Description du projet
Prédire les interactions des protéines grâce à l’apprentissage automatique
Traditionnellement, la structure 3D d’une protéine est définie à l’aide de méthodes expérimentales telles que la cristallographie aux rayons X et la cryo-microscopie électronique. Les progrès récents de l’IA permettent de prédire avec une grande précision la structure des protéines à partir de leur séquence d’acides aminés. Ce n’est toutefois pas le cas de la dynamique et des interactions entre protéines, qui sont essentielles pour prédire la fonction des protéines. Financé par le programme Actions Marie Skłodowska-Curie, le projet MARMOTTE a pour ambition de développer des méthodes de prédiction des interactions d’une structure moléculaire dynamique. Cela permettra de mieux comprendre les complexes protéiques et facilitera la découverte plus rapide et plus avancée de médicaments.
Objectif
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.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- sciences naturellessciences biologiquesbiochimiebiomoléculeprotéines
- sciences naturellesmathématiquesmathématiques puresgéométrie
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Mots‑clés
Programme(s)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Appel à propositions
(s’ouvre dans une nouvelle fenêtre) HORIZON-MSCA-2021-PF-01
Voir d’autres projets de cet appelRégime de financement
HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European FellowshipsCoordinateur
75794 Paris
France