Apprentissage de fonctions de tri pour la prédiction d'interactions protéine-ARN

Résumé : Les fonctions biologiques dans la cellule mettent en jeu des interactions 3D entre protéines et ARN. Les avancées des techniques exérimentales restent insuffisantes pour de nombreuse applications. Il faut alors pouvoir prédire in silico les interactions protéine-ARN. Dans ce contexte, nos travaux sont focalisés sur la construction de fonctions de score permettant d'ordonner les solutions générées par le programme d'amarrage protéine-ARN RosettaDock. La méthodologie d'évaluation utilisée par RosettaDock impose de trouver une fonction de score s'exprimant comme une combinaison linéaire de mesures physicochimiques. Avec une approche d'apprentissage supervisé par algorithme génétique, nous avons appris différentes fonctions de score en imposant des contraintes sur la nature des poids recherchés. Les résultats obtenus montrent l'importance de la signification des poids à apprendre et de l'espace de recherche associé.
Document type :
Conference papers
Complete list of metadatas

Cited literature [9 references]  Display  Hide  Download

https://hal.inria.fr/hal-01016683
Contributor : Julie Bernauer <>
Submitted on : Tuesday, September 24, 2019 - 9:29:26 AM
Last modification on : Wednesday, September 25, 2019 - 1:26:51 AM

File

1001960.pdf
Publisher files allowed on an open archive

Identifiers

  • HAL Id : hal-01016683, version 1

Citation

Adrien Guilhot-Gaudeffroy, Jérôme Azé, Julie Bernauer, Christine Froidevaux. Apprentissage de fonctions de tri pour la prédiction d'interactions protéine-ARN. EGC: Extraction et Gestion des Connaissances, Jan 2014, Rennes, France. pp.479-484. ⟨hal-01016683⟩

Share

Metrics

Record views

450

Files downloads

161