Littérature scientifique sur le sujet « Similarité d'interaction »

Résumé Vingt-neuf parents à faible revenu et leurs nourrissons ont participé à une recherche exploratoire portant sur les interactions parent-nourrisson et décrivant le niveau d'interactions, les similarités et les différences au sein des dyades mère-nourrisson et père-nourrisson. L'échelle de mesure Nursing Child Assessment Teaching Scale, un instrument d'observation standardisé de 73 items, a été utilisée pour mesurer les interactions. Les résultats ont montré que bien que la majorité (69%) des dyades parent-nourrisson n'ont pas démontré de comportements interactifs à risque, près de 31% de l'échantillon étaient désorganisés dans leurs interactions. De plus, les résultats ont démontré que bien que les deux parents étaient sensibles et répondaient aux signaux de leurs nourrissons, les mères étaient plus aptes que les pères à répondre à la détresse de leurs nourrissons alors que les nourrissons étaient plus clairs et répondaient mieux aux pères qu'aux mères. Avec cette information, les cliniciens et les chercheurs peuvent mieux comprendre les interactions au sein du contexte familial et renforcer les programmes d'intervention visant à maintenir et à améliorer les interactions parent-nourrisson.

L'existence humaine est pleinement enchâssée dans l'environnement naturel ; les êtres humains ont une relation innée avec les êtres vivants et les éléments de la nature. Dans les domaines de l'art, du design et de l'architecture, cette relation est exprimée par le concept transhistorique de biomorphisme, par référence à une préférence ou un intérêt pour des formes organiques, inspirées du vivant, qui évoquent la nature ou des organismes naturels. Cette zoom.able présente des recherches qui appréhendent le biomorphisme souple, dans le domaine du design, comme une alternative au paradigme de la robotique souple (c'est-à-dire des robots fabriqués à partir de matériaux pliables et élastiques). Les travaux ayant porté jusqu'ici sur la robotique souple ont pour la plupart été menés dans le cadre des sciences techniques, et se sont surtout intéressés à l'amélioration des capacités des robots en imitant la physiologie et les opératiques mécaniques des organismes naturels souples. Le biomorphisme souple cherche à établir une perspective différente, contribuant à redéfinir les champs d'intérêt de ce domaine d'étude. La notion de biomorphisme souple est basée sur un principe simple : interroger ce qui se passe lorsque l'esthétique intrinsèquement organique des robots souples est soulignée et amplifiée par l'incorporation de formes, couleurs, textures et structures qui trouvent leur inspiration dans le monde biologique. Le biomorphisme souple se distingue d'autres approches de design bio-inspiré utilisées en robotique, car il s'écarte de la reproduction exacte des caractéristiques morphologiques d'un organisme donné pour favoriser les similarités avec des organismes naturels, qu'elles soient d'ordre strictement idiosyncratique ou plus généralement visuel et haptique. Au lieu de chercher à duper la confiance des utilisateur.ices en faisant passer un robot pour vrai, les éléments biomorphiques sont pensés de sorte à être incorporés pour cultiver la relation et l'empathie entre êtres humains et machines. En prenant l'apparence de la vie même sans pour autant paraître familiers, les robots conçus selon les principes du biomorphisme souple peuvent contribuer à rendre la relation humain-robot davantage plurielle et négociable, sans pour autant la modeler sur les interactions d'humain à humain ou avec certains animaux, y compris de compagnie. Les motivations artistiques qui sous-tendent le biomorphisme souple sont également marquées par une réflexion critique sur les frontières entre la nature, la technologie, leurs usages et leurs portées culturelles. Fondés sur la pratique, ces travaux réunissent des approches issues de nos ancrages disciplinaires respectifs dans les domaines de la robotique souple, du génie mécanique, de l'interaction humain-robot, de la pratique artistique et de la recherche en design. Nous avons d'abord cherché à appréhender et appliquer le biomorphisme souple à travers l'élaboration d'une série de prototypes matériels et d'objets comportementaux mis en action. Les potentialités d'interaction de ces prototypes biomorphiques souples ont été ensuite interrogées dans le cadre d'une étude physique des interactions humain-robot (Christiansen et al., 2024). Cette zoom.able s'intéresse en particulier à la manière dont la matérialité souple et le caractère biomorphologique des prototypes peuvent s'affirmer comme un terrain propice à la perception sensorielle, à d'éventuelles sensations corporelles et à différents types de savoir incarné. Si le mouvement, la sensation et la cognition artificielle font partie intégrante de la robotique et, plus largement, de son esthétique, nos travaux cherchent cependant à saisir dans quelle mesure les matériaux souples sont capables de générer leurs propres formes et relations lorsqu'ils sont intégrés à cette technologie. Enfin, nous analysons l'esthétique des robots issus du biomorphisme souple en alimentant un logiciel de génération d'image par IA avec les photographies de nos prototypes matériels et les descriptions textuelles des sources qui les ont inspirés du point de vue biomorphique. Les sorties machine qui en résultent, présentées sur la dernière couche de la zoom.able, évoquent des relations prises dans l'écheveau du vivant et mettent en question, dans une démarche autoréflexive, la réification et la remédiation des qualités biomorphiques au sein de l'espace virtuel latent de la culture visuelle globale.

