Déchiffrement de variant de significations inconnues du Gène RYR1 : Classification IA de RYR1
Auteur / Autrice : | Nagi Debbah |
Direction : | Julien Faure |
Type : | Projet de thèse |
Discipline(s) : | Biologie Structurale et Nanobiologie |
Date : | Inscription en doctorat le Soutenance le 25/11/2024 |
Etablissement(s) : | Université Grenoble Alpes |
Ecole(s) doctorale(s) : | École doctorale chimie et science du vivant |
Partenaire(s) de recherche : | Laboratoire : Translational Innovation in Medicine and Complexity |
Jury : | Président / Présidente : Ludovic Pelosi |
Examinateurs / Examinatrices : Raphael Mourad, Marie De teyrac, Anne Lopes | |
Rapporteur / Rapporteuse : Raphael Mourad, Marie De teyrac |
Mots clés
Mots clés libres
Résumé
Le récepteur Ryanodine 1 (RyR1) est un canal calcique crucial dans la fonction du muscle squelettique, associé à la sortie du calcium hors du réticulum sarcoplasmique, ce qui est essentiel lors de la contraction musculaire. Les myopathies liées à RyR1 vont de maladies légères à des maladies graves telles que l'akinésie ftale. Malgré les connaissances actuelles, il reste encore beaucoup à découvrir sur RyR1 : plus de 80% des variants de RyR1 demeurent de Signification Inconnue. Ce fait conduit à une impasse diagnostique de la part de l'expert en diagnostic lorsqu'il rencontre un patient présentant de tels variants. Pour résoudre ce problème, nous avons développé un modèle d'apprentissage automatique pour prédire la pathogénicité des variants faux-sens de RyR1 en utilisant des caractéristiques structurelles et séquentielles. Ces caractéristiques sont dérivées de deux structures protéiques différentes dans deux états de canal différents modélisés à partir de deux structures protéiques de lapin, ainsi que des variants connus de RyR1 créés. Notre ensemble de données pour l'entraînement et le test comprenait des variants provenant de bases de données publiques telles que ClinVar, Gnomad, HGMD et LOVD, ainsi que des données du CHU Grenoble-Alpes. Notre modèle d'apprentissage automatique a montré des performances supérieures ou égales à celles de l'état de l'art actual. De plus, sa principale force réside dans la possibilité d'analyser et expliquer les prédictions, ce qui ouvre une voie d'exploration unique pour les chercheurs.