Développement de nouvelles approches informatiques basées sur l’évolution artificielle massivement parallèle pour une meilleure exploitation des données obtenues en spectrométrie de masse

Au sein de notre laboratoire, nous développons de nouvelles approches de spectrométrie de masse pour identifier de nouvelles cibles (protéines) potentielles de médicaments en comparant notamment les protéomes issus de cellules pathogènes et non pathogènes. Dans ce contexte, nous avons mis au point des protocoles de spectrométrie de masse pour accéder à une caractérisation complète des protéines d’intérêt. Pour la majorité des protéines étudiées, l’amélioration des données devrait permettre d’accéder à plus 90 % de leur séquence en acides aminés et de leurs modifications post-traductionnelles (glycosylations, lipidations, oxydations déamidations, mutations, dégradations, crosslinking) qui jouent un rôle majeur dans leur activité ou la modulation de leurs interactions avec les différents partenaires. Cependant, les algorithmes actuellement disponibles sont limités pour interpréter ce nouveau type de données expérimentales, car faisant principalement appel à de grosses bases de données dans lesquelles il faut retrouver les séquences cherchées, ce qui pose un problème si les séquences cherchées ne s’y trouvent pas (comme c’est le cas pour les mutations ponctuelles apparaissant chez chaque individu).

Notre objectif consiste donc aujourd’hui à développer un nouvel algorithme adapté à l’exploitation de ces nouvelles données permettant de d’obtenir une caractérisation complète de protéines qui puisse se passer de l’utilisation de bases de données. L’algorithme développé lors de ce stage utilisera les techniques d’évolution artificielle massivement parallèle développées au sein de l’équipe BFO du laboratoire ICUBE (Université de Strasbourg), dans le cadre des projets EASEA et EASEA-CLOUD pour retrouver des séquences plausibles compatibles avec les masses mesurées.

Contact