Les sciences que vous enseignez bougent : 4 recherches pour vous donner envie
Pour vos vacances, JTS vous propose une petite variante : quatre recherches récentes, articulées autour de nouvelles techniques en chimie, biologie et physique. Quelques lignes pour chacune, avec assez de mécanisme pour susciter la curiosité, ce que la technique permet désormais d'entrevoir, mais aussi ses limites ou les questions qui restent ouvertes.Et surtout, la référence pour aller voir plus loin. Dans l'esprit de sain scepticisme scientifique que JTS cherche à cultiver : ne nous croyez pas — même pas JTS ! Allez voir dans l'article d'origine
Identifier les protéines, molécule par molécule
Un nanopore est un canal de quelques nanomètres : lorsqu’une molécule le traverse, elle modifie brièvement le courant électrique qui le parcourt. Avec les protéines, le défi est double : leur charge complexe rend leur passage difficile à contrôler et, parce qu’elles traversent très vite, le signal est bref. L’équipe de Chan Cao (UNIGE) utilise ici un flux électro-osmotique pour entraîner à travers un nanopore d’aérolysine des protéines dépliées et non marquées. Chaque protéine produit une « empreinte » électrique dont un algorithme analyse plusieurs caractéristiques. Résultat : sept protéines apparentées ont pu être distinguées avec environ 80 % de précision, sans marquage chimique ni digestion enzymatique. Reste un défi beaucoup plus ambitieux : passer de la reconnaissance de protéines déjà caractérisées à la lecture d’informations permettant d’inférer directement leur séquence.
- Rukes, V., Norkute, E., Barnikol, G., Duan, J., Gao, J., & Cao, C. (2026). Single-Molecule Fingerprinting of Unlabeled Full-Length Proteins Using an Aerolysin Nanopore. Journal of the American Chemical Society, 148(27), 28179‑28189. https://doi.org/10.1021/jacs.6c01018
Mesurer la « géométrie quantique » d’un isolant
- Sala, G., Longo, E., Mercaldo, M. T., Gariglio, S., Cuoco, M., Mantovan, R., Ortix, C., & Caviglia, A. D. (2026). Probing the quantum metric of 3D topological insulators. Nature Materials, 1‑8. https://doi.org/10.1038/s41563-026-02617-3
Après le lithium, le sodium ?

Fig 1: Principe de fonctionnement des batteries sodium-ion [img]. Source :Castelvecchi, D. (2026) Adapted from G. Harper et al. Nature 575, 75–86 (2019) and G. Offer et al. Nature 582, 485–487 (2020).
Une batterie sodium-ion fonctionne sur un principe proche d’une batterie lithium-ion : pendant charge et décharge, des ions Na⁺ circulent entre deux électrodes. Mais le sodium est beaucoup plus abondant et moins coûteux que le lithium ; certaines architectures permettent aussi de remplacer le cuivre par de l’aluminium et d’éviter nickel et cobalt. Pourquoi n’a-t-il donc pas déjà gagné ? L’ion sodium est plus gros et les cellules fonctionnent généralement à plus basse tension, ce qui limite leur densité énergétique. Les progrès récents changent cependant la donne : CATL annonce 175 Wh/kg et vise 200 Wh/kg, proche des batteries lithium-fer-phosphate (LFP), avec en outre une bonne tenue au froid et un risque d’incendie annoncé comme plus faible. Leur terrain privilégié pourrait être le stockage des énergies renouvelables, où poids et volume comptent moins. Mais une inconnue demeure : à quel prix réel une fois la production industrialisée ? Les prévisions de parité avec les LFP divergent de plusieurs années.P
encourage le lecteur à aller vérifier dans l’article d’origine : ici
- Castelvecchi, D. (2026). Beyond lithium : How sodium-ion batteries could change the world. Nature, 655(8123), 562‑564. https://doi.org/10.1038/d41586-026-02150-y
Redimensionner des protéines avec une IA


Fig. 4. À gauche : principe du modèle Raygun. À droite : utilisation de Raygun pour modifier des protéines de différentes longueurs. [img]. Source : Devkota, et al. (2026).ici
Les modèles d’IA savent désormais créer des protéines de novo. Raygun part d’un problème différent : peut-on transformer fortement une protéine existante tout en conservant sa structure et sa fonction ? À partir des représentations apprises par un modèle de langage protéique, Raygun convertit des séquences de longueurs différentes en distributions de probabilité de dimension fixe : elles deviennent ainsi mathématiquement comparables, ce qui permet d’ajouter, supprimer ou substituer des acides aminés de manière coordonnée. Le modèle peut réduire des protéines de 10 à 25 %, parfois davantage, ou au contraire les agrandir. Et il ne s’agit pas seulement de prédictions : des versions raccourcies de protéines fluorescentes et de l’enzyme TurboID ont été testées expérimentalement et restent fonctionnelles ; des variantes agrandies de l’EGF montrent même une affinité accrue pour son récepteur. Reste à savoir jusqu’où cette capacité s’étend à la diversité des protéines naturelles.
encourage le lecteur à aller vérifier dans l’article d’origine :Conroy, G. (2026) ici et Devkota, et al. (2026).ici
- Conroy, G. (2026). This AI Raygun can shrink and supersize proteins—Opening the door to easy editing. Nature. https://doi.org/10.1038/d41586-026-02335-5
- Devkota, K., Shonai, D., Mao, J., Ko, Y. S., Wang, W., Soderling, S., & Singh, R. (2026). Miniaturizing and modifying natural proteins with Raygun. Nature, 1‑9. https://doi.org/10.1038/s41586-026-10842-8
Aucun commentaire:
Enregistrer un commentaire