Prédiction de l'affinité de liaison des complexes protéine-ligand en combinant des simulations de dynamique moléculaire avec des algorithmes d'apprentissage profond
Auteur / Autrice : | Pierre-Yves Libouban |
Direction : | Pascal Bonnet |
Type : | Thèse de doctorat |
Discipline(s) : | Chimie. Chémoinformatique |
Date : | Soutenance le 11/12/2023 |
Etablissement(s) : | Orléans |
Ecole(s) doctorale(s) : | École doctorale Santé, Sciences Biologiques et Chimie du Vivant (Centre-Val de Loire ; 2012-....) |
Partenaire(s) de recherche : | Laboratoire : Institut de chimie organique et analytique (Orléans ; 2012-....) |
Jury : | Président / Présidente : Jana de Oliveira Santos |
Examinateurs / Examinatrices : Xavier Barril, Gary Tresadern, Samia Aci-Sèche | |
Rapporteurs / Rapporteuses : Olivier Sperandio, Matthieu Montes |
Résumé
Les interactions des petites molécules avec leurs protéines cibles sont essentielles à la recherche pharmaceutique. L'affinité de liaison des complexes protéine-ligand peut être mesurée par des expériences in-vitro, mais ces tests sont couteux en argent et en temps. Aujourd'hui, les réseaux de neurones profonds utilisant les structures en trois dimensions des complexes sont capables de prédire cette affinité de liaison. Cependant, des limitations persistent malgré l'implémentation de nouveaux réseaux de neurones. Ceci est principalement dû au manque de données structurales, qui nécessitent un travail expérimental conséquent pour être déterminées. Ce projet vise à améliorer notre capacité à prédire l'affinité des complexes protéine-ligand en combinant des approches d'apprentissage profond avec des simulations de dynamique moléculaire. Ainsi, il est possible d'augmenter la quantité de données utilisées lors de l'apprentissage des modèles statistiques, en extrayant des structures supplémentaires des simulations de dynamique moléculaire. En outre, celles-ci fournissent des informations temporelles sur les interactions protéine-ligand qui peuvent être utilisées pour améliorer les modèles. Nous avons créé un ensemble de données de 63 000 simulations, obtenues à partir de 6 300 complexes. Puis nous avons développé des réseaux de neurones, tel que le LSTM à convolutions, capables d'analyser à la fois les informations spatiales et temporelles issues des simulations. Ces réseaux combinent un réseau de neurones à convolutions capable d'extraire l'information spatiale des structures en trois dimensions à chaque pas de temps, tandis que le LSTM suit l'évolution de cette information sur l'ensemble de la simulation. En utilisant les simulations de dynamique moléculaire en tant qu'augmentation de données, nos modèles obtiennent des résultats prometteurs.