : la suite de l’article est en ligne.

Bienvenue !

Dans cet article, nous allons déchiffrer caractère après caractère le code source du vaccin SARS-CoV-2 à ARN messager (ARNm) de BioNTech / Pfizer.

Cette phrase peut vous interloquer : après tout, un vaccin est un liquide injecté dans votre bras. Alors, comment peut-on parler de code source?

C’est une bonne question : commençons à y répondre en jetant un œil à une petite partie de ce code source du vaccin BioNTech / Pfizer, nom de code BNT162b2, alias Tozinameran ou encore Comirnaty.

Les 500 premiers nucléotides (caractères) de l’ARNm BNT162b2. Source: Organisation mondiale de la santé.

Ce code numérique est au cœur du vaccin ARNm BNT162b. Il fait 4284 caractères de long (ce qui tiendrait en quelques dizaines de tweets).

Au commencement du processus de production du vaccin, quelqu’un a téléchargé ce code dans une imprimante à ADN (oui, ça existe), qui a produit des molécules d’ADN bien réelles à partir de ces données numériques.

Une imprimante à ADN Codex DNA BioXp 3200

Cette machine sort de minuscules quantités d’ADN qui, après de nombreux traitements biologiques et chimiques, finissent sous forme d’ARN (on en reparle plus tard) dans un flacon de vaccin. Une dose de 30 microgrammes contient de fait 30 microgrammes d’ARN. Il y a en plus un système d’enrobage lipidique (gras) plutôt malin qui permet à l’ARNm de pénétrer dans nos cellules.

L’ARN est la version «mémoire de travail volatile» de l’ADN. L’ADN, c’est la clé USB de la biologie : il est très durable, très fiable et a de la redondance interne. Mais de la même manière que les ordinateurs n’exécutent pas de code directement à partir d’une clé USB, là aussi le code est copié en premier lieu dans un système plus rapide, plus polyvalent, mais aussi beaucoup plus fragile.

En informatique, c’est la mémoire vive (RAM). En biologie, c’est l’ARN. La ressemblance est frappante : contrairement à la mémoire flash, le contenu de la mémoire vive se dégrade très rapidement, à moins d’être constamment rafraîchi. La raison pour laquelle le vaccin à ARNm Pfizer / BioNTech doit être stocké dans des congélateurs de compétition est la même: l’ARN est une fleur fragile.

Chaque caractère d’ARN pèse de l’ordre de 0,53 · 10⁻²¹ gramme, ce qui signifie qu’il y a 6 · 10¹⁶ caractères dans une seule dose de vaccin de 30 microgrammes. Exprimé en octets, cela représente environ 25 Po (pétaoctets), même s’il faut préciser qu’il s’agit d’environ 2000 milliards de répétitions des mêmes 4284 caractères. Le contenu informationnel réel du vaccin est d’un peu plus d’un kilo-octet. Legénome du SARS-CoV-2 en lui-même pèse environ 7,5 kilo-octets.

Un tout petit peu de contexte

L’ADN est un code numérique. Contrairement aux ordinateurs qui utilisent 0 et 1, la vie utilise A, C, G et U / T (les «nucléotides», «nucléosides» ou «bases»).

Dans les ordinateurs, le 0 ou le 1 sont stockés sous forme d’une charge (ou d’une absence de charge), d’un courant, d’une transition magnétique, d’une tension, d’une modulation de signal, d’un changement de réflexivité… En d’autres termes, ces 0 et 1 ne sont pas qu’un concept abstrait : ils prennent la forme d’électrons et de nombreuses autres incarnations physiques.

Dans la nature, A, C, G et U / T sont des molécules, stockées sous forme de chaînes dans l’ADN (ou l’ARN).

Dans les ordinateurs, on regroupe 8 bits dans un octet, et l’octet est l’unité typique que l’on utilise pour traiter des données.

La nature de son côté regroupe 3 nucléotides en un codon, et c’est ce codon qui est l’unité typique de traitement. Il contient 6 bits d’information (2 bits par caractère d’ADN, donc 3 caractères = 6 bits. C’est à dire 2⁶ = 64 valeurs différentes possibles pour un codon).

Très numérique tout ça ! En cas de doute, allez voir le document de l’OMS avec le code pour vérifier par vous-même.

Pour aller plus loin et mieux comprendre le reste de cet article, lisez celui-ci. Ou si vous préférez les vidéos, en voilà 2 heures pour vous.

Alors, qu’est-ce qu’il fait ce code ?

