Apprendre des modèles de liaison dans les interactions dynamiques des protéines pour prédire le repliement lors de la liaison – IDPFold

Les protéines intrinsèquement désordonnées (IDP) sont un vaste sous-ensemble de protéines sans structure 3D stable lors de l'isolement. Elles sont impliquées dans divers processus cellulaires et dans les interactions protéine-protéine (IPP). L’un des aspects clés des IDP est leur capacité à passer de l’état désordonné à l’état ordonné lors de la liaison à une structure cible. La compréhension de ce mécanisme, appelé communément « repliement lors de la liaison » reste un problème ouvert et un obstacle scientifique majeur dans le domaine. De nouvelles approches basées sur l’apprentissage profond ont commencé à faire des progrès remarquables dans la prédiction de la structure des protéines. Cependant, les performances de ces méthodes en matière de prévision des IPP ne sont toujours pas satisfaisantes, principalement en raison de la complexité imposée par les régions flexibles des protéines, en particulier chez les IDP.
La surface est une partie encore peu explorée de la structure des protéines. Les modèles géométriques et chimiques de surface peuvent être utilisés pour prédire des aspects importants des fonctions des protéines. Dans le cas des IPP, les propriétés chimiques et géométriques des surfaces des deux partenaires codent pour des caractéristiques complémentaires cruciales concernant leur interface de liaison. Ainsi, la forme globale de la structure secondaire du ligand peut être prédite en considérant les caractéristiques de surface complémentaires de la cible. Ce projet vise à développer un réseau neuronal profond centré sur la surface pour prédire le repliement lors de la liaison d’un ligand à partir des propriétés de surface de la cible en considérant l'hétérogénéité conformationnelle. En effet, à partir de la notion de complémentarité de surface, les caractéristiques de la surface de la cible peuvent coder des informations concernant la structure secondaire de son ligand. De tels modèles seront appris grâce à une architecture d'apprentissage profond.