1. Home

WICZEW DANIEL

8h30

Soutenance de thèse de DANIEL WICZEW

Naviguer dans les paysages conformationnels des protéines : une approche par intelligence artificielle et dynamique moléculaire

Navigating Protein Conformational Landscapes: An AI and Molecular Dynamics Approach

Jury

Directeur de these_TAREK_Mounir_Université de Lorraine
Examinateur_HENIN_Jerome_CNRS, Laboratoire de Biochimie Théorique, Institut de Biologie Physico-Chimique
Examinateur_MARIANNE_Clausel_Université de Lorraine
Examinateur_KOPACZYńSKA_Marta _Wroclaw University of Science and Technology
Directeur de these_KRASZEWSKI_Sebastian_Wroclaw University of Science and Technology
Rapporteur_ETCHEBEST_Catherine_INSERM, Université Paris Cité
Rapporteur_GRUDININ_Sergei_University of Grenoble

école doctorale

C2MP - CHIMIE MECANIQUE MATERIAUX PHYSIQUE

Laboratoire

LPCT - Laboratoire de Physique et Chimie Théoriques

Mention de diplôme

Chimie
Salle Jean Barriol (FST Nancy, entrée 2A, 7ème étage) Laboratoire de Physique et Chimie Théoriques – UMR CNRS 7019 Entrée 2A – 7ème Etage Université de Lorraine – Faculté des Sciences et Technologies Boulevard des Aiguillettes – B.P. 70239 F-54506 Vandoeuvre-les-Nancy, France
*

Mots clés

L'intelligence artificielle,découverte numérique,biophysique,découverte médicaments,apprentissage automatique,dynamique moléculaire,

Résumé de la thèse

Malgré des avancées significatives dans les techniques de biologie structurale, la capture des divers états énergétiques et des voies de transition des macromolécules reste un défi non résolu. La modélisation informatique, et en particulier les simulations de Dynamique Moléculaire (DM), a été cruciale dans l'étude des macromolécules biologiques complexes.

Keywords

Artificial intelligence,Numerical modeling,Biophysics,drug discovery,Machine Learning,Molecular dynamics,

Abstract

Despite significant advancements in structural biology techniques, capturing diverse energy states and transition pathways of macromolecules remains an unmet challenge. Computational modeling, and especially Molecular Dynamics (MD) simulations, have been pivotal in studying complex biological macromolecules. However, traditional MD simulations grapple with issues such as slow and or inadequate sampling of their conformational transitions. The thesis introduces a novel approach leveraging Machine Learning, Artificial Intelligence, and enhanced Molecular Dynamics (MD) sampling techniques.
Liste de toutes les soutenances