L’idée d’un vaccin est d’apprendre à notre système immunitaire comment combattre un agent pathogène, sans tomber réellement malade.

Historiquement, on faisait cela en injectant un virus affaibli ou neutralisé (atténué), plus un «adjuvant» pour réveiller notre système immunitaire. C’était une technique résolument analogique, qui nécessitait des milliards d’œufs (ou d’insectes). Cela demandait également beaucoup de chance et beaucoup de temps. Parfois, on se servait d’un autre virus sans rapport.

Un vaccin à ARNm atteint le même but («éduquer notre système immunitaire») mais avec une précision au laser, dans les deux sens du terme : très fin mais aussi très puissant.

Voici comment ça fonctionne : l’injection contient du matériel génétique volatil qui décrit la fameuse protéine «Spike» du SARS-CoV-2 (spicule ou péplomère en français). Grâce à des astuces chimiques, le vaccin parvient à introduire ce matériel génétique dans certaines de nos cellules.

Celles-ci se mettent alors à produire consciencieusement des protéines Spike du SARS-CoV-2, en quantité suffisante pour que notre système immunitaire entre en action. Confronté aux protéines Spike et aux signes révélateurs d’une invasion, il développe alors une réponse puissante contre plusieurs aspects de la protéine Spike et du processus de production.

Et c’est comme cela qu’on se retrouve avec un vaccin efficace à 95%.

Le code source !

Commençons par le commencement. Un schéma dans le document de l’OMS nous aide à comprendre :

C’est une sorte de table des matières. Nous allons commencer par la coiffe (“cap”), représentée par un petit chapeau.

De la même manière qu’en informatique vous ne pouvez pas juste mettre des opcodes (instructions en langage machine) nus dans un fichier pour les exécuter, le système d’exploitation biologique nécessite lui aussi des en-têtes, de l'édition de liens et des choses comme les conventions d’appel.

Le code du vaccin commence donc par les deux nucléotides suivants:

GA

On pourrait comparer cela aux caractères MZ qui sont au début de tous les exécutables DOS et Windows, ou au #! des scripts UNIX. Dans les systèmes d’exploitation informatiques comme dans celui de la vie, ces deux caractères ne sont jamais exécutés mais ils sont obligatoires, sinon rien ne se passe.

La coiffe de l’ARNm a un certain nombre de fonctions. D’une part, elle marque le code comme provenant du noyau de la cellule. Dans notre cas bien sûr, c’est faux : notre code provient d’une vaccination. Mais ça, la cellule n’a pas besoin de le savoir. La coiffe donne à notre code une apparence légitime, qui le préserve de la destruction.

Les deux nucléotides GA initiaux sont également légèrement différents chimiquement du reste de l’ARN : c’est une forme de signalisation hors bande dont ils sont dotés.

La « région 5' non traduite » (5'-UTR)

Un peu de jargon maintenant. Les molécules d’ARN ne peuvent être lues que dans une seule direction. Pour ne pas faire simple, on a nommé l’endroit où la lecture commence le 5' ou “cinq prime” (nom complet : 5'-UTR, pour Untranslated Transcribed Region). Et la lecture s’arrête à l’autre extrémité qu’on appelle 3' ou trois prime (3'-UTR).

La vie est faite de protéines (ou de choses fabriquées à partir de protéines), et ces protéines sont décrites par l’ARN. La conversion des instructions de l’ARN en protéines s’appelle la “traduction”.

Voici la région “non traduite” 5', qui ne finit donc pas dans la protéine :

GAAΨAAACΨAGΨAΨΨCΨΨCΨGGΨCCCCACAGACΨCAGAGAGAACCCGCCACC

Et on a ici notre première surprise : les caractères ARN normaux sont A, C, G et U (Adénine, Cytosine, Guanine et Uracile). U s’appelle aussi «T» (Thymine) dans l’ADN.

Mais ici, on trouve à la place “Ψ” : pourquoi ?

C’est l’une des astuces incroyables de ce vaccin. Notre corps dispose d’un puissant système antivirus (le premier d’entre tous). Grâce à (ou à cause de) lui, les cellules sont très méfiantes vis à vis de l’ARN étranger et font tout leur possible pour le détruire avant qu’il ne puisse faire quoi que ce soit.

Ca pose évidemment un problème pour notre vaccin : il faut qu’il puisse se frayer un chemin à travers nos défenses immunitaires. Or, au fil d’années d’expérimentations, on a découvert que si le U dans l’ARN est remplacé par une molécule légèrement modifiée, notre système immunitaire le laisse complètement tranquille. Oui, sérieusement !

