Mots-Clés

deep learning dynamique moléculaire interactions protéine-ligand

Description

Prédiction de l’affinité de liaison des complexes protéine-ligand en combinant des approches d’apprentissage profond et des simulations de dynamique moléculaire

Les axes de recherche développés au sein de l'Institut de Chimie Organique et Analytique (ICOA) sont orientés vers la conception, la synthèse et l'analyse de molécules susceptibles de présenter une activité dans le domaine des sciences du vivant. Le laboratoire est une unité mixte de recherche (UMR 7311) sous la tutelle de l'Université d'Orléans et du CNRS.

L’équipe de Bioinformatique Structurale et Chémoinformatique (SB&C) de l’ICOA développe et utilise de nouvelles méthodes in silico appliquées à la compréhension des systèmes moléculaires et aux interactions biomoléculaires dans le domaine de l’innovation thérapeutique, la cosmétique et la chimie analytique. Elle a développé une expertise dans la génération de molécules à l’aide de fragments, ainsi que dans l’utilisation de simulations de dynamique moléculaire.

Un projet novateur de prédiction d’affinité de liaison des complexes protéine-ligand a été initié dans l’équipe SB&C en développant une méthodologie mêlant simulations de dynamique moléculaire et apprentissage profond. Pour ce faire, un jeu de données de simulations a été construit et des réseaux de neurones prenant en charge ce type de données temporelles ont été mis au point. Ce projet a permis d’obtenir de premiers résultats prometteurs. Néanmoins une optimisation de cet outil, ainsi qu’une évaluation approfondie de ses performances, sont nécessaires.

Ce stage de 6 mois a pour but d’évaluer la capacité de cet outil à discriminer des ligands similaires ayant des affinités différentes pour une même cible protéique. Pour ce faire, il sera nécessaire de mettre au point un jeu de données adaptés en réutilisant une partie des scripts déjà développés au sein de l’équipe. Les réseaux de neurones développés seront appliqués sur ce jeu de données ciblé, et adaptés si besoin, en fonction des résultats obtenus.

Ce travail donnera suite à une thèse axée sur l’analyse des simulations de dynamique moléculaire, la génération de nouvelles simulations, et l’amélioration / le développement de nouveaux réseaux de neurones.

Profil du candidat :

• Bonne connaissance de l’environnement Linux
• Compétences opérationnelles en programmation, préférentiellement en Python
• Connaissances en modélisation et dynamique moléculaire
• Notions en apprentissage profond (une expérience en apprentissage profond serait un plus)
• Curiosité, capacité d’autonomie et d’organisation de travail au sein d’une équipe

Contacts :

Pierre-Yves Libouban : pierre-yves.libouban@univ-orleans.fr

Dr Samia Aci-Sèche : samia.aci-seche@univ-orleans.fr

Pr Pascal Bonnet : pascal.bonnet@univ-orleans.fr