Machine learning for determining continuous conformational transitions of biomolecular complexes from single-particle cryo-electron microscopy images

Apprentissage automatique pour la détermination des transitions conformationnelles continues de complexes biomoléculaires à partir des images de cryo microscopie électronique

Ilyes Hamitouche (1)

1 IMPMC - Institut de minéralogie, de physique des matériaux et de cosmochimie

During my thesis, I developed three methods based on deep learning to extract continuous conformational variability of biomolecular complexes from single-particle cryo electron microscopy images. The following three methods are described in this thesis manuscript, along with their results on test data: supervised DeepHEMNMA, supervised Cryo-VIT, and unsupervised Cryo-VIT. DeepHEMNMA is a fast conformational space determination method that uses a convolutional neural network to accelerate a previously developed method for continuous conformational analysis, HEMNMA , which combines a motion simulation computed by normal mode analysis (NMA) with an image processing approach. In contrast to DeepHEMNMA, the Cryo-ViT approaches learn to match each image to a large number of atomic coordinates using a variational autoencoder.

Au cours de mon travail de thèse, j'ai développé trois méthodes basées sur l'apprentissage profond pour extraire la variabilité conformationnelle continue des complexes biomoléculaires à partir d’images de cryo microscopie électronique de particules isolées. Les trois méthodes suivantes sont décrites dans ce manuscrit de thèse, ainsi que leurs résultats sur des données de test : DeepHEMNMA supervisée, Cryo-VIT supervisée, et Cryo-VIT non supervisée. DeepHEMNMA est une méthode de détermination rapide de l'espace conformationnel qui utilise un réseau de neurones convolutifs pour accélérer une méthode précédemment développée pour l'analyse conformationnelle continue, HEMNMA , qui combine une simulation du mouvement calculée par l'analyse des modes normaux (NMA) avec une approche de traitement d'image. Contrairement à DeepHEMNMA, les approches Cryo-ViT apprennent à faire correspondre chaque image à un grand nombre de coordonnées atomiques à l'aide d'un autoencodeur variationnel.

Mots clés: Conformational heterogeneity; Cryo electron microscopy; Deep leaning; Biomolecules

Mots clés: Hétérogénéité conformationnelle; Cryo-microscopie électronique; Apprentissage automatique; Biomolécules

Domaines: Bio-informatique [q-bio.QM]; Apprentissage [cs.LG]; Traitement des images [eess.IV]

Ilyes Hamitouche. Machine learning for determining continuous conformational transitions of biomolecular complexes from single-particle cryo-electron microscopy images. Bioinformatics [q-bio.QM]. Sorbonne Université (Paris), 2023. English. ⟨NNT : 2023SORUS047⟩. ⟨tel-04521743⟩