Donc dans le vaccin BioNTech / Pfizer, chaque U a été remplacé par du 1-méthyl-3'-pseudouridylyle, noté Ψ. Ce qui est vraiment fort c’est que, même si cette substitution permet de ne pas alerter notre système immunitaire, le Ψ est accepté comme un U normal par les mécanismes cellulaires.

En sécurité informatique, on connaît bien cette astuce : il est parfois possible de faire passer une version légèrement altérée d’un message qui va traverser les pare-feu et systèmes de sécurité, mais qui est quand même acceptée par les serveurs backend - qui peuvent alors être piratés.

Nous récoltons aujourd’hui les fruits d’années de recherche fondamentale ayant permis des découvertes comme celle-ci. Lesinventeurs de cette technique Ψ ont dû se battre pour que leur travailsoit financé, puis accepté. Nous devrions tous leur en être très reconnaissants, et je suis sûr que les prix Nobel ne tarderont pas.

Beaucoup de gens ont demandé : est-ce que les virus pourraient eux aussi utiliser la technique Ψ pour passer outre nos défenses immunitaires ? Pour faire court, c’est extrêmement improbable. La vie n’a tout simplement pas de machine pour fabriquer des nucléotides 1-méthyl-3'-pseudouridylyle. Les virus reposent entièrement sur les mécanismes de la vie pour se reproduire, et un tel dispositif n’existe pas. Les vaccins ARNm se dégradent rapidement dans le corps humain, et il n’est pas possible que l’ARN Ψ-modifié se réplique avec le Ψ toujours dedans. Une bonne lecture pour aller plus loin : “No, Really, mRNA Vaccines Are Not Going To Affect Your DNA“

Ok, revenons au 5'-UTR. A quoi servent ces 51 caractères ? Comme toujours dans la nature, presque rien n’a une seule fonction bien précise.

Lorsque nos cellules doivent traduire l’ARN en protéines, elles utilisent une machine appelée ribosome. Le ribosome est comme une imprimante 3D à protéines : il ingère un brin d’ARN, et à partir de là émet une chaîne d’acides aminés, qui se replient ensuite en une protéine.

Source: Wikipedia

C’est ce que nous voyons ci-dessus. Le ruban noir en bas c’est l’ARN. Le ruban apparaissant dans le morceau vert est la protéine en cours de formation. Les choses qui entrent et sortent sont des acides aminés, et des adaptateurs pour les faire tenir sur l’ARN.

Ce ribosome doit être physiquement “assis” sur le brin d’ARN pour commencer le travail. Une fois installé, il peut commencer à former des protéines en fonction de l’ARN qu’il ingère. Il est donc facile de comprendre qu’il ne peut pas lire les parties sur lesquelles il atterrit en premier. C’est l’une des raisons d’être de la séquence UTR: une zone d’atterrissage des ribosomes, qui fournit une «introduction».

En plus de cela, la séquence UTR contient des métadonnées: quand la traduction doit-elle avoir lieu ? En quelle quantité ? Pour le vaccin, ils ont déniché un UTR qui disait le plus clairement possible «maintenant!», tiré du gène de l'alpha globine. Ce gène est connu pour produire beaucoup de protéines de manière fiable. Mais ces dernières années, les scientifiques ont trouvé des moyens d’optimiser encore plus cet UTR (d’après le document de l’OMS). Il ne s’agit donc pas tout à fait de la séquence UTR de l’alpha globine : c’est une version améliorée.

Le peptide signal de la glycoprotéine S

Comme nous l’avons vu, le but du vaccin est d’amener la cellule à produire la protéine Spike du SARS-CoV-2 en grande quantité. Jusqu’ici, nous avons surtout vu dans le code source du vaccin des métadonnées et autres éléments accessoires de «convention d’appel». Maintenant, entrons dans le vif du sujet avec la partie “protéines virales” proprement dite.

Il nous reste juste une dernière couche de métadonnées. Une fois que le ribosome (dans la splendide animation ci-dessus) a fabriqué une protéine, cette protéine doit aller quelque part. Cette information est encodée dans le «peptide signal de la glycoprotéine S (séquence de tête étendue)».

Une manière de voir cela est qu’au début de la protéine il y a une sorte d’étiquette d’adresse, encodée dans la protéine elle-même. Dans ce cas précis, le peptide signal dit que cette protéine doit sortir de la cellule via le «réticulum endoplasmique». Même le jargon de Star Trek n’est pas aussi classe !

