Méthodes computationnelles pour la prédiction de structure 3D d'ARN liés à des protéines

Computational methods for the prediction of protein-bound RNA 3D structures

• Auteur / Autrice : Quoc Khang Le
• 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
• 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

3D Structure

ARN liés à des protéines

Méthodes computationnelles

3D Structure

Protein-bound RNA

Computational methods

Résumé

Dans ce projet de thèse, l'objectif est de développer des algorithmes permettant de prédire la structure 3D d'un ARN lors de sa liaison avec une protéine donnée. En raison de la difficulté de prédire l'ensemble de la structure 3D d'un ARN à partir d'un modèle ou de critères donnés, nous proposons ici de combiner différents critères pour réaliser cette prédiction : l'énergie de structure 3D de l'ARN, qui est le critère le plus utilisé à cet effet, mais également des critères liés à la structure 2D et des critères liés aux distances entre les nucléotides et/ou aux contacts entre les angles de torsion qui peuvent être prédits par apprentissage profond, des critères basés sur le potentiel statistique, des données expérimentales s'il y en a, etc. Comme critère supplémentaire important, pour considérer la liaison de l'ARN avec une protéine donnée, nous considérerons des motifs (ou modules) d'ARN 3D liés aux protéines. L'hypothèse est faite que différents ARN liés à différentes protéines partagent certaines caractéristiques conformationnelles locales. Le but de la thèse est donc de développer des algorithmes d'optimisation multi-objectifs combinés à des techniques d'apprentissage profond, pour conjointement replier et 'docker' des ARN sur des protéines.

In this thesis project, the goal is to develop algorithms for predicting the 3D structure of an RNA when binding with a given protein. Because of the difficulty of predicting the whole 3D structure of an RNA based on one given model or criteria, we propose here to combine different criteria to achieve this prediction: the RNA 3D structure energy, which is the most used criteria for this purpose, but also criteria related to the 2D structure and criteria related to the distances between the nucleotides and/or the contacts between the torsion angles which can be predicted using deep learning, criteria based on statistical potential, experimental data if there are any, etc. As an important additional criterion, for considering the binding of the RNA with a given protein, we will consider 3D RNA motifs (or modules) bound to proteins. The assumption is made that different RNAs bound to different proteins share some local conformational characteristics. The goal of the thesis is therefore to develop multi-objective optimization algorithms combined with deep learning techniques, to jointly fold and dock RNAs on proteins.