Mots-Clés

Bioinformatique structurale, Deep learning, Alphafold, Classification supervisée, interactions protéine-protéine

Description

Contexte : Chez les plantes, comme dans tous les organismes vivants, les interactions protéine-protéine jouent un rôle central dans la machinerie cellulaire, que ce soit dans le métabolisme, la signalisation, la prolifération cellulaire, la communication intercellulaire ou dans le maintien de l’architecture membranaire. Tous les processus biologiques font ainsi intervenir une multitude de protéines qui agissent de concert dans des systèmes complexes et interconnectés. Ainsi, la compréhension d’un processus cellulaire ne se résume pas à l’identification des protéines impliquées. Elle doit également permettre d’appréhender les principes d’association entre ces protéines au sein des réseaux d’interactions étudiés.

Des technologies à haut débit (criblage 2-hybrides, Spectrométrie de masse) ont ainsi été développées pour identifier massivement les interactions entre protéines (IPP). Malheureusement ces méthodes ne permettent pas d'identifier l'interactome entier d'un organisme et d'autre part elles produisent beaucoup de fausses interactions. Ce verrou doit être dépassé.

Or des méthodes de deep learning publiées très récemment (RoseTTAFold+AlphaFold [1], AlphaFold-Multimer [2]) ont fait leur preuve pour prédire les interactions protéine-protéine de S. cerevisiae : certes, elles ne permettent de prédire que 30% des interactions mais elles le font avec une très grande fiabilité (96%). Nous mettons donc en place et adaptons actuellement la méthode RoseTTAFold+ AlphaFold-Multimer pour prédire les interactions entre les protéines de la plante modèle Arabidopsis thaliana dans le but d’affiner son interactome.

	Le stage proposé se concentrera sur la prédiction des interactions entre les 1500 protéines du chloroplaste. Cet organite est en effet au centre de nombreux processus essentiels à la vie des plantes et à leurs réponses aux différents stress. L’étude des interactions entre les protéines du chloroplaste est donc d’un grand intérêt pour comprendre les systèmes moléculaires mis en place par la plante en réponse à différents stress liés en particulier au changement climatique.

Objectifs : Le but du stage sera de comprendre pourquoi AlphaFold-Multimer ne parvient à prédire que 30 % des partenaires.

Travail demandé : Pour cela, les surfaces d’interactions de tous les partenaires chloroplastiques déterminés expérimentalement (par double hybride) par l’équipe OGE de l’IPS2 devront être analysées. Les interfaces des partenaires prédits et non prédits par AlphaFold-Multimer devront ainsi être caractérisées par leurs propriétés physico-chimiques (hydrophobicité, potentiel électrostatique, énergie de docking) et géométriques (convexité, variance circulaire) ainsi que par leur propension à l’interaction. Mais le reste de la surface des deux partenaires devra aussi être analysé afin de déterminer si elles contiennent des zones dont les caractéristiques empêchent l’interaction.

Une fois que le travail de caractérisation sera effectué, l’étudiant devra déterminer les critères qui permettent de distinguer les partenaires prédits des partenaires non prédits par AlphaFold-Multimer. Pour cela il utilisera des méthodes de classification supervisée.

Ce travail devrait permettre d’affiner le prédiction des interactions des protéines chloroplastiques. Leur réseau d’interactions pourra alors être construit et analysé grâce à un outil développé dans l’équipe [3] afin par exemple de modéliser l’assemblage de complexes protéiques [4] tels que le nucléoide ou de rechercher des sous réseaux de protéines fortement interconnectés [5] enrichis en protéines désorganisées.