Le «peptide signal» n’est pas très long, mais si on regarde le code, on remarque des différences entre l’ARN viral et vaccinal (pour faciliter la comparaison, j’ai remplacé le Ψ modifié par un U normal d’ARN) :

3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3

Virus: AUG UUU GUU UUU CUU GUU UUA UUG CCA CUA GUC UCU AGU CAG UGU GUU

Vaccin: AUG UUC GUG UUC CUG GUG CUG CUG CCU CUG GUG UCC AGC CAG UGU GUU

! ! ! ! ! ! ! ! ! ! ! ! !

Alors que se passe-t-il ? Je n’ai pas regroupé l’ARN par groupe de 3 lettres au hasard. Trois caractères ARN, c’est un codon. Et chaque codon code pour un acide aminé bien précis. Et le peptide signal du vaccin se compose exactement des mêmes acides aminés que dans le virus lui-même.

Mais alors, comment se fait-il que l’ARN soit légèrement différent ?

Il y a 4³ = 64 codons différents, car il y a 4 caractères ARN, et il y en a 3 par codon. Pourtant, il n’existe que 20 acides aminés différents. Cela signifie que plusieurs codons codent pour le même acide aminé.

En fait, la vie utilise une table de correspondance presque universelle entre les codons d’ARN et les acides aminés:

La table des codons ARN (Wikipedia)

Dans cette table, nous voyons que les modifications du vaccin (UUU -> UUC) sont toutes synonymes. Le code ARN du vaccin est certes différent, mais les mêmes acides aminés et la même protéine en sortent.

Si on regarde de plus près, on voit que la plupart des changements se font à la troisième position du codon, notée par un «3» ci-dessus. Et si on consulte la table universelle des codons, on constate que cette troisième position n’a généralement pas d’impact sur l’acide aminé qui sera produit.

Donc ces changements sont synonymes, mais alors à quoi servent-ils ? En regardant de plus près, on remarque que tous sauf un conduisent à plus de C et de G.

Quel intérêt ? Comme on l’a vu, notre système immunitaire n’est pas fan d’ARN «exogène», c’est à dire provenant de l’extérieur de la cellule. C’est pourquoi on a remplacé le «U» dans l’ARN par un Ψ, pour échapper à la détection.

Mais il s’avère également que de l’ARN avec une plus grande quantitéde G et de C est converti plus efficacement en protéines,

C’est pour cette simple raison que l’ARN du vaccin remplace de nombreux caractères par des G et des C, partout où c’est possible.

Je suis assez intrigué par le seul changement qui n’a pas apporté un C ou un G en plus : la modification CCA -> CCU. Si quelqu’un en connaît la raison, faites-le moi savoir ! Je sais que certains codons sont plus courants que d’autres dans le génome humain, mais j’ai aussi lu que ça n’influence pas beaucoup la vitesse de traduction.

La protéine “Spike” proprement dite

Les 3777 caractères suivants de l’ARN du vaccin ont eux aussi des « codons optimisés » (avec beaucoup plus de C et de G).

Pour gagner de la place, je ne vais pas lister tout le code ici, mais nous allons nous arrêter sur une partie particulièrement intéressante. C’est la portion qui fait que ça marche, la partie qui nous aidera réellement à revenir à la vie “normale” :

* *

L D K V E A E V Q I D R L I T G

Virus: CUU GAC AAA GUU GAG GCU GAA GUG CAA AUU GAU AGG UUG AUC ACA GGC

Vaccin: CUG GAC CCU CCU GAG GCC GAG GUG CAG AUC GAC AGA CUG AUC ACA GGC

L D P P E A E V Q I D R L I T G

! !!! !! ! ! ! ! ! ! !

On retrouve d’abord ici les substitutions habituelles entre synonymes ARN. Par exemple, dans le premier codon on voit que CUU est remplacé par CUG. Cela rajoute un «G» au vaccin, ce qui on le sait contribue à améliorer la production de protéines. CUU et CUG codent tous les deux pour l’acide aminé «L» ou Leucine, donc rien ne change dans la protéine.

Si l’on passe en revue la totalité de la protéine Spike dans le vaccin, tous les remplacements qui ont été faits sont des synonymes comme celui-ci… sauf pour deux d’entre eux.

