Descrizione del progetto
Prevedere le interazioni delle proteine mediante l’apprendimento automatico
La struttura tridimensionale di una proteina è definita convenzionalmente tramite metodi sperimentali quali la cristallografia a raggi X e la microscopia crioelettronica. Alcuni recenti progressi compiuti nel campo dell’IA offrono il potenziale per prevedere con grande accuratezza la struttura delle proteine a partire dalla sua sequenza di amminoacidi. Lo stesso non vale però per la dinamica e le interazioni delle proteine, due processi fondamentali per la previsione della funzione proteica. Il progetto MARMOTTE, fFinanziato dal programma di azioni Marie Skłodowska-Curie, si propone di sviluppare metodi per prevedere l’interazione di una struttura molecolare dinamica. Ciò fornirà importanti informazioni circa i complessi proteici e contribuirà a un processo di scoperta dei farmaci più rapido e avanzato.
Obiettivo
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.
Campo scientifico (EuroSciVoc)
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. Cfr.: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. Cfr.: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- scienze naturaliscienze biologichebiochimicabiomolecoleproteine
- scienze naturalimatematicamatematica purageometria
È necessario effettuare l’accesso o registrarsi per utilizzare questa funzione
Siamo spiacenti… si è verificato un errore inatteso durante l’esecuzione.
È necessario essere autenticati. La sessione potrebbe essere scaduta.
Grazie per il tuo feedback. Riceverai presto un'e-mail di conferma dell'invio. Se hai scelto di ricevere una notifica sullo stato della segnalazione, sarai contattato anche quando lo stato della segnalazione cambierà.
Parole chiave
Programma(i)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Invito a presentare proposte
(si apre in una nuova finestra) HORIZON-MSCA-2021-PF-01
Vedi altri progetti per questo bandoMeccanismo di finanziamento
HORIZON-TMA-MSCA-PF-EF -Coordinatore
75794 Paris
Francia