BEGIN:VCALENDAR VERSION:2.0 PRODID:-//wp-events-plugin.com//7.4.5//EN TZID:Europe/Paris X-WR-TIMEZONE:Europe/Paris BEGIN:VEVENT UID:0-321@lisn.upsaclay.fr DTSTART;TZID=Europe/Paris:20251006T140000 DTEND;TZID=Europe/Paris:20251006T140000 DTSTAMP:20250925T150842Z URL:https://www.lisn.upsaclay.fr/evenements/methodes-computationnelles-bas ees-sur-lapprentissage-profond-pour-la-prediction-des-structures-3d-darn/ SUMMARY:Méthodes computationnelles basées sur l’apprentissage profond p our la prédiction des structures 3D d’ARN DESCRIPTION:Membres du jury\nM. Frédéric Cazals\, Directeur de Recherche\ , Centre Inria d’Université Côte d’Azur\, Rapporteur\nM. Pierre Geur ts\, Full professor\, Université de Liège\, Rapporteur\nM. Sebastian Kmi ecik\, Full professor\, University of Warsaw\, Rapporteur\nMme Florence D ’Alche-Buc\, Professeure\, Institut Polytechnique de Paris\, Telecom Par is\, Examinatrice\,\nM. Alain Denise\, Professeur\, Université Paris-Sacl ay\, LISN\, Examinateur\nMme Elena Rivas\, Senior Research Fellow\, Harvar d University\, Examinatrice\nM. Tomasz Zok\, Associate professor\, Poznan University of Technology\, Examinateur\nMme Marta Szachniuk\, Full profess or\, Poznan University of Technology\, Membre invitée\nRésumé\nLes ARN sont\, comme les protéines\, des molécules biologiques jouant des rôles essentiels à divers stades de la vie d’un organisme et impliqués dans diverses maladies. Déterminer leur structure\, notamment 3D\, est un enj eu essentiel pour mieux comprendre leur fonction. Récemment\, Google Deep Mind a proposé une méthode appelée AlphaFold\, pour la prédiction de l a structure 3D des protéines basée sur l’apprentissage profond\, qui a révolutionné le domaine en montrant une efficacité des prédictions tr ès largement au-dessus de l’état de l’art. Cependant\, les molécule s d’ARN et de protéines diffèrent fortement en termes de structure et de dynamique\, ce qui rend non trivial l’adaptation directe des méthode s développées pour les protéines aux ARN. AlphaFold\, AlphaFold 2\, ain si que sa nouvelle version AlphaFold 3\, qui prédit également la structu re 3D des ARN\, s’appuient fortement sur les alignements de séquences m ultiples (MSA)\, qui sont coûteux à calculer et ne sont pas toujours dis ponibles\, en particulier pour les ARN. \;\nDans cette thèse\, nous v isons à explorer la prédiction de la structure 3D de l’ARN sans utilis er l’information issue des alignements multiples. Nous cherchons à dév elopper des méthodes pour prédire les structures 3D des ARN à partir un iquement de la séquence. Pour cela\, nous utilisons des méthodes d’app rentissage profond\, et en particulier des modèles de langage\, afin de f aire le lien entre les séquences et les caractéristiques structurales. E n exploitant des modèles de langage préentraînés sur un grand nombre d e séquences d’ARN\, nous pouvons apprendre des représentations riches des caractéristiques structurales de l’ARN\, et ainsi prédire leur str ucture 3D.\nLe travail de cette thèse est divisé en trois contributions principales. La première\, appelée RNAdvisor\, est un outil qui intègre les outils d’évaluation de la structure 3D des ARN les plus récents p our évaluer de manière exhaustive les structures 3D des ARN\, avec et sa ns références expérimentales. La deuxième contribution\, State-of-the- RNArt\, est un benchmark des méthodes de prédiction de la structure 3D d e l’ARN les plus récentes\, mettant en évidence les limites et les dé fis des méthodes actuelles. Elle est suivie d’une analyse plus détaill ée des limites d’AlphaFold 3\, la dernière version d’AlphaFold adapt ée à la prédiction de la structure 3D de l’ARN. La troisième contrib ution\, RNA-TorsionBERT\, est une méthode d’apprentissage profond qui p rédit les angles de torsion des structures 3D de l’ARN à partir de la séquence. Elle s’appuie sur un modèle de langage pour mettre en corres pondance les séquences avec les caractéristiques de la structure. Cette méthode est étendue à une nouvelle fonction de scoring\, TorsionBERT- M CQ\, qui permet d’évaluer la qualité des structures 3D de l’ARN dans l’espace des torsions. Ce travail constitue une étape vers le dévelop pement de méthodes d’apprentissage profond pour la prédiction de la st ructure 3D des ARN\, en utilisant uniquement des informations sur la séqu ence et sans s’appuyer sur des alignements de séquences multiples coût eux. CATEGORIES:STL,Thèses et HDR LOCATION:France X-APPLE-STRUCTURED-LOCATION;VALUE=URI;X-ADDRESS=France;X-APPLE-RADIUS=100;X -TITLE=:geo:0,0 END:VEVENT BEGIN:VTIMEZONE TZID:Europe/Paris X-LIC-LOCATION:Europe/Paris BEGIN:DAYLIGHT DTSTART:20250330T030000 TZOFFSETFROM:+0100 TZOFFSETTO:+0200 TZNAME:CEST END:DAYLIGHT END:VTIMEZONE END:VCALENDAR