Le thème général de cette thèse est le traitement de l'hétérogénéité sémantique dans les interactions humain-agent et agent-agent. Plus précisément, nous étudions le cas où un agent informatique muni d'un modèle de représentation de ses connaissances doit traiter des demandes envoyées par d'autres interlocuteurs, qu'il s'agisse d'utilisateurs humains ou d'agents informatiques.
La plupart des approches segmentent ce traitement en fonction de l'émetteur de la demande (humain ou agent). Nous pensons au contraire qu'il est possible de proposer un modèle d'interaction commun aux deux situations. Ainsi, nous présentons d'abord un algorithme d'interprétation sémantique de la commande indépendant du type d'interaction (humain-agent ou agent-agent). Cet algorithme considère le rapport entre « ce qui est compris » de la commande et « ce qui est possible » pour la machine. Ce rapport intervient dans un système de sélection de réponses basé sur une mesure de degré de relation sémantique. Nous proposons ensuite une telle mesure, conçue pour prendre en compte plus d'informations que la plupart des mesures actuelles.
Nous étudions ensuite les implémentations que nous avons faites dans les cadres humain-agent et agent-agent. Pour l'implémentation humain-agent, l'une des spécificités est l'utilisation d'une langue naturelle, impliquant le besoin d'utiliser des outils de modélisation de la langue. Pour l'implémentation agent-agent, nous proposerons une adaptation de notre architecture, en s'appuyant sur des protocoles d'interactions entre agents.

Les récepteurs couplés aux protéines G représentent l'une des familles de protéines les plus importantes pour la découverte de médicaments. Les techniques de conception de médicaments assistée par ordinateur ont été largement appliquées pour cibler les membres de cette famille, conduisant à la découverte de multiples molécules bioactives. Cette thèse décrit le développement, le test et l'application de différents outils informatiques et d'apprentissage automatique pour aider à la découverte de nouveaux composés présentant un profil pharmacologique souhaité. Divers aspects du processus de découverte de médicaments in silico ont été abordés dans ce travail, depuis la modélisation d'une protéine cible jusqu'à l'évaluation systématique des molécules identifiées par criblage virtuel
G-protein coupled receptor represent one of the most important protein families for drug discovery. Computer aided drug design techniques have been extensively applied to target members of this family, leading to the discovery of multiple bioactive molecules. This thesis describes the development, testing, and application of different computational and machine learning tools to assist in the discovery of new compounds with a desired pharmacological profile. Different aspects of the in silico drug discovery pipeline were covered in this work, from the modelling of a target protein, to the systematic evaluation of molecules identified by virtual screening

Un médicament, ou tout autre petite molécule biologique, agit sur l’organisme via des interactions chimiques qui se produisent avec d’autres macromolécules telles que les protéines qui régissent le fonctionnement des cellules. La détermination de l’ensemble des cibles, c’est à dire de l’ensemble des macromolécules susceptibles de lier une même molécule, est essentielle pour mieux comprendre les mécanismes moléculaires à l’origine des effets d’un médicament. Cette connaissance permettrait en effet de guider la conception d’un composé pour éviter au mieux les effets secondaires indésirables, ou au contraire découvrir de nouvelles applications à des molécules connues. Les avancées de la biologie structurale nous permettent maintenant d’avoir accès à un très grand nombre de structures tridimensionnelles de protéines impliquées dans ces interactions, ce qui motive l’utilisation d’outils in silico (informatique) pour complémenter ou guider les expériences in vitro ou in vivo plus longues et plus chères.La thèse s’inscrit dans le cadre d’une collaboration entre le laboratoire DAVID de l’Université de Versailles-Saint-Quentin, et l’entreprise Bionext SA qui propose une suite logicielle permettant de visualiser et d’étudier les interactions chimiques. Les travaux de recherches ont pour objectif de développer un algorithme permettant, à partir des données structurales des protéines, de déterminer des cibles potentielles pour un composé donné. L’approche choisie consiste à utiliser la connaissance d’une première interaction entre un composé et une protéine afin de rechercher par similarité d’autres protéines pour lesquelles on peut inférer la capacité à se lier avec le même composé. Il s’agit plus précisément de rechercher une similarité locale entre un motif donné, qui est la