Dans un article récemment publié dans Communications naturelles, une équipe de chercheurs de l'Université de Virginie – ; dont Phil Bourne, doyen de l'École de science des données, Cam Mura, scientifique principal de l'École, et Eli Draizen, un récent ancien élève de l'UVA ; proposent une approche basée sur l’IA pour explorer les similitudes structurelles et les relations dans l’univers des protéines.
Leur étude remet en question les notions conventionnelles sur les relations entre la structure des protéines (c'est-à-dire les modèles de similitudes et de différences) et, ce faisant, identifie de nombreuses relations faibles qui échappent aux méthodes traditionnelles.
Plus précisément, les auteurs présentent un cadre informatique capable de détecter et de quantifier de telles relations entre protéines à grande échelle (sur une myriade de protéines), d'une manière nouvelle, flexible et nuancée qui combine des approches basées sur l'apprentissage profond avec un nouveau modèle conceptuel, connu sous le nom d'Urfold. , qui permet à deux protéines de présenter une similitude architecturale malgré des topologies ou des « replis » différents.
Bourne, Mura et Draizen ont collaboré sur le projet avec Stella Veretnik. Tous les auteurs sont membres du laboratoire de biosciences informatiques Bourne & Mura, qui fait partie de la School of Data Science et du département de génie biomédical de l'UVA.
Cette publication est l'aboutissement d'années de travail du Bourne Lab pour développer ce cadre basé sur l'IA, appelé DeepUrfold, afin de permettre à la théorie Urfold des relations structurelles d'être explorée systématiquement et à grande échelle.
Grâce à DeepUrfold, l’équipe du Bourne Lab a détecté de faibles relations structurelles dans l’univers protéique entre des protéines qui auraient autrement été considérées comme sans rapport, du point de vue de l’évolution ou autre.
En capturant et en décrivant ces relations distantes, DeepUrfold considère les relations entre protéines en termes de « communautés » et évite l'approche conventionnelle consistant à classer les protéines dans des groupes séparés et sans chevauchement. Prises ensemble, ces nouvelles approches méthodologiques pourraient pousser les chercheurs à dépasser la réflexion sur les similitudes protéiques en termes statiques et géométriques et à adopter une approche plus intégrée.
Bourne, doyen fondateur de la School of Data Science, est mondialement connu dans la communauté scientifique pour ses recherches, notamment en bioinformatique structurale et en biologie computationnelle en général. Plus tôt dans sa carrière, il a codirigé le développement de la RCSB Protein Data Bank, un véritable trésor d’informations sur la structure des protéines qui a contribué à révolutionner le domaine et a ouvert la voie aux avancées contemporaines de l’IA comme AlphaFold.
Mura, qui occupe des postes à l'École de science des données et au Département de génie biomédical de l'UVA, possède une vaste expérience en biologie structurale et computationnelle, y compris des études biochimiques et cristallographiques des systèmes basés sur l'ARN et de la biophysique moléculaire de l'ADN. Il envisage les systèmes biologiques à travers le prisme de l’évolution moléculaire et explore l’intersection de ces domaines avec la science des données.
Draizen a obtenu un doctorat en génie biomédical de l'UVA sous le mentorat de Bourne et est actuellement chercheur postdoctoral en biologie computationnelle à l'Université de Californie à San Francisco.
Veretnik a été chercheur scientifique principal à l'UVA qui se concentre sur la biologie computationnelle et la structure, la fonction et l'évolution des replis protéiques.
Vous pouvez lire l'article complet – ; intitulé « Des modèles génératifs profonds de la structure des protéines découvrent des relations distantes dans un espace de repli continu » – ; sur le site Internet de Nature Communications.
Dans un article récemment publié dans Nature Communications, une équipe de chercheurs de l'Université de Virginie – ; dont Phil Bourne, doyen de l'École de science des données, Cam Mura, scientifique principal de l'École, et Eli Draizen, un récent ancien élève de l'UVA ; proposent une approche basée sur l’IA pour explorer les similitudes structurelles et les relations dans l’univers des protéines.
Leur étude remet en question les notions conventionnelles sur les relations entre la structure des protéines (c'est-à-dire les modèles de similitudes et de différences) et, ce faisant, identifie de nombreuses relations faibles qui échappent aux méthodes traditionnelles.
Plus précisément, les auteurs présentent un cadre informatique capable de détecter et de quantifier de telles relations entre protéines à grande échelle (sur une myriade de protéines), d'une manière nouvelle, flexible et nuancée qui combine des approches basées sur l'apprentissage profond avec un nouveau modèle conceptuel, connu sous le nom d'Urfold. , qui permet à deux protéines de présenter une similitude architecturale malgré des topologies ou des « replis » différents.
Bourne, Mura et Draizen ont collaboré sur le projet avec Stella Veretnik. Tous les auteurs sont membres du laboratoire de biosciences informatiques Bourne & Mura, qui fait partie de la School of Data Science et du département de génie biomédical de l'UVA.
Cette publication est l'aboutissement d'années de travail du Bourne Lab pour développer ce cadre basé sur l'IA, appelé DeepUrfold, afin de permettre à la théorie Urfold des relations structurelles d'être explorée systématiquement et à grande échelle.
Grâce à DeepUrfold, l’équipe du Bourne Lab a détecté de faibles relations structurelles dans l’univers protéique entre des protéines qui auraient autrement été considérées comme sans rapport, du point de vue de l’évolution ou autre.
En capturant et en décrivant ces relations distantes, DeepUrfold considère les relations entre protéines en termes de « communautés » et évite l'approche conventionnelle consistant à classer les protéines dans des groupes séparés et sans chevauchement. Prises ensemble, ces nouvelles approches méthodologiques pourraient pousser les chercheurs à dépasser la réflexion sur les similitudes protéiques en termes statiques et géométriques et à adopter une approche plus intégrée.
Bourne, doyen fondateur de la School of Data Science, est mondialement connu dans la communauté scientifique pour ses recherches, notamment en bioinformatique structurale et en biologie computationnelle en général. Plus tôt dans sa carrière, il a codirigé le développement de la RCSB Protein Data Bank, un véritable trésor d’informations sur la structure des protéines qui a contribué à révolutionner le domaine et a ouvert la voie aux avancées contemporaines de l’IA comme AlphaFold.
Mura, qui occupe des postes à l'École de science des données et au Département de génie biomédical de l'UVA, possède une vaste expérience en biologie structurale et computationnelle, y compris des études biochimiques et cristallographiques des systèmes basés sur l'ARN et de la biophysique moléculaire de l'ADN. Il envisage les systèmes biologiques à travers le prisme de l’évolution moléculaire et explore l’intersection de ces domaines avec la science des données.
Draizen a obtenu un doctorat en génie biomédical de l'UVA sous le mentorat de Bourne et est actuellement chercheur postdoctoral en biologie computationnelle à l'Université de Californie à San Francisco.
Veretnik a été chercheur scientifique principal à l'UVA qui se concentre sur la biologie computationnelle et la structure, la fonction et l'évolution des replis protéiques.
