Machine learning and co-evolution methods for protein-protein interactions
Méthodes d’apprentissage et coévolution pour les interactions protéines-protéines
Résumé
In this thesis, we focus on the use of machine learning to solve the problem of the prediction of protein-protein interactions (PPI). The study of PPI is a central problem in biology, as proteins interact with each other to form complex networks that carry out the biological functions of cells. Experimental techniques to determine when and how proteins interact are very costly and time-consuming, so there is a great need for computational methods that can predict PPIs. We will explore the use of machine learning based on coevolution and deep learning for PPI prediction. Coevolutionary methods such as Direct Coupling Analysis have been used successfully for a number of different tasks, such as the prediction of intra-protein contacts, inter-protein contacts, and the prediction of mutational landscape. During my Ph.D., I developed a supervised machine learning algorithm to predict inter-domain and inter-protein contact maps called FilterDCA. The aim was to add some supervision, using typical contact patterns, while keeping the tool interpretable. I have also worked on PPIs in the SARS-CoV2 virus and on a multi-protein complex present in some bacteria membranes.
Dans cette thèse, nous nous intéresserons à l'utilisation de l'apprentissage automatique pour le problème de la prédiction des interactions protéine-protéine (IPP). L'étude des interactions protéine-protéine est un problème central en biologie, car les protéines interagissent entre elles pour former les réseaux complexes qui assurent les fonctions biologiques des cellules. Les techniques expérimentales permettant de déterminer quand et comment les protéines interagissent sont très coûteuses et prennent beaucoup de temps. Il existe donc un grand besoin de méthodes informatiques permettant de prédire les IPP. Nous allons explorer l'utilisation de l'apprentissage automatique basé sur la coévolution et l'apprentissage profond pour la prédiction des IPP. Les méthodes de coévolution ont été utilisées avec succès pour un certain nombre de tâches différentes, telles que la prédiction des contacts intra-protéines, des contacts inter-protéines et la prédiction du paysage mutationnel. Au cours de mon doctorat, j'ai développé un algorithme d'apprentissage automatique supervisé pour prédire les contacts inter-domaines et inter-protéines, appelé FilterDCA. L'objectif était d'ajouter une certaine supervision, en utilisant des patterns de contact typiques, tout en gardant l'outil interprétable. J'ai également travaillé sur les interactions protéines-protéines dans le virus SARS-CoV2 et dans le cas d'un complexe multi-protéique présent dans les membranes de certaines bactéries.
| Origine | Version validée par le jury (STAR) |
|---|