GENO3D

Apprentissage automatique appliqué à la prédiction de la structure tertiaire des protéines

Description du projet

L’exploitation fonctionnelle des informations provenant des grands programmes de séquençage des génomes passe nécessairement par la connaissance de la structure tridimensionnelle des protéines. Or, déterminer la structure tridimensionnelle des protéines expérimentalement est une tâche très lourde, qui peut s'avérer parfois impossible à réaliser. L'arrivée massive de données provenant des programmes de séquençage à grande échelle impose de passer d’une approche biochimique à une approche bioinformatique, et nécessite en particulier de développer des méthodes de prédiction sur des séquences.

L’objet de ce projet est donc, dans le contexte de la prédiction de la structure tertiaire des protéines, de mettre en évidence des problèmes génériques difficiles et de proposer des méthodes susceptibles de faire progresser l’état de l’art dans le domaine. Pour ce faire, nous nous appuyons sur des approches relevant de l’apprentissage automatique, symbolique et numérique. Notre stratégie est du type «diviser pour régner», avec au final l’intégration des différents niveaux de prédiction au sein d’un seul modèle. Il est en effet possible d’aborder la tâche de manière progressive, au travers de problèmes connexes tels que la prédiction de la structure secondaire et l’identification des ponts disulfures et salins. Nous poursuivrons ainsi des recherches que nous avons déjà effectuées, ou que nous initions actuellement dans le cadre du groupe de travail « Apprentissage et séquences » de l’AS « Apprentissage et bioinformatique ». Actuellement, aucune méthode de prédiction ne met en œuvre une approche hiérarchique et modulaire de ce type, intégrant des systèmes aussi variés. La grande originalité de notre travail consistera dans cette intégration des solutions apportées aux «sous-problèmes» de manière à atteindre effectivement l’objectif final, ce qui nous semble particulièrement caractéristique des problèmes d’analyse complexe rencontrés sur les grands ensembles de données.

Les domaines de l’apprentissage que nous explorerons de manière privilégiée sont l’apprentissage statistique, à travers la conception et la mise en œuvre de machines à noyau et de réseaux de neurones récurrents, ainsi que la théorie des automates, avec en particulier l’inférence de machines de reconnaissance probabilistes (automates probabilistes, HMMs,..). Leur mise en œuvre combinée devra en particulier permettre de prendre en compte les dépendances à long terme, encore mal exploitées par les méthodes de prédiction classiques.

Les retombées attendues sont importantes. En effet, des méthodes fines de prédiction de la structure tertiaire des protéines permettront une meilleure connaissance «mécanistique» des protéines. Ceci intéresse donc l’ensemble de la communauté biologique aussi bien académique qu’industrielle (en particulier l’industrie pharmaceutique). Du point de vue informatique, il est clair que les méthodes développées devraient donner naissance à des outils largement utiles à des domaines de traitement intensif de séquences comme le traitement de textes en langage naturel. Le domaine de l’apprentissage automatique a toujours fortement bénéficié de l’analyse systématique et approfondie d’applications spécifiques.

Coordinateur du projet

GUERMEUR Yan - Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), UMR 7503 CNRS, INRIA, INP Lorraine, Université Nancy 1, Université Nancy 2

Partenaires

· Laboratoire de BioInformatique et RMN structurales, IBCP, UMR 5086 CNRS, Lyon 1

· Laboratoire d'Informatique Fondamentale (LIF), UMR 6166 CNRS, Aix-Marseille 1, Aix-Marseille 2

· Projet Systèmes et modèles biologiques, bioinformatique et séquences (Symbiose), IRISA, UMR 6074 CNRS, INRIA, INSA Rennes, Rennes 1

· Laboratoire d’Informatique, de Robotique et de Microélectronique de Montpellier (LIRMM), UMR 5506, CNRS, Montpellier 1

· Mathématique Informatique et Génome, INRA, Jouy en Josas