région permettant à la cible connue de lier le composé, et un ensemble de protéines candidates.Un algorithme a été développé, BioBind, qui utilise un modèle des surfaces des macromolécules issu de la théorie des formes alpha afin de modéliser la surface accessible ainsi qu’une topologie sur cette surface permettant la définition de régions en surface. Afin de traiter le problème de la recherche d’un motif en surface, une heuristique est utilisée consistant à définir des motifs réguliers qui sont une approximation de disques géodésiques et permettant un échantillonnage exhaustif à la surface des macromolécules. Ces régions circulaires sont alors étendues à l’ensemble du motif recherché afin de déterminer une mesure de similarité.Le problème de la prédiction de cibles est ramené à un problème de classification binaire, où il s’agit pour un ensemble de protéines données de déterminer lesquelles sont susceptibles d’interagir avec le composé considéré, par similarité avec la première cible connue. Cette formalisation permet d’étudier les performances de notre approche, ainsi que de la comparer avec d’autres approches sur différents jeux de données. Nous utilisons pour cela deux jeux de données issus de la littérature ainsi qu’un troisième développé spécifiquement pour cette problématique afin d’être plus représentatif des molécules pertinentes du point de vue pharmacologique, c’est-à-dire ayant des propriétés proches des médicaments. Notre approche se compare favorablement sur ces trois jeux de données par rapport à une autre approche de prédiction par similarité, et plus généralement notre analyse confirme que les approches par docking (amarrage) sont moins performantes que les approches par similarité pour le problème de la prédiction de cibles
The action of a drug, or another small biomolecule, is induced by chemical interactions with other macromolecules such as proteins regulating the cell functions. The determination of the set of targets, the macromolecules that could bind the same small molecule, is essential in order to understand molecular mechanisms responsible for the effects of a drug. Indeed, this knowledge could help the drug design process so as to avoid side effects or to find new applications for known drugs. The advances of structural biology provides us with three-dimensional representations of many proteins involved in these interactions, motivating the use of in silico tools to complement or guide further in vitro or in vivo experiments which are both more expansive and time consuming.This research is conducted as part of a collaboration between the DAVID laboratory of the Versailles-Saint-Quentin University, and Bionext SA which offers a software suite to visualize and analyze chemical interactions between biological molecules. The objective is to design an algorithm to predict these interactions for a given compound, using the structures of potential targets. More precisely, starting from a known interaction between a drug and a protein, a new interaction can be inferred with another sufficiently similar protein. This approach consists in the search of a given pattern, the known binding site, across a collection of macromolecules.An algorithm was implemented, BioBind, which rely on a topological representation of the surface of the macromolecules based on the alpha shapes theory. Our surface representation allows to define a concept of region of any shape on the surface. In order to tackle the search of a given pattern region, a heuristic has been developed, consisting in the definition of regular region which is an approximation of a geodesic disk. This circular shape allows for an exhaustive sampling and fast comparison, and any circular region can then be extended to the actual pattern to provide a similarity evaluation with the query binding site.The target prediction problem is formalized as a binary classification problem, where a set of macromolecules is being separated between those predicted to interact and the others, based on their local similarity with the known target. With this point of view, classic metrics can be used to assess performance, and compare our approach with others. Three datasets were used, two of which were extracted from the literature and the other one was designed specifically for our problem emphasizing the pharmacological relevance of the chosen molecules. Our algorithm proves to be more efficient than another state-of-the-art similarity based approach, and our analysis confirms that docking software are not relevant for our target prediction problem when a first target is known, according to our metric