Les troisième et quatrième codons ci-dessus représentent eux de vraies modifications. Les acides aminés K et V y sont tous les deux remplacés par «P» ou Proline. Pour ‘K’, il a fallu trois changements ('!!!') et pour «V», il n’en a fallu que deux ('!!').

Il se trouve que ces deux remplacements améliorent considérablement l’efficacité du vaccin.

Par quel moyen ? Si vous regardez une vraie particule de SARS-CoV-2, vous pouvez voir la protéine Spike comme un gros tas de spicules (pointes):

Particules de virus SARS (Wikipedia)

Les spicules sont montées sur le corps du virus (la «protéine nucléocapside»). Le problème, c’est que notre vaccin ne génère que les spicules elles-mêmes, sans les monter sur aucune sorte de corps viral.

Or il se trouve qu’une protéine Spike non modifiée et non montée sur un virus va avoir tendance à se recroqueviller, pour former une structure différente. Si elles étaient injectées en l’état comme vaccin, cela créerait bien une immunité… mais uniquement contre les protéines Spike «recroquevillées», alors que le vrai SARS-CoV-2 a lui une protéine Spike bien «pointue» : le vaccin ne fonctionnerait pas très bien, du coup.

Comment faire alors ? En 2017, des chercheurs ont découvert que mettre une double substitution de Proline pile au bon endroit permet aux protéines SARS-CoV-1 et MERS S de reprendre leur configuration “pré-fusion”, même sans faire partie d’un virus entier. Cela fonctionne parce que la Proline est un acide aminé très rigide. Elle agit comme une sorte d’attelle, stabilisant la protéine dans l’état qu’il faut pour la présenter au système immunitaire !

Les gens qui ont fait cette découverte seraient franchement en droit d’embrasser leur miroir à chaque fois qu’ils se voient dedans. Ils pourraient transpirer la suffisance à un degré invraisemblable, et ce serait complètement mérité.

Des nouvelles ! L’auteur a été contacté par le McLellan lab, l’une des équipes qui a fait la découverte de la Proline. Ils expliquent qu’au niveau fierté, ils gardent la tête froide à cause de la pandémie, mais qu’ils sont heureux d’avoir contribué aux vaccins. Ils insistent aussi sur l’importance de beaucoup d’autres équipes, travailleurs et volontaires.

La fin de la protéine : étapes suivantes

Si l’on parcourt le reste du code source, on trouve quelques autres petites modifications à la fin de la protéine Spike:

V L K G V K L H Y T s

Virus: GUG CUC AAA GGA GUC AAA UUA CAU UAC ACA UAA

Vaccin: GUG CUG AAG GGC GUG AAA CUG CAC UAC ACA UGA UGA

V L K G V K L H Y T s s

! ! ! ! ! ! ! !

À la fin d’une protéine se trouve un codon «stop», noté ici par un «s» minuscule. C’est une manière polie de dire que la protéine doit s’arrêter là. Le virus d’origine utilise le codon stop UAA, et le vaccin utilise lui deux codons stop UGA, peut-être juste pour faire bonne mesure.

La région 3'-UTR

De la même manière que le ribosome avait besoin d’une introduction à l’extrémité 5' (où nous avons vu la «région 5' non traduite»), on retrouve à la fin d’une protéine une construction similaire appelée 3'-UTR.

On pourrait écrire beaucoup de choses sur la 3'-UTR, mais je cite iciWikipédia: «La région 3'-UTR joue un rôle crucial dans l’expression des gènes en influençant la localisation, la stabilité, l’exportation et l’efficacité de la traduction d’un ARNm … malgré notre compréhension actuelle des 3'-UTR, elles restent encore des mystères relatifs ».

Ce que nous savons, c’est que certaines 3'-UTR sont très douées pour promouvoir l’expression des protéines.

Selon le document de l’OMS, la 3'-UTR du vaccin BioNTech / Pfizer a été choisie à partir de «l’amplificateur amino-terminal de l’ARNm scindé (AES) et de l’ARN ribosomal 12S encodé pour les mitochondries, pour conférer une stabilité à l’ARN et une expression protéique totale élevée».

Moi je dis juste : bien joué.

LAAAAAAAAAAAAAAAAAAAAAA fin

La toute fin de l’ARNm est polyadénylée. C’est un mot savant pour dire qu’elle se finit par beaucoup de AAAAAAAAAAAAAAAAAAA. Même l’ARNm en a marre de 2020, on dirait.

