1 / 30

Comparaison de modèle multi-objectif pour le docking moléculaire

Comparaison de modèle multi-objectif pour le docking moléculaire. J-C. Boisson. Plan . Rappel : modèle multi-objectif choisi. Autre modèles. Comparaison d’algorithmes génétiques. Comparaison de configurations d’opérateur. Résultats. Perspectives. Plan .

blenda
Download Presentation

Comparaison de modèle multi-objectif pour le docking moléculaire

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Comparaison de modèle multi-objectif pour le docking moléculaire J-C. Boisson J-C. BOISSON Réunion Dock

  2. Plan • Rappel : modèle multi-objectif choisi. • Autre modèles. • Comparaison d’algorithmes génétiques. • Comparaison de configurations d’opérateur. • Résultats. • Perspectives. J-C. BOISSON Réunion Dock

  3. Plan • Rappel : modèle multi-objectif choisi. • Autre modèles. • Comparaison d’algorithmes génétiques. • Comparaison de configurations d’opérateur. • Résultats. • Perspectives. J-C. BOISSON Réunion Dock

  4. Un nouveau modèle tri-objectif (1/8) • Il est divisé en : • un terme énergétique  évaluation de la qualité du complexe ligand / site obtenu. • un terme géométrique  indication sur la qualité de pénétration du ligand dans le site. • Un terme de robustesse  assurance de la stabilité des complexes obtenus. A-A Tantar, N. Melab, E-G. Talbi and B. Toursel. A Parallel Hybrid Genetic Algorithm for Protein Structure Prediction on the Computational Grid. Elsevier Science, Future Generation Computer Systems, 23(3):398-409, 2007. J-C. BOISSON Réunion Dock

  5. Un nouveau modèle tri-objectif (2/8) 1. Energie du complexe ligand / site Champs de force utilisé = Consistent Valence Force Field (CVFF) J-C. BOISSON Réunion Dock

  6. Un nouveau modèle tri-objectif (3/8) 2. Surface du complexe  3 possibilités:  surface de Van Der Waals (a: blue),  surface accessible au solvant (b: red),  surface de Connolly (c: green). J-C. BOISSON Réunion Dock

  7. Un nouveau modèle tri-objectif (4/8) 2. Surface du complexe  3 possibilités:  surface de Van Der Waals,  surface accessible au solvant  surface de Connolly.  SASA Solvent Accessible Surface Area Papier original S.M. Le Grand and K.M. Merz, Jr. Rapid Approximation to Molecular Surface Area via the Use of Boolean Logic and Look-Up Tables. Journal of Computational Chemistry, 14(3):349-352 (1993). Papier plus récent utilisant SASA A. Leaver-Fay, G.L. Butterfoss, J. Snoeyink and B. Kuhlman. Maintaining solvent accessible surface area under rotamer substitution for protein design. Journal of Computational Chemistry, 28(8):1336-1341 (2007). J-C. BOISSON Réunion Dock

  8. Un nouveau modèle tri-objectif (5/8) SASA = 6201 Å2 SASA = 5548 Å2 J-C. BOISSON Réunion Dock

  9. Un nouveau modèle tri-objectif (6/8) 3. Robustesse du complexe G = J-C. BOISSON Réunion Dock

  10. Un nouveau modèle tri-objectif (7/8) :échantillonnage à base de rotations J-C. BOISSON Réunion Dock

  11. Un nouveau modèle tri-objectif (8/8) : échantillonnage à base de translations J-C. BOISSON Réunion Dock

  12. Plan • Rappel : modèle multi-objectif choisi. • Autre modèles. • Comparaison d’algorithmes génétiques. • Comparaison de configurations d’opérateur. • Résultats. • Perspectives. J-C. BOISSON Réunion Dock

  13. Modèles testés J-C. BOISSON Réunion Dock

  14. Plan • Rappel : modèle multi-objectif choisi. • Autre modèles. • Comparaison d’algorithmes génétiques. • Comparaison de configurations d’opérateur. • Résultats. • Perspectives. J-C. BOISSON Réunion Dock

  15. Non-dominated Sorting GA (NSGA-II) [Deb et al. 2002] • Assignement de la fitness, tri selon la dominance : • Population divisée selon les fronts. • Fitness (x) = indice de front auquel appartient x. • Préservation de la diversité  distance. • Sélection tournoi binaire. • Opérateurs de recombinaison et mutation. • Remplacement  les pires individus sont supprimés. • Archive élististe des meilleures solutions rencontrées 11/09/2014 J-C. BOISSON Réunion Dock 15

