Conception de séquences ADN par réseaux de neurones profonds

Conception of DNA sequences using deep neural networks

• Auteur / Autrice : Alex Westbrook
• Direction : Julien Mozziconacci
• Type : Projet de thèse
• Discipline(s) : Biologie moléculaire
• Date : Inscription en doctorat le 01/10/2022
• Etablissement(s) : Paris, Muséum national d'histoire naturelle
• Ecole(s) doctorale(s) : Sciences de la nature et de l'Homme : évolution et écologie
• Partenaire(s) de recherche : Laboratoire : Structure et Instabilité des Génomes
• Partenaire(s) de recherche : Equipe de recherche : ARChE (ADN Répété, Chromatine, Evolution)

Mots clés

Mots clés libres

Apprentissage profond

Biologie synthétique

Épigénétique

Deep learning

Synthetic biology

Epigenomics

Résumé

Chez les eucaryotes, les longues molécules d'ADN qui constituent les chromosomes sont enroulées dans les nucléosomes et organisées en boucles et domaines dans l'espace 3D par d'autres protéines structurelles telles que les cohésines. Le repliement du génome en 3D a des rôles à la fois structurels et de régulation des gènes. Une question importante dans ce domaine est de comprendre la correspondance entre la séquence d'ADN et les positions de ces éléments structurants, car des variations récurrentes dans le génome peuvent affecter son propre repliement 3D et jouer un rôle dans l'apparition de maladies. Pour répondre à cette question, nous prévoyons ici de combiner les nouveaux outils de calcul basés sur l'apprentissage profond avec les possibilités de génomique synthétique maintenant offertes par les équipes Koszul et Navarro. Nous étudierons d'abord comment des changements dans la séquence d'ADN peuvent conduire à des changements dans les positions du nucléosome et de la cohésine chez la levure et la souris. Nous irons ensuite au-delà des prédictions en concevant in silico des séquences d'ADN capables de positionner les nucléosomes et les cohésines de manière contrôlée. Ce projet, qui se situe aux frontières de la biologie synthétique et de l'informatique, représenterait l'un des premiers projets exploitant l'apprentissage profond pour concevoir in silico une séquence d'ADN ayant les propriétés souhaitées et pour tester ces propriétés dans des organismes vivants.

In eukaryotes, the long DNA molecules that constitute chromosomes are wrapped into nucleosomes and further organized in loops and domains in the 3D space by other structural proteins such as cohesins. The 3D genome folding has both structural and gene regulatory roles. An important question in the field is to understand the correspondence between the DNA sequence and the positions of these structuring elements since recurrent variations in the genome can affect its proper 3D folding and play a role in the onset of diseases. To answer this question, we plan here to combine new deep-learning based computational tools with synthetic genomic possibilities now offered in the Koszul and Navarro teams. We will first investigate how changes in the DNA sequence can lead to changes in nucleosome and cohesin positions in yeast and mice. We will then go beyond the predictions by designing in silico DNA sequences able to position nucleosomes and cohesins in a controlled manner. The project, which lies at the frontiers between synthetic biology and computer science, would represent one of the first projects exploiting deep learning to design in silico a DNA sequence with desired properties and to test these properties in living organisms.