Déchiffrer la complexité des interactions entre les protéoformes à l'aide de modèles de langage protéique basés sur l'évolution et la physique

Deciphering the complexity of proteoform interactions with evolutionary- and physically-informed protein language models

• Auteur / Autrice : Julien Nguyen van
• Direction : Elodie Laine, Sergei Grudinin
• Type : Projet de thèse
• Discipline(s) : Sciences et technologies de l'information et de la communication
• Date : Inscription en doctorat le 01/11/2023
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-...)
• Partenaire(s) de recherche : Laboratoire : Biologie computationnelle et quantitative (Paris ; 2011-....)

Mots clés

Mots clés libres

Protéines

Modèles de language

Apprentissage profond

Évolution

Physique

Interactions

Proteins

Languages models

Deep learning

Evolution

Physics

Interactions

Résumé

Ce projet vise à développer de nouveaux modèles d'apprentissage profond interprétables pour calculer des représentations significatives et informatives des protéoformes, afin de reconstruire des protéomes hautement spécialisés tels que ceux qui ont un impact sur des traits comportementaux complexes, en particulier l'apprentissage vocal chez les humains et les oiseaux chanteurs. L'objectif est de concevoir, de mettre en œuvre et de déployer des algorithmes d'apprentissage fonctionnant sur du texte (séquences de protéines) et des graphes / nuages de points (structures 3D des protéines). La nouvelle structure de données hiérarchiques basée sur les graphes, déjà introduite dans des travaux préliminaires pour récapituler la diversité des protéoformes, sera mise à profit. Le défi consistera à encoder la sémantique évolutive et physique dans les représentations apprises. À l'instar de ce qui est observé dans la conception générative de protéines à partir de modèles, le modèle entraîné devrait être capable de générer de nouveaux protéoformes récapitulant les propriétés physico-chimiques et géométriques des protéoformes connus, au-delà des statistiques globales. Le projet relèvera le défi plus large du traitement de la masse de données hétérogènes relatives aux protéines, qui connaît une croissance exponentielle.

This project aims at developing novel interpretable deep learning models for computing meaningful and informative representations of proteoforms, toward reconstructing highly specialised proteomes such as the ones impacting complex behavioural traits especially vocal learning in humans and songbirds. The goal is to design, implement and deploy learning algorithms operating on text (protein sequences) and graphs / point clouds (protein 3D structures). New graph-based hierarchical data structure already introduced in preliminary work for recapitulating proteoform diversity will be leveraged. The challenge will be to encode evolutionary and physical semantics in the learnt representations. Similarly to what is observed in generative model-powered protein design, the trained model should be able to generate new proteoforms recapitulating the physico-chemical and geometrical properties of the known ones beyond global statistics. The project will meet the broader challenge of handling the exponentially growing body of heterogeneous protein-related data