L’ARNm peut être réutilisé plusieurs fois, mais lorsque cela se produit, il perd une partie de ses A à la fin. Quand il n’y a plus de A, l’ARNm n’est plus fonctionnel et est éliminé. La queue «poly-A» est donc une protection contre la dégradation.

Des études ont été menées pour savoir quel est le nombre optimal de A à la fin pour les vaccins à ARNm. J’ai lu dans la littérature que ce chiffre est d’environ 120.

Le vaccin BNT162b2 se termine par:

****** ****

UAGCAAAAAA AAAAAAAAAA AAAAAAAAAA AAAAGCAUAU GACUAAAAAA AAAAAAAAAA

AAAAAAAAAA AAAAAAAAAA AAAAAAAAAA AAAAAAAAAA AAAAAAAAAA AAAA

Cela fait 30 A, puis un “linker” (site de liaison) de 10 nucléotides (GCAUAUGACU), suivi à nouveau de 70 A.

Je suppose que ce que nous voyons ici est le résultat d’une optimisation propriétaire plus poussée, pour améliorer encore plus l’expression des protéines.

En résumé

Nous connaissons maintenant le contenu exact de l’ARNm du vaccin BNT162b2, et nous comprenons le rôle de la plupart des composants :

• La coiffe (CAP) pour s’assurer que l’ARN ressemble à de l’ARNm normal
• Une région non traduite (UTR) 5' dont on sait qu’elle marche, et qu’on a optimisée.
• Un peptide signal aux codons optimisés, pour envoyer la protéine Spike au bon endroit (copie conforme à 100% de celui du virus)
• Une version “codons optimisés” de la protéine Spike d’origine, avec deux substitutions “Proline” pour s’assurer que la protéine apparaît sous la bonne forme.
• Une région non traduite (UTR) 3' dont on sait qu’elle marche, elle aussi optimisée.
• Une queue poly-A quelque peu mystérieuse, avec un “linker” (site de liaison) inexpliqué au milieu.

L’optimisation des codons ajoute beaucoup de G et C à l’ARNm. Dans le même temps, l’utilisation du Ψ (1-méthyl-3'-pseudouridylyle) au lieu de U aide à échapper à la vigilance de notre système immunitaire, afin que l’ARNm reste présent assez longtemps pour pouvoir réellement remplir sa mission.

Pour aller plus loin

En 2017 l’auteur a fait une présentation de 2 heures sur l’ADN, visible ici. Comme pour cet article, la cible est un public d’informaticiens.

Il maintient également une page “l’ADN pour les développeurs” depuis 2001.

Pour finir, ses billets de blog contiennent de nombreuses informations sur l’ADN, SARS-CoV-2 et COVID-19.

Vous pouvez continuer votre lecture avec la partie 2 qui lance un défi d’optimisation de codons aux développeurs !

Partie 2 : Explorons le code source du vaccin BioNTech / Pfizer contre le SARS-CoV-2

January 1, 2021

Toutes les données sur le vaccin BNT162b2 de cette page proviennent de ce document de l’Organisation mondiale de la Santé.

Cet article est la suite d’une première partie qui explore le fonctionnement du vaccin BioNTech / Pfizer contre le SARS-CoV-2. Commencez par la lire si vous ne l’avez pas encore fait !

Ici on va s’intéresser particulièrement à l’optimisation des codons, et lancer un challenge aux développeurs pour la création d’un algorithme qui produit un résultat le plus proche possible de l’optimisation manuelle du vaccin BioNTech.

Pour le tableau des scores du challenge et les mises à jour, rendez-vous sur l’article original en anglais de Bert Hubert

Traduction par Renaud Guérin

En bref: l’ARNm du vaccin a été optimisé par le fabricant grâce à des substitutions dans l’ARN (par exemple, remplacer UUU par UUC) et les gens aimeraient comprendre la logique derrière ces modifications.

Il s’agit d’un problème assez proche de ceux que les cryptologues et les hackers qui décompilent du code rencontrent au quotidien. Sur cette page, vous trouverez tous les détails dont vous avez besoin pour faire l’ingénierie inverse du code du vaccin et comprendre comment il a été optimisé.

Au départ je pensais que ce serait juste un casse-tête amusant, mais je viens d’apprendre que trouver un bon algorithme d’optimisation et le documenter est en fait extrêmement important pour les chercheurs, et pourrait les aider à concevoir du code pour les protéines et les vaccins.

Donc, si vous voulez aider à la recherche sur les vaccins, poursuivez votre lecture !

