Projektbeschreibung
Protein-Wechselwirkungen durch maschinelles Lernen vorhersagen
Üblicherweise wird die 3D-Struktur eines Proteins mittels experimenteller Verfahren wie Röntgenkristallografie und Kryoelektronenmikroskopie bestimmt. Dank der neuesten Fortschritte in der künstlichen Intelligenz bietet sich die Möglichkeit, die Struktur eines Proteins anhand seiner Aminosäuresequenz mit großer Genauigkeit vorherzusagen. Das ist jedoch in Hinsicht auf die Proteindynamik und Proteininteraktionen, die für die Vorhersage der Proteinfunktion am wichtigsten sind, nicht der Fall. Ziel des im Rahmen der Marie-Skłodowska-Curie-Maßnahmen finanzierten Projekts MARMOTTE ist die Entwicklung von Methoden zur Vorhersage der Interaktion einer dynamischen Molekülstruktur. Deren Ergebnis werden wichtige Erkenntnisse über Proteinkomplexe sowie die Chance auf eine schnellere und modernere Wirkstoffentdeckung sein.
Ziel
This year has seen a breakthrough in structural bioinformatics - deep learning-based methods, most notably Google DeepMind's AlphaFold2, have demonstrated near-experimental accuracy of protein structure predictions. However, even the best protein structure prediction methods do not automatically provide knowledge about protein dynamics and protein interactions, which is often essential to understand or predict the biological functions of proteins. Those functions are performed via intermolecular interactions, and such interactions almost always involve conformational changes of engaged partners. The problem of modeling dynamic protein structures and their complexes is still largely unsolved - this project aims to significantly contribute towards its future solution by exploring the link between computational geometry, statistical physics, and machine learning. The postdoctoral researcher will develop novel methods that: given a dynamic (moving) molecular structure, efficiently compute tessellation-derived contact areas; given a starting structure and its tessellation-derived contacts areas, predict (using a graph neural network) how the interatomic contact areas will change upon motion; given a protein complex model generated by docking, use the predicted statistical properties of the contact areas to estimate (using a graph neural network) the protein-protein binding energy score. If successfully developed, such methods will provide unique data about the dynamics of tessellation-derived interatomic contact areas. Most importantly, they will provide effective dynamics-aware scores for assessing and ranking structural models of protein complexes.
Wissenschaftliches Gebiet (EuroSciVoc)
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht. Siehe: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht. Siehe: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- NaturwissenschaftenBiowissenschaftenBiochemieBiomoleküleProteine
- NaturwissenschaftenMathematikreine MathematikGeometrie
Sie müssen sich anmelden oder registrieren, um diese Funktion zu nutzen
Wir bitten um Entschuldigung ... während der Ausführung ist ein unerwarteter Fehler aufgetreten.
Sie müssen sich authentifizieren. Ihre Sitzung ist möglicherweise abgelaufen.
Vielen Dank für Ihr Feedback. Sie erhalten in Kürze eine E-Mail zur Übermittlungsbestätigung. Wenn Sie sich für eine Benachrichtigung über den Berichtsstatus entschieden haben, werden Sie auch im Falle einer Änderung des Berichtsstatus benachrichtigt.
Schlüsselbegriffe
Programm/Programme
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Aufforderung zur Vorschlagseinreichung
(öffnet in neuem Fenster) HORIZON-MSCA-2021-PF-01
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
HORIZON-TMA-MSCA-PF-EF -Koordinator
75794 Paris
Frankreich