Parapred : prédiction du paratope d'anticorps à l'aide de réseaux de neurones convolutifs et récurrents

Motivation : Les anticorps jouent un rôle essentiel dans le système immunitaire des vertébrés et constituent des outils puissants en recherche et en diagnostique. Bien que les régions hypervariables des anticorps, responsables de la reconnaissance antigénique, puissent être facilement identifiées à partir de leur séquence d’acides aminés, il reste difficile de déterminer précisément quels acides aminés seront en contact direct avec l’antigène (le paratope). Résultats : Dans ce travail, nous présentons un algorithme probabiliste basé sur les séquences et fondé sur l’apprentissage automatique pour la prédiction du paratope, nommé Parapred. Parapred utilise une architecture d’apprentissage profond pour exploiter des caractéristiques provenant à la fois des environnements locaux des résidus et de toute la séquence. Cette méthode représente une amélioration significative par rapport aux approches actuelles de pointe, et ne nécessite comme entrée qu’un fragment de séquence d’acides aminés correspondant à une région hypervariable, sans aucune information préalable sur l’antigène. Nous démontrons également que nos prédictions peuvent améliorer à la fois la vitesse et la précision d’un algorithme de docking rigide. Disponibilité et implémentation : La méthode Parapred est disponible gratuitement sous forme de serveur web à l’adresse http://www-mvsoftware.ch.cam.ac.uk/ et peut être téléchargée depuis https://github.com/eliberis/parapred. Contact : [email protected] ou [email protected] Informations complémentaires : Les informations complémentaires sont disponibles en ligne sur Bioinformatics.