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

Adrien Guilhot-Gaudeffroy 1, 2 Jérôme Azé 1, 2, 3 Julie Bernauer 1, 4 Christine Froidevaux 1, 2
1 AMIB - Algorithms and Models for Integrative Biology
LIX - Laboratoire d'informatique de l'École polytechnique [Palaiseau], LRI - Laboratoire de Recherche en Informatique, UP11 - Université Paris-Sud - Paris 11, Inria Saclay - Ile de France
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
Liste complète des métadonnées

https://hal.inria.fr/hal-01016683
Contributor : Julie Bernauer <>
Submitted on : Tuesday, July 1, 2014 - 12:09:33 AM
Last modification on : Wednesday, March 27, 2019 - 4:41:29 PM

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. Extraction et Gestion des Connaissances, Jan 2014, Rennes, France. 2014, 〈http://editions-rnti.fr/?inprocid=1001960〉. 〈hal-01016683〉

Share

Metrics

Record views

392