Le tableau des scores

Chacun est invité à envoyer son algorithme à l’auteur surbert@hubertnet.nl ou @PowerDNS_Bert.

Le tableau des meilleurs scores n’est pas dans cette traduction, retrouvez-le dans l’article original

BioNTech

C’est une chance que BioNTech ait partagé ces données publiquement. Et bien sûr, nous devons beaucoup aux nombreux chercheurs qui ont travaillé pendant des décennies pour faire avancer la science au point de rendre possible un tel vaccin ! C’est véritablement une merveille.

Et c’est parce que c’est une merveille que je veux tout comprendre sur ce vaccin. La partie 1 décrit en détail ce que contient l’ARNm du vaccin. Cela vous aidera de la lire avant de continuer, je vous promets que ça en vaut la peine.

Cela dit, cette première partie a laissé certaines questions sans réponses, et c’est là que cela devient passionnant.

L’optimisation des codons

Le vaccin contient du code ARN qui crée une copie très légèrementmodifiée de la protéine S du SARS-CoV-2.

Pourtant, le code ARN du vaccin en lui-même est très différent de l’original du virus. Le fabricant a fait ces modifications en se basant sur sa compréhension de la nature.

Et de ce que nous avons compris, ces modifications rendent le vaccin beaucoup plus efficace : ce serait donc très intéressant de les regarder dans le détail. Elles pourraient par exemple expliquer pourquoi le vaccin Moderna a besoin de 100 microgrammes et le vaccin BioNTech seulement 30 microgrammes.

Voici le début de la protéine S dans le code ARN du virus et dans celui du vaccin BNT162b2. Les points d’exclamation indiquent les différences.

Virus: AUG UUU GUU UUU CUU GUU UUA UUG CCA CUA GUC UCU AGU CAG UGU GUU

Vaccin: AUG UUC GUG UUC CUG GUG CUG CUG CCU CUG GUG UCC AGC CAG UGU GUU

! ! ! ! ! ! ! ! ! ! ! ! !

L’ARN est littéralement une chaîne de caractères A, C, G et U. Ces nucléotides ne sont pas physiquement groupés entre eux, mais quand on les analyse de manière logique, cela a du sens de les regarder comme des groupes de 3.

Chaque groupe (appelé codon) correspond à un acide aminé (indiqué par une lettre majuscule). Une chaîne d’acides aminés est une protéine. Voici à quoi ça ressemble:

Virus: AUG UUU GUU UUU CUU GUU UUA UUG CCA CUA GUC UCU AGU CAG UGU GUU

M F V F L V L L P L V S S Q C V

Vaccin: AUG UUC GUG UUC CUG GUG CUG CUG CCU CUG GUG UCC AGC CAG UGU GUU

! ! ! ! ! ! ! ! ! ! ! ! !

On voit bien ici que même si les codons sont différents, leur traduction en acides aminés ne change pas. Il y a 4 x 4 x 4 (64) codons mais seulement 20 acides aminés. Cela veut dire que pour chaque codon, vous avez généralement 2 autres substitutions possibles qui coderont toujours pour le même acide aminé.

Ainsi, dans le deuxième codon, UUU a été remplacé par UUC. Cela rajoute un C au vaccin. Le troisième codon est passé de GUU à GUG, ce qui rajoute un G.

On sait qu’une proportion plus élevée de caractères G et C améliore l’efficacité d’un vaccin à ARNm.

S’il n’y avait que ça à faire, on pourrait s’arrêter là : «L’algorithme consiste à remplacer les codons pour avoir un maximum de G et de C».

Mais c’est là qu’on remarque le 9ème codon, qui lui remplace CCA enCCU. Au cours des 4000 caractères et quelques du vaccin, cela se produit plusieurs fois.

Notre défi

Le but : trouver un algorithme qui transforme le code ARN “sauvage” en celui du vaccin BNT162b2, parce que tout le monde voudrait comprendre comment transformer de l’ARN viral en vaccin efficace.

L’algorithme ne doit pas forcément générer exactement le même code ARN, mais ce serait super s’il produisait quelque chose de très proche, tout en restant court.

Pour vous aider, j’ai fourni les données sous plusieurs formes, comme expliqué sur la page GitHub.

A noter que dans ces fichiers, le U mentionné ci-dessus apparaît comme un T. U et T sont les versions ARN et ADN de la même information.

L’endroit le plus simple pour démarrer est le fichier ‘side-by-side.csv’. Il contient la version originale et modifiée de chaque codon, côte à côte:

abspos,codonOrig,codonVaccine

0,ATG,ATG

3,TTT,TTC

6,GTT,GTG

...

