Terminé · 2026Completed · 2026

Remettre en service un classifieur de maillages 3D, PLO3S

Bring a 3D mesh classifier back into service, PLO3S

Usage

Use

Reconnaître des ressemblances locales de surface pour identifier des homologues distants, dont la séquence a divergé mais dont la forme s'est conservée.

Recognising local surface similarities to identify distant homologues, whose sequence has diverged but whose shape is conserved.

Résultat

Outcome

Le logiciel s'exécute de bout en bout : 1,1 To traités, vingt millions de paires comparées en cinq jours, résultats reproductibles, voir CHANGELOG.

The software runs end to end: 1.1 TB processed, twenty million pairs compared in five days, reproducible results, see CHANGELOG.

But

Goal

Remettre à plat et en exécution le logiciel d'origine, le rendre reproductible, et lui faire traiter un jeu qu'il ne pouvait pas charger en mémoire.

Rebuilding the original tool, getting it to run, making it reproducible, and having it process a dataset it could not load into memory.

Départ

Starting point

Logiciel académique publié, code public, absence de reproductibilité.

Published academic software, public code, not reproducible.

Domaine

Field

Vision par ordinateur appliquée aux protéines 3D.

Computer vision applied to 3D proteins.

Collaboration

Collaboration

Matthieu Montès (CQSB, Sorbonne Université), Nathalie Lagarde (GBCM, Cnam). Projet ANR GRADIENT.

Matthieu Montès (CQSB, Sorbonne Université), Nathalie Lagarde (GBCM, Cnam). Projet ANR GRADIENT.

PLO3S. Méthode d'origine : doi.org/10.1016/j.csbj.2023.12.002. Code d'origine : github.com/Lea1453/PLO3S. Réécriture menée au Cnam, publication en préparation. Dépôt de mes travaux : dépôt privé pour l'instant.

PLO3S. Original method: doi.org/10.1016/j.csbj.2023.12.002. Original code: github.com/Lea1453/PLO3S. Rewrite carried out at Cnam, paper in preparation. Repository for my own work: private for now.

Terminé · 2024-2026Completed · 2024-2026

Campagnes de benchmarking internationales · protein shape retrieval

International benchmarking campaigns · protein shape retrieval

Usage

Use

Classer des protéines par leur forme pour retrouver des familles que la séquence ne révèle pas.

Classifying proteins by shape to recover families that sequence does not reveal.

Résultat

Outcome

Protocole, jeu de référence et métriques publiés en accès libre.

Protocol, reference set and metrics published open access.

But

Goal

Évaluer des méthodes, avec et sans apprentissage automatique, sur un jeu de référence commun, pour identifier leurs forces et leurs faiblesses.

Evaluating methods, with and without machine learning, on a shared reference set, to identify their strengths and weaknesses.

Participants

Participants

Neuf équipes en Allemagne, Chine, États-Unis, France, Italie et Japon, dont un éditeur logiciel industriel.

Nine teams in China, France, Germany, Italy, Japan and the United States, one of them an industrial software vendor.

Domaine

Field

Vision par ordinateur appliquée aux protéines 3D.

Computer vision applied to 3D proteins.

1. SHREC 25 : reconnaissance de formes de surfaces protéiques, potentiel électrostatique compris
2. SHREC 25: protein surface shape retrieval including electrostatic potential
3. SHREC 24 : complémentarité de formes dans les interactions protéine-protéine
4. SHREC 24: complementary shape retrieval in protein-protein interactions

SHREC 2025, Computers & Graphics 132, 104394 (2025), auteur correspondant : doi.org/10.1016/j.cag.2025.104394. SHREC 2024, 3DOR / Eurographics, premier auteur, 52 cas de référence.

SHREC 2025, Computers & Graphics 132, 104394 (2025), corresponding author: doi.org/10.1016/j.cag.2025.104394. SHREC 2024, 3DOR / Eurographics, first author, 52 reference cases.

Terminé · Encadrement · 2026Completed · Supervision · 2026

Une autre façon de comparer deux formes protéiques

Another way to compare two protein shapes

Usage

Use

Reconnaître des ressemblances locales de surface pour identifier des homologues distants, dont la séquence a divergé mais dont la forme s'est conservée.

Recognising local surface similarities to identify distant homologues, whose sequence has diverged but whose shape is conserved.

Méthode

Method

Comparaison directe des formes, sans mise à plat préalable, et sans se limiter à un seul descripteur.

Shapes compared directly, with no flattening step, and without being tied to a single descriptor.

But

Goal

Devenir la nouvelle méthode de référence, plus fine sur la discrimination et la reconnaissance locale.

Become the new reference method, finer at discrimination and local recognition.