Un médicament, ou tout autre petite molécule biologique, agit sur l’organisme via des interactions chimiques qui se produisent avec d’autres macromolécules telles que les protéines qui régissent le fonctionnement des cellules. La détermination de l’ensemble des cibles, c’est à dire de l’ensemble des macromolécules susceptibles de lier une même molécule, est essentielle pour mieux comprendre les mécanismes moléculaires à l’origine des effets d’un médicament. Cette connaissance permettrait en effet de guider la conception d’un composé pour éviter au mieux les effets secondaires indésirables, ou au contraire découvrir de nouvelles applications à des molécules connues. Les avancées de la biologie structurale nous permettent maintenant d’avoir accès à un très grand nombre de structures tridimensionnelles de protéines impliquées dans ces interactions, ce qui motive l’utilisation d’outils in silico (informatique) pour complémenter ou guider les expériences in vitro ou in vivo plus longues et plus chères. La thèse s’inscrit dans le cadre d’une collaboration entre le laboratoire DAVID de l’Université de Versailles-Saint-Quentin, et l’entreprise Bionext SA qui propose une suite logicielle permettant de visualiser et d’étudier les interactions chimiques. Les travaux de recherches ont pour objectif de développer un algorithme permettant, à partir des données structurales des protéines, de déterminer des cibles potentielles pour un composé donné. L’approche choisie consiste à utiliser la connaissance d’une première interaction entre un composé et une protéine afin de rechercher par similarité d’autres protéines pour lesquelles on peut inférer la capacité à se lier avec le même composé. Il s’agit plus précisément de rechercher une similarité locale entre un motif donné, qui est la région permettant à la cible connue de lier le composé, et un ensemble de protéines candidates.Un algorithme a été développé, BioBind, qui utilise un modèle des surfaces des macromolécules issu de la théorie des formes alpha afin de modéliser la surface accessible ainsi qu’une topologie sur cette surface permettant la définition de régions en surface. Afin de traiter le problème de la recherche d’un motif en surface, une heuristique est utilisée consistant à définir des motifs réguliers qui sont une approximation de disques géodésiques et permettant un échantillonnage exhaustif à la surface des macromolécules. Ces régions circulaires sont alors étendues à l’ensemble du motif recherché afin de déterminer une mesure de similarité.Le problème de la prédiction de cibles est ramené à un problème de classification binaire, où il s’agit pour un ensemble de protéines données de déterminer lesquelles sont susceptibles d’interagir avec le composé considéré, par similarité avec la première cible connue. Cette formalisation permet d’étudier les performances de notre approche, ainsi que de la comparer avec d’autres approches sur différents jeux de données. Nous utilisons pour cela deux jeux de données issus de la littérature ainsi qu’un troisième développé spécifiquement pour cette problématique afin d’être plus représentatif des molécules pertinentes du point de vue pharmacologique, c’est-à-dire ayant des propriétés proches des médicaments. Notre approche se compare favorablement sur ces trois jeux de données par rapport à une autre approche de prédiction par similarité, et plus généralement notre analyse confirme que les approches par docking (amarrage) sont moins performantes que les approches par similarité pour le problème de la prédiction de cibles
The action of a drug, or another small biomolecule, is induced by chemical interactions with other macromolecules such as proteins regulating the cell functions. The determination of the set of targets, the macromolecules that could bind the same small molecule, is essential in order to understand molecular mechanisms responsible for the effects of a drug. Indeed, this knowledge could help the drug design process so as to avoid side effects or to find new applications for known drugs. The advances of structural biology provides us with three-dimensional representations of many proteins involved in these interactions, motivating the use of in silico tools to complement or guide further in vitro or in vivo experiments which are both more expansive and time consuming.This research is conducted as part of a collaboration between the DAVID laboratory of the Versailles-Saint-Quentin University, and Bionext SA which offers a software suite to visualize and analyze chemical interactions between biological molecules. The objective is to design an algorithm to predict these interactions for a given compound, using the structures of potential targets. More precisely, starting from a known interaction between a drug and a protein, a new interaction can be inferred with another sufficiently similar protein. This approach consists in the search of a given pattern, the known binding