Développement d’un système d'extraction de motifs spatiaux à partir des structures protéiques

Ce travail s'inscrit dans le domaine de la bioinformatique, une discipline multidisciplinaire qui combine biologie et technologies de l'information. Il s'intéresse à l'extraction de motifs spatiaux à partir des structures protéiques, un enjeu important pour mieux comprendre la fonction et l'évolution des protéines. Cette étude sera particulièrement utile aux étudiants et chercheurs débutants en bioinformatique, en biologie structurale et en fouille de données biologiques.

La question

Le projet vise à résoudre un problème clé en bioinformatique : comment extraire efficacement des motifs spatiaux conservés dans les structures tridimensionnelles des protéines. Ces motifs, ou patterns, sont des éléments récurrents qui ont été préservés au cours de l'évolution et qui permettent de regrouper les protéines en familles fonctionnelles ou structurelles, de classifier de nouvelles protéines et de mieux comprendre leurs fonctions biologiques. Le défi majeur est que les données biologiques, notamment les structures protéiques, sont volumineuses et complexes, rendant leur analyse manuelle ou par des méthodes simples inefficace et coûteuse.

Concepts de base

Pour comprendre ce travail, il est essentiel de connaître quelques notions fondamentales :

• Protéines : Ce sont des polymères constitués d'acides aminés, eux-mêmes composés d'atomes. Chaque acide aminé est représenté par une lettre (par exemple, alanine = A, cystéine = C, etc.).
• Structure primaire : C'est la séquence linéaire des acides aminés dans une protéine, représentée par une chaîne de caractères. Elle ne prend pas en compte la forme spatiale de la protéine.
• Structure secondaire et tertiaire : Ces structures décrivent la forme géométrique tridimensionnelle de la chaîne d'acides aminés. La structure secondaire correspond à des motifs locaux (hélices, feuillets), tandis que la structure tertiaire décrit la forme globale. Ces structures peuvent être modélisées par des graphes où les nœuds représentent les acides aminés et les arcs les liaisons entre eux.
• Motifs ou patterns : Ce sont des sous-structures répétées et conservées dans les protéines, importantes pour leur fonction et leur classification.
• Fouille de données biologiques : Technique permettant d'explorer rapidement et efficacement de grands volumes de données biologiques pour en extraire des informations pertinentes.

Approche

Le projet développe un système d'extraction de motifs spatiaux basé sur une extension de l'algorithme KMR. Cet algorithme identifie des mots répétés dans des chaînes de caractères, des arbres ou des tableaux, en s'appuyant sur la notion de classes d'équivalence. Deux positions i et j dans une chaîne sont dites k-équivalentes si les sous-chaînes de longueur k à partir de ces positions sont identiques.

Dans ce travail, l'algorithme KMR est adapté pour traiter des graphes représentant les structures secondaires et tertiaires des protéines, plutôt que de simples séquences linéaires. La méthode consiste à :

• Générer des graphes des acides aminés à partir des coordonnées atomiques dans l'espace, prenant en compte non seulement les liens de la structure primaire mais aussi les relations spatiales apportées par les structures secondaires.
• Définir une relation d'équivalence Ek sur ces graphes, représentée par un vecteur Vk où chaque composante correspond à une classe d'équivalence d'une position dans la séquence.
• Fusionner les nœuds ayant un voisin commun dans la séquence primaire.
• Utiliser des piles P et Q pour regrouper les positions appartenant à la même classe d'équivalence et propager ces classes à leurs successeurs dans le graphe.
• Déterminer les classes qui correspondent à des motifs lorsque celles-ci ne sont plus utilisées pour construire des classes d'ordre supérieur, c’est-à-dire lorsque les piles associées n’interviennent plus dans la construction de nouvelles classes.
• Élaguer les sous-motifs redondants pour ne conserver que les motifs les plus significatifs.

Cette approche permet d'extraire des motifs sous forme de graphes, plus riches que ceux issus uniquement des séquences primaires.

Résultats

Le système a été testé sur des données réelles comprenant 101 protéines de la famille Actinobacteria et 70 protéines de la famille Viridiplantae, issues de fichiers PDB. Les résultats montrent que :

• L'extraction de motifs à partir des graphes des structures secondaires et tertiaires donne des motifs plus longs et plus discriminants que ceux extraits uniquement des séquences primaires.
• La classification des protéines basée sur ces motifs spatiaux est plus performante. Par exemple, avec différents classifieurs (C4.5, SVM, réseaux de neurones), le taux de bonne classification est systématiquement plus élevé pour la représentation en graphe que pour la séquence linéaire :

Classifieur	Représentation de la protéine	Taux de bonne classification (%)
C4.5	Graphe	88.88
	Séquence (1D)	85.38
SVM	Graphe	92.98
	Séquence (1D)	82.45
NN (réseau de neurones)	Graphe	88.30
	Séquence (1D)	78.36

Ces résultats suggèrent que l'analyse des structures tridimensionnelles par extraction de motifs spatiaux est une voie prometteuse pour la classification et l'étude des protéines.

Limitations et questions ouvertes

Le travail souligne certaines limites :

• La méthode repose sur des seuils de fréquence intra-famille et extra-famille pour décider si une classe d'équivalence est considérée comme un motif. Le choix de ces seuils influence les résultats et nécessite une optimisation.
• Le système actuel ne propose pas encore de module automatique pour déterminer les meilleurs seuils, ce qui est envisagé comme une amélioration future.
• La visualisation des motifs extraits en trois dimensions et leur localisation précise dans la structure protéique ne sont pas encore intégrées mais sont prévues comme perspectives.
• Enfin, la classification des protéines basée directement sur les motifs extraits reste à développer davantage.

Glossaire

• Acide aminé : Unité de base des protéines, représentée par une lettre.
• Classe d'équivalence : Ensemble de positions dans une séquence ou un graphe partageant une même propriété (ex. sous-chaînes identiques).
• Fouille de données : Ensemble de techniques pour extraire des informations pertinentes à partir de grands volumes de données.
• Graphe : Structure composée de nœuds (ici acides aminés) et d'arêtes (liaisons), utilisée pour modéliser la structure spatiale des protéines.
• KMR : Algorithme d'extraction de motifs basé sur les classes d'équivalence.
• Motif : Sous-structure répétée et conservée dans une séquence ou un graphe, importante pour la fonction biologique.
• Protéine : Macromolécule biologique constituée d'une chaîne d'acides aminés.
• Structure primaire : Séquence linéaire des acides aminés d'une protéine.
• Structure secondaire : Organisation locale en motifs réguliers (hélices, feuillets) dans une protéine.
• Structure tertiaire : Conformation tridimensionnelle globale d'une protéine.
• Seuil de fréquence intra-famille : Critère minimal de fréquence d'apparition d'un motif dans une famille de protéines pour être retenu.
• Seuil de fréquence extra-famille : Critère maximal de fréquence d'apparition d'un motif dans des familles différentes, utilisé pour éliminer les motifs non spécifiques.