Collaboration

Collaboration

Matthieu Montès (CQSB, Sorbonne Université) et Moine Satouri (doctorant, CQSB, Sorbonne Université)

Matthieu Montès (CQSB, Sorbonne University) and Moine Satouri (PhD student, CQSB, Sorbonne University)

Domaine

Field

Vision par ordinateur et IA appliquées aux protéines 3D.

Computer vision and AI applied to 3D proteins.

DOTSS. Manuscrit en préparation.

DOTSS. Manuscript in preparation.

Publié · depuis 2021Published · since 2021

Construire un ARN en reliant les bons nucléotides, parmi un nombre explosif de combinaisons

Build an RNA by linking the right nucleotides, among an explosive number of combinations

Usage

Use

Concevoir des ligands ARN fragment par fragment, y compris sur des protéines qui ne lient pas l'ARN nativement, comme alternative immunologique aux anticorps.

Designing RNA ligands fragment by fragment, including on proteins that do not natively bind RNA, as an immunological alternative to antibodies.

Résultat

Outcome

Coût proportionnel au nombre de candidats au lieu d'exploser, optimum retrouvé 97 à 100 fois sur 100 pour une tolérance fixée à 1 %.

Cost proportional to the number of candidates instead of exploding, optimum recovered in 97 to 100 runs out of 100 for a tolerance set at 1%.

But

Goal

Contourner le goulot de l'énumération brute, qui devient impraticable dès que le problème grandit.

Getting around the brute-force enumeration bottleneck, which becomes impractical as soon as the problem grows.

Domaine

Field

Algorithmique combinatoire appliquée aux fragments nucléotidiques commerciaux, standards et modifiés chimiquement.

Combinatorial algorithmics applied to commercial nucleotide fragments, standard and chemically modified.

Collaboration

Collaboration

Isaure Chauvot de Beauchêne (LORIA, Inria Nancy), Yann Ponty (LIX, CNRS), Fabrice Leclerc (I2BC, CNRS). Travaux financés par la Fondation Vaincre Alzheimer.

Isaure Chauvot de Beauchêne (LORIA, Inria Nancy), Yann Ponty (LIX, CNRS), Fabrice Leclerc (I2BC, CNRS). Travaux financés par la Fondation Vaincre Alzheimer.

ColorDocking. RECOMB 2024, LNCS 14758, Springer, premier auteur : doi.org/10.1007/978-1-0716-3989-4_10. Code : gitlab.com/ycbtaher/colordocking, dépôt actif ; gitlab.inria.fr/amibio/colordocking, dépôt institutionnel non maintenu.

ColorDocking. RECOMB 2024, LNCS 14758, Springer, first author: doi.org/10.1007/978-1-0716-3989-4_10. Code: gitlab.com/ycbtaher/colordocking, active repository; gitlab.inria.fr/amibio/colordocking, institutional repository, no longer maintained.

Contribution extérieure · depuis 2021Outside contribution · since 2021

Concevoir un aptamère thérapeutique sélectif et non invasif contre la maladie d'Alzheimer

Design a selective, non-invasive therapeutic aptamer against Alzheimer's disease

Usage

Use

Concevoir des molécules qui agissent sur BACE1, cible de la maladie d'Alzheimer, sans toucher BACE2.

Design molecules that act on BACE1, a target in Alzheimer's disease, without touching BACE2.

Résultat

Outcome

Carte des contacts du site actif séparant BACE1 de BACE2, qui signalait Gly11 et Tyr71 comme porteurs de la sélectivité. Le manuscrit en cours le confirme et le quantifie.

A map of active-site contacts separating BACE1 from BACE2, which flagged Gly11 and Tyr71 as carrying selectivity. The manuscript in progress confirms and quantifies it.

But 1

Goal 1

Établir les déterminants physicochimiques de la sélectivité entre deux homologues partageant plus de 90 % d'identité de séquence.

Establish the physicochemical determinants of selectivity between two homologues sharing over 90% sequence identity.

But 2

Goal 2

Conception de ligands spécifiques pour l'assistance au design d'une molécule thérapeutique en phase préclinique, en collaboration avec les chimistes et les biologistes.

Design of specific ligands to support the design of a therapeutic molecule in the preclinical phase, in collaboration with chemists and biologists.

Collaboration

Collaboration

Fabrice Leclerc et Marion Nabeneza-Lauret (UMR9187, Institut Curie)

Fabrice Leclerc et Marion Nabeneza-Lauret (UMR9187, Institut Curie)

Rôle

Role

Contributeur, en appui scientifique.

Contributor, in a scientific support role.

Domaine

Field

Chimie médicinale et modélisation moléculaire.

Medicinal chemistry and molecular modelling.

Préprint : doi.org/10.26434/chemrxiv.15005662. Manuscrit en cours, deuxième auteur.

Preprint: doi.org/10.26434/chemrxiv.15005662. Manuscript in progress, second author.