site, across a collection of macromolecules.An algorithm was implemented, BioBind, which rely on a topological representation of the surface of the macromolecules based on the alpha shapes theory. Our surface representation allows to define a concept of region of any shape on the surface. In order to tackle the search of a given pattern region, a heuristic has been developed, consisting in the definition of regular region which is an approximation of a geodesic disk. This circular shape allows for an exhaustive sampling and fast comparison, and any circular region can then be extended to the actual pattern to provide a similarity evaluation with the query binding site.The target prediction problem is formalized as a binary classification problem, where a set of macromolecules is being separated between those predicted to interact and the others, based on their local similarity with the known target. With this point of view, classic metrics can be used to assess performance, and compare our approach with others. Three datasets were used, two of which were extracted from the literature and the other one was designed specifically for our problem emphasizing the pharmacological relevance of the chosen molecules. Our algorithm proves to be more efficient than another state-of-the-art similarity based approach, and our analysis confirms that docking software are not relevant for our target prediction problem when a first target is known, according to our metric

Résumé : Les méthodes de détection de similarités de sites de liaison servent entre autres à la prédiction de fonction et à la prédiction de cibles croisées. Ces méthodes peuvent aider à prévenir les effets secondaires, suggérer le repositionnement de médicament existants, identifier des cibles polypharmacologiques et des remplacements bio-isostériques. La plupart des méthodes utilisent des représentations basées sur les atomes, même si les champs d’interaction moléculaire (MIFs) représentent plus directement ce qui cherche à être identifié. Nous avons développé une méthode bio-informatique, IsoMif, qui détecte les similarités de MIF entre différents sites de liaisons et qui ne nécessite aucun alignement de séquence ou de structure. Sa performance a été comparée à d’autres méthodes avec des bancs d’essais, ce qui n’a jamais été fait pour une méthode basée sur les MIFs. IsoMif performe mieux en moyenne et est plus robuste. Nous avons noté des limites intrinsèques à la méthodologie et d’autres qui proviennent de la nature. L’impact de choix de conception sur la performance est discuté. Nous avons développé une interface en ligne qui permet la détection de similarités entre une protéine et différents ensembles de MIFs précalculés ou à des MIFs choisis par l’utilisateur. Des sessions PyMOL peuvent être téléchargées afin de visualiser les similarités identifiées pour différentes interactions intermoléculaires. Nous avons appliqué IsoMif pour identifier des cibles croisées potentielles de drogues lors d’une analyse à large échelle (5,6 millions de comparaisons). Des simulations d’arrimage moléculaire ont également été effectuées pour les prédictions significatives. L’objectif est de générer des hypothèses de repositionnement et de mécanismes d’effets secondaires observés. Plusieurs exemples sont présentés à cet égard.
Abstract : Methods that detect binding site similarities between proteins serve for the prediction of function and the identification of potential off-targets. These methods can help prevent side-effects, suggest drug repurposing and polypharmacological strategies and suggest bioisosteric replacements. Most methods use atom-based representations despite the fact that molecular interaction fields (MIFs) represents more closely the nature of what is meant to be identified. We developped a computational algorithm, IsoMif, that detects MIF similarities between binding sites. We benchmark IsoMif to other methods which has not been previously done for a MIF-based method. IsoMif performed best in average and more consistently accross datasets. We highlight limitations intrinsic to the methodology or to nature. The impact of design choices on performance is discussed. We built a freely available web interface that allows the detection of similarities between a protein and pre-calculated MIFs or user defined MIFs. PyMOL sessions can be downloaded to visualize similarities for the different intermolecular interactions. IsoMif was applied for a large-scale analysis (5,6 millions of comparisons) to predict offtargets of drugs. Docking simulations of the drugs in the binding site of their top hits were performed. The primary objective is to generate hypotheses that can be further investigated and validated regarding drug repurposing opportunities and side-effect mechanisms.