Analyse et exploitation des données associées aux variants d’IgG décrits dans les brevets : paysage brevet des variants d'anticorps IgG4 à activité antagoniste et mise au point d'un modèle de prédiction d'affinité pour FcRn par apprentissage machine
Auteur / Autrice : | Christophe Dumet |
Direction : | Hervé Watier |
Type : | Thèse de doctorat |
Discipline(s) : | Sciences de la vie et de la santé |
Date : | Soutenance le 12/06/2020 |
Etablissement(s) : | Tours |
Ecole(s) doctorale(s) : | École doctorale Santé, Sciences Biologiques et Chimie du Vivant (Centre-Val de Loire) |
Partenaire(s) de recherche : | Laboratoire : Groupe Innovation et Ciblage Cellulaire (Tours) |
Jury : | Président / Présidente : Anne Poupon |
Examinateurs / Examinatrices : Valérie Gouilleux-Gruart, Christophe de Romeuf | |
Rapporteurs / Rapporteuses : Pierre Martineau, Christophe Sirac |
Mots clés
Résumé
La compétition technologique qui accompagne le succès des anticorps thérapeutiques se traduit par de multiples améliorations portant sur les domaines constants d’IgG. L’énorme quantité de données scientifiques et juridiques soulève la double question de leur analyse et de leur exploitation. Dans le but de dresser un état de l’art exhaustif des variants d’IgG, nous avons établi un paysage brevet des technologies d’ingénierie des IgG4, applicables au développement d’un anticorps purement antagoniste. De nombreux variants ayant été conçus pour moduler la liaison pour le FcRn, nous avons donc entrepris de mettre au point un algorithme d’apprentissage automatique permettant de prédire l’affinité du complexe Fc/FcRn qui exploite ces données. Nous avons modélisé ces variants puis calculé des descripteurs d’interface afin de constituer un set d’entraînement. Nous décrivons les performances de l’algorithme d’apprentissage, que nous avons appliqué à plus de 18000 variants aléatoires, parmi lesquels nous en avons produit et testé trois afin de comparer la prédiction in silico à l’affinité expérimentale.