3813,TAC,TAC

3816,ACA,ACA

3819,TAA,TGA

Il y a aussi une table d’équivalence qui montre quels codons peuvent être interchangés sans affecter les acides aminés produits. Vous la trouverez dans codon-table-grouped.csv. Et une visualisation ici.

Un exemple d’algorithme

Dans le dépôt GitHub, vous trouverez 3rd-gc.gp.

Il implémente une stratégie simple qui fonctionne comme ceci:

• Si un codon de virus se terminait déjà par G ou C, on le copie dans l’ARNm du vaccin.
• Sinon, on remplace le dernier nucléotide du codon par un G, on regarde si l’acide aminé correspond toujours : si oui, on le copie dans l’ARNm du vaccin.
• On essaie la même chose avec un C.
• A défaut, on copie tel quel.

// cas par défaut, on ne fait rien

our = vir

// on ne fait rien si le codon se termine déjà par G ou C

if(vir[2] == 'G' || vir[2] =='C') {

fmt.Printf("Le codon se termine déjà par G ou C, on ne fait rien.")

} else {

prop = vir[:2]+"G"

fmt.Printf("Tentative de substitution d'un G, nouveau candidat '%s'. ", prop)

if(c2s[vir] == c2s[prop]) {

fmt.Printf("L'acide aminé est toujours le même, c'est fait!")

our = prop

} else {

fmt.Printf("Oups, l'acide aminé a changé. On essaie avec C, nouveau candidat '%s'. ", prop)

prop = vir[:2]+"C"

if(c2s[vir] == c2s[prop]) {

fmt.Printf("L'acide aminé est toujours le même, c'est fait!")

our=prop

}

}

}

Avec cet algorithme, on arrive à une correspondance plutôt médiocre de 53,1% avec le vaccin BioNTech, mais c’est un début !

Lorsque vous concevrez votre algorithme, assurez-vous de ne vous baser que sur l’ARN du virus. Ne trichez pas en allant voir l’ARN BioNTech !

Si vous avez atteint un score supérieur à 53,1%, envoyez un lien vers votre code à bert@hubertnet.nl (ou @PowerDNS_Bert) et il sera ajouté au tableau des scores !

Astuces pour faciliter la tâche

Comme toujours en matière de rétro-ingénierie ou de cryptanalyse, cela aide de comprendre ce que l’on a sous les yeux.

Proportion de GC

Nous savons que l’un des objectifs de «l’optimisation des codons» est d’obtenir plus de C et de G dans la version vaccin de l’ARN.

Mais il y a aussi une limite à cela. Dans l’ADN (qui intervient également dans la fabrication du vaccin) G et C se lient fortement, au point que si vous mettez trop de ces «nucléotides», il ne se réplique plus efficacement.

Du coup, certaines des modifications sont en fait là pour réduire le pourcentage de GC d’un segment d’ADN s’il commençait à devenir trop élevé. L’auteur a tweeté à ce sujet.

L’optimisation des codons

Certains codons sont rares dans l’ADN humain ou dans certaines cellules. Il se peut que certains codons soient remplacés par d’autres simplement parce qu’ils sont plus couramment utilisés par certaines cellules. Un autre tweet à ce sujet .

Pliage de l’ARN

Jusqu’ici nous ne nous sommes intéressés qu’aux codons.

Mais l’ARN lui-même ne connaît pas le concept de codons : il n’y a pas de marqueur physique pour indiquer où un codon commence et se termine. Cela dit, le premier codon d’une protéine est toujours ATG (ou AUG en version ARN).

L’ARN se recroqueville dans une certaine forme. Il se peut que cette forme aide à échapper au système immunitaire, ou à améliorer la traduction en acides aminés. Cela ne dépend que de la séquence de nucléotides ARN, et non de codons spécifiques.

Vous pouvez envoyer des séquences ARN à ce serveur de l’Institut de chimie théorique de l’Université de Vienne et il pliera l’ARN pour vous. C’est un serveur très sophistiqué qui effectue des calculs méticuleux.

Cette page Wikipédia décrit comment cela fonctionne.

Il se peut que certaines optimisations améliorent le pliage.

On me dit également que cet article de Moderna (un autre fabricant de vaccin à ARNm) peut être utile: la structure de l’ARNm régule l’expression des protéines par des changements dans la demi-vie fonctionnelle.