Thèse en cours

Déchiffrement de variant de significations inconnues du Gène RYR1 : Classification IA de RYR1

FR  |  
EN

Accès à la thèse

AttentionLa soutenance a eu lieu le 25/11/2024. Le document qui a justifié du diplôme est en cours de traitement par l'établissement de soutenance.
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

FR  |  
EN

Résumé

FR  |  
EN

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 fœtale. 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.