  16. Indicator-Based EA (IBEA)[Zitzler et al. 2004] • Assignement de la fitness selon l’indicateur de qualité Qi : • Fitness (x) = Qi (x , P\{x}) • Préservation de la diversité  aucune. • Sélection par tournoi binaire. • Opérateurs de recombinaison et mutation. • Remplacement  suppression des pires individus et mise à jour des fitness des invididus conservés. • Archive élististe des meilleures solutions rencontrées 11/09/2014 J-C. BOISSON Réunion Dock 16

  17. Résultats de comparaison (1/2) Instances de la base ccdc astex. >  meilleur <  moins bon ~  non significatif J-C. BOISSON Réunion Dock

  18. Résultats de comparaison (2/2) Instances de la base ccdc astex. Å  Angström dst  déviation standard J-C. BOISSON Réunion Dock

  19. Plan • Rappel : modèle multi-objectif choisi. • Autre modèles. • Comparaison d’algorithmes génétiques. • Comparaison de configurations d’opérateur. • Résultats. • Perspectives. J-C. BOISSON Réunion Dock

  20. Configurations d’opérateurs J-C. BOISSON Réunion Dock

  21. Plan • Rappel : modèle multi-objectif choisi. • Autre modèles. • Comparaison d’algorithmes génétiques. • Comparaison de configurations d’opérateur. • Résultats. • Perspectives. J-C. BOISSON Réunion Dock

  22. Résultats sur 6 instances • Meilleurs modèles : M4, M5, M7 et M8.  Impact positif des objectifs surface et robustesse.  Comportement équivalent CVFF et Autodock. • Meilleurs profils : P1, P5 et P6.  Apport de l’hybridation. • Globalement, la flexibilité apporte de meilleurs résultats. • RMSD moyen  2,2. J-C. BOISSON Réunion Dock

  23. Plan • Rappel : modèle multi-objectif choisi. • Autre modèles. • Comparaison d’algorithmes génétiques. • Comparaison de configurations d’opérateur. • Résultats. • Perspectives. J-C. BOISSON Réunion Dock

  24. Perspectives • Suite des tests sur la base CCDC-Astex. • Optimisation des meilleurs modèles et profils. • Hybridation avec des recherches locales multi-objectif. • Nouveaux modèles de coopération. J-C. BOISSON Roadef2008

  25. Questions ? J-C. BOISSON Roadef2008

  26. AG : codage d’un individu Site Ligand « docking complex » J-C. BOISSON Réunion Dock

  27. AG: initialisation de la population • Génération du site  le même pour tous les individus. • Génération du ligand  perturbations aléatoires d’un ligand « graine ». Combinaison de : • Rotation(s) globale(s), • Rotation(s) d’un angle de torsion  modification de conformation. J-C. BOISSON Réunion Dock

  28. AG : opérateur de croisement Parents S1 + L1 S2 + L2 Enfants S1 + L2 S2 + L1 J-C. BOISSON Roadef2008

  29. AG : opérateur de mutation Rotation d’un angle de torsion Translation Rotation J-C. BOISSON Roadef2008

  30. PARAllel and DIStributed Evolving Objects ParadisEO EO MO MOEO http://paradiseo.gforge.inria.fr/ EvolvingObject(EO), développement d’algorithme à base de population de solutions: EA, PSO.  Moving Objects (MO), mise en place de recherches locales : HC, SA, TS, ILS. Multi-Objective EO (MOEO), développement d’algorithme évolutionnaire multi-objectifs : NSGA-II, IBEA, … ParadisEO (PEO), mise en place de métaheuristiques parallèles. S. Cahon, N. Melab and E-G. Talbi, ParadisEO: A Framework for the Reusable Design of Parallel and Distributed Metaheuristics. Journal of Heuristics, vol. 10(3), pp.357-380, May 2004. A. Liefooghe, M. Basseur, L. Jourdan and E-G. Talbi. ParadisEO-MOEO: A Framework for Multi-Objective Optimization. Proceedings of EMO’2007, pages 457-471, LNCS, Springer-Verlag, 2007. J-C. BOISSON Roadef2008

More Related