Vendredi 10 mai 2019 – 15h00 -16h30
Salle SC 23.01 –  Université de Montpellier – Campus Triolet

Les récents progrès spectaculaires de l’intelligence artificielles sont souvent exclusivement associés à l’apprentissage profond. Cette présentation montre que les avancées plus discrètes, mais néanmois remarquables du « raisonnement automatique » en IA peuvent être exploitées pour contribuer au design algorithmique de nouvelles protéines (un problème difficile mais important avec de nombreuses applications dans les doamiens de la santé, de la chimie verte et des biotechnologies).

En partant de la description usuel du problème de design à partir d’un squelette protique rigide, d’une librarire de rotamères discrets et d’un champ de force décomposable (un problème décision NP-complet qui est habituellement abordé par des méthodes de type Monte Carlo),  nous verrons comment le raisonnement automatique, et plus précisément une extension de la « programmation par contraintes » est capable de résoudre des instances difficiles de design de protéines, y compris dans des formulations capturant une certaine forme de flexibilité du squelette. L’efficacité de ces techniques sur ce problème est telle qu’elles sont capables de mettre en lumière l’incapacité croissante d’une approche de type Monte Carlo pourtant spécialisée à explorer les régions de basse énergie (forte stabilité/probabilité). Pour donner plus de réalité à ces designs basés sur du raisonnement automatique, nous avons récemment contribué à la conception d’une séquence d’acide aminé qui, une fois synthétisée, se replie et s’assemble dans une protéine symétrique hyper-stable de forme attendue, appelée Ika.

Thomas Schiex is a member of the Statistics and Algorithmics for Biology team at INRA MIA Toulouse. The team develops, adapts and applies Statistical and Artificial Intelligence to problems in Genetic, Molecular and Structural Biology. In AI, Thomas is more specifically interested in solving discrete optimization problems on Graphical Models (Markov Random Fields, Bayesian Networks, Cost Function and Constraint Networks) with a recent focus on applications in Protein Design.