IA pour le design moléculaire

Tirer parti des approches d’apprentissage profond pour la prédiction et la conception de l’allostérie des protéines

Les laboratoires de Pierre Vandergheynst (STI) et Patrick Barth (SV) hébergeront la 5ème CIS collaboration grant.

Les protéines ne sont pas des molécules statiques. Elles se comportent souvent comme des interrupteurs, alternant entre des états qui remplissent des fonctions distinctes. La commutation est donc un mécanisme puissant de régulation biologique et se produit généralement lors de changements structurels déclenchés par une grande variété de stimuli externes (par exemple, de l’absorption d’un photon à la liaison d’une autre protéine) par le biais d’un processus appelé allostérie. Comprendre comment ce comportement de commutation se produit au niveau moléculaire reste un défi. L’avènement de l’apprentissage profond offre de nouvelles opportunités pour explorer et prédire les mouvements des protéines, mais ces approches ont surtout été appliquées à des représentations statiques des structures protéiques. Nous proposons ici d’aborder la modélisation de la dynamique de commutation à l’aide de techniques d’apprentissage profond géométrique spécialement conçues et appliquées aux représentations moléculaires. Nous espérons que notre approche permettra de mieux comprendre les mécanismes qui sous-tendent ces commutations et, à terme, d’élaborer des approches génératives permettant de concevoir de nouvelles commutations moléculaires

Laboratoires Associés