Méthodes computationnelles basées sur l'apprentissage profond pour la prédiction des structures 3D d'ARN

Computational methods based on deep learning for the prediction of RNA 3D structures

• Auteur / Autrice : Clément Bernard
• Direction : Fariza Tahi
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/10/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : IBISC - Informatique, BioInformatique, Systèmes Complexes
• Partenaire(s) de recherche : Equipe de recherche : AROBAS : Algorithmique, Recherche Opérationnelle, Bioinformatique et Apprentissage Statistique
• Partenaire(s) de recherche : Référent : Université d'Évry Val d'Essonne

Mots clés

Mots clés libres

Apprentissage profond

Augmentation de données

Bioinformatique

Réseaux d'attention

Structure 3D des ARN

Traitement automatique des langues (TAL)

Attention networks

Natural language processing (NLP)

RNA 3D structure

Bioinformatics

Deep learning

Data augmentation

Résumé

Les ARN sont, comme les protéines, des molécules biologiques jouant des rôles essentiels à divers stades de la vie d'un organisme et impliqués dans diverses maladies. Déterminer leur structure, notamment 3D, est un enjeu essentiel pour mieux comprendre leur fonction. Or il s'agit d'un problème difficile à résoudre, aussi bien par des méthodes expérimentales (cristallographie, RMN) qui sont très coûteuses en temps et en argent, que computationnelles. Très récemment, DeepMind a proposé une méthode, appelée AlphaFold, pour la prédiction de la structure 3D des protéines basée sur du deep learning, qui a révolutionné le domaine, en montrant une efficacité des prédictions très largement au- dessus de l'état de l'art. Dans ce projet, nous proposons de développer des méthodes de deep learning pour prédire la structure 3D des ARN en tenant compte de différentes spécificités de ces molécules (en comparaison aux protéines) : (i) La faible quantité de données disponibles et de structures 3D d'ARN connues ; (ii) la possibilité pour un ARN d'avoir plusieurs conformations 3D possibles (les ARN ne sont pas stables contrairement aux protéines) ; (iii) la taille très variable des séquences d'ARN, allant de quelques nucléotides à plusieurs dizaines de milliers de nucléotides. Nous proposons ici d'utiliser et d'adapter les méthodes récentes de deep learning utilisées en Traitement Automatique des Langues. L'idée est que les séquences d'ARN peuvent être considérées comme des textes exprimant un langage avec une grammaire, ce langage correspondant aux conformations 3D de ces séquences.

RNAs are, like proteins, biological molecules that play essential roles at various stages in the life of an organism and are involved in various diseases. Determining their structure, especially 3D, is an essential issue to better understand their function. However, this is a difficult problem to solve, either by experimental methods (crystallography, NMR) which are very costly in time and money, or by computational methods. Very recently, DeepMind proposed a method, called AlphaFold, for the prediction of the 3D structure of proteins based on deep learning, which revolutionized the field, by showing a high outperformance compared to the state-of-art. In this project, we propose to develop deep learning methods to predict the 3D structure of RNAs, taking into account the different specificities of these molecules (compared to proteins): (i) The small amount of available data and known 3D RNA structures; (ii) the possibility for an RNA to have several possible 3D conformations (RNAs are not stable unlike proteins); (iii) the highly variable size of RNA sequences, ranging from a few nucleotides to several tens of thousands of nucleotides. We propose here to use and adapt recent deep learning methods used in Natural Language Processing. The idea is that RNA sequences can be considered as texts expressing a language with a grammar, this language corresponding to the 3D conformations of these sequences.