Description du projet
Utiliser l’apprentissage profond pour étudier l’interaction entre le coronavirus et l’hôte
L’épidémie de COVID-19 nous a appris qu’il est nécessaire de comprendre l’interaction du virus avec l’hôte afin de concevoir des traitements efficaces. Le projet RiPCoN, financé par l’UE, analysera des prédictions concernant les interactions entre protéines, ainsi qu’entre les protéines et l’ARN, du virus et de l’hôte, et introduira ces informations dans un modèle déjà existant d’apprentissage profond. Cela générera une ressource publique pour la recherche fondamentale et translationnelle sur le coronavirus, et permettra d’identifier des médicaments approuvés susceptibles d’être efficaces contre le SARS-CoV-2. Plus important encore, les scientifiques examineront la manière dont les variations génétiques à la fois chez les personnes et chez le virus sont conjointement responsables de la gravité de la maladie, en espérant améliorer la gestion des risques et la préparation face à de futures épidémies.
Objectif
We aim to identify approved drugs that can be repurposed for the treatment of 2019-nCoV using interactome profiling and deep-learning. We will deploy rapid high-throughput protein-protein interaction mapping and computational protein-RNA interaction predictions to chart the coronavirus host interactome network (CoHIN), which will become a public resource for translational and basic coronavirus research few months after project start. CoHIN will serve as input into an existing deep-learning model to identify approved drugs that are likely effective against 2019-nCoV, which will be validated in in vitro and in vivo systems. In the second stage we will experimentally determine the matrix of viral protein alleles vs. variants of the interacting human proteins to understand how human and viral natural variations jointly mediate disease severity in different individuals. These data will be integrated with epidemiological and human genomics data to improve risk management and improve preparedness for future coronavirus outbreaks. Overall, we aim to achieve the following objectives: - Map the protein interactome of 2019-nCoV and related Coronaviridae with their human host - Generate the allele interaction matrix and relate differences to epidemiological data - Develop a microarray-based patient screen to detect exposure to 2019-nCoV and identify immunogenic epitopes - Identify 10 approved drugs that are most likely efficient against 2019-nCoV using network integration and deep-learning - Validate drug candidates in in vitro and in vivo systems
Champ scientifique
Mots‑clés
Programme(s)
Régime de financement
RIA - Research and Innovation actionCoordinateur
85764 Neuherberg
Allemagne