Numerical modeling of olfaction

作者
Caroline Bushdid
出处
期刊:
标识
DOI:10.70675/9aceaaf9zd7ddz487cza402z0e0add2e93dd
摘要

Modèles numériques des mécanismes de l’olfaction L’homme possède ~400 gènes codant pour des récepteurs aux odorants (ROs) qui sont différentiellement activés par un espace virtuellement infini de molécules. Le code combinatoire qui résulte de cette activation permettrait au nez humain de discriminer plus de mille milliards de stimuli olfactifs différents. Mais comment le percept est-il encodé dans la structure d’une molécule ? Pour comprendre comment notre nez décrypte la structure des molécules odorantes, des modèles numériques ont été utilisés pour étudier les principaux protagonistes de l’olfaction : les ROs et les odorants. Ici, l’apprentissage automatique est utilisé pour explorer et exploiter les données déjà existantes sur les ROs. D’autre part, la modélisation moléculaire est employée pour comprendre les mécanismes qui sous-tendent la reconnaissance moléculaire. Dans cette thèse j’ai passé en revue les relations structure-odeur du point de vue d’un chimiste. J’ai ensuite développé un protocole d’apprentissage automatique, qui a été validé pour prédire de nouveaux ligands pour quatre ROs. La modélisation moléculaire a été utilisée pour comprendre la reconnaissance moléculaire des ROs. Notamment, l’existence d’un site vestibulaire conservé dans une classe de ROs a été mis en évidence et le rôle de la cavité de liaison orthostérique dans les ROs a été étudiée. L’application de ces techniques permet de moderniser la déorphanisation guidée par ordinateur. Dans sa globalité, mes travaux ont aussi permis de préparer le terrain pour tester de façon virtuelle le code combinatoire des odeurs, et pour prédire la réponse physiologique déclenchée par ces molécules. Dans son ensemble, ce travail ancre la relation structure-odeur dans l’ère post-génomique, et souligne la possibilité de combiner différentes approches computationnelles pour étudier l’olfaction.

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
xq2277完成签到,获得积分10
刚刚
kobe0842完成签到,获得积分10
刚刚
书煮日月发布了新的文献求助10
刚刚
maocai0306发布了新的文献求助10
刚刚
刚刚
研友_VZG7GZ的应助被谢生婷采纳,获得10
1秒前
1秒前
1秒前
中中中中中完成签到,获得积分10
1秒前
CipherSage的应助被血绣采纳,获得10
1秒前
丘比特的应助被天空之境采纳,获得10
2秒前
motidfox发布了新的文献求助10
2秒前
2秒前
小跳蚤完成签到,获得积分10
2秒前
3秒前
3秒前
李建行完成签到,获得积分10
3秒前
小可爱发布了新的文献求助30
3秒前
英俊富发布了新的文献求助30
4秒前
4秒前
无语的大门完成签到,获得积分10
4秒前
随风而动123完成签到,获得积分10
4秒前
4秒前
wty发布了新的文献求助10
5秒前
舒心的蓝完成签到,获得积分10
5秒前
TCG发布了新的文献求助10
5秒前
5秒前
小蘑菇的应助被chunyan_sysu采纳,获得10
5秒前
gzl完成签到,获得积分10
6秒前
完美世界的应助被李永畅采纳,获得10
6秒前
呆萌傲玉完成签到,获得积分10
6秒前
6秒前
明理怜珊发布了新的文献求助10
6秒前
yang完成签到 ,获得积分0
6秒前
明灯三千发布了新的文献求助10
6秒前
顾矜的应助被wwwxxxyyy采纳,获得10
7秒前
淡定惋庭完成签到 ,获得积分10
7秒前
7秒前
eii发布了新的文献求助10
7秒前
04d的应助被Rain采纳,获得10
7秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1500
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
八旗制度の研究 600
Analyses de reconnaissances de dettes passées devant les échevins d'Ypres (1249-1291) 600
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8159581
求助须知:如何正确求助?哪些是违规求助? 9555100
关于积分的说明 21724719
捐赠科研通 7749543
什么是DOI,文献DOI怎么找? 3427281
关于科研通互助平台的介绍 2552278
邀请新用户注册赠送积分活动 2471619