Description des cours

Acronymes

UE : Unité d’Enseignement


Chemoinformatique I

Responsable de l’UE : Alexandre Varnek

Objectif en termes connaissances

Représentation de structures par ordinateur.
Représentation de structures 1D, 2D et 3D par ordinateur.
Eléments de base de théorie de graphes. Tables de connexion et présentation linéaires.
Chaînes SMILES et InChi. Empreintes moléculaires.
Pharmacophores.
Formats MOL, SDF, RXN et RDF
Recherche structurale et sous-structurale. Analyse conformationnelle.
Similarité et diversité de molécules.
Molécule comme objet dans l’espace chimique. Critères de similarité de Tanimoto, de Dice et de Tvetsky ; métriques Euclidienne et de Manhattan.
Recherche par similarité.
Outils de CambridgeSoft et d’Accelrys pour analyser et manipuler de données chimiques.
Travaux pratiques avec les logiciels ChemAxon, ChemOffice, ISISBase et Accelrys DIVA.

Objectifs en termes de compétences
Etre capable de créer et/ou de gérer des données chimiques en utilisant les logiciels commerciaux. Acquérir des notions sur les principales méthodes de traitement et de création de données chimiques (recherche par structure/sous-structure et/ou par similarité)


Chemoinformatique II

Responsable de l’UE : Alexandre Varnek

Objectif en termes connaissances
Concept de descripteurs.
Descripteurs 1D, 2D et 3D : fragments moléculaires, fingerprints, indices topologiques, propriétés physico-chimiques, paramètres d’iso-surfaces moléculaires et énergétiques, pharmacophores et autres..
Méthodes structure-activité (QSAR/QSPR).
Approches de Hansch et de Free-Wilson. Normalisation de descripteurs. Sélection de descripteurs pertinents. Techniques mathématiques de développement de modèles : l les régressions multilinéaires, Machines à Vecteurs Supports, Arbres de classification et de Régression, les Réseaux de Neurones, méthodes probabilistes et autres.. Validation de modèles.
QSAR en 3D : analyse comparative de champs moléculaires ("CoMFA ").
Exemples d’application de méthodes QSAR pour le développement de nouveaux composés d’interet chimique ou pharmaceutique.
Criblage virtuel et design « in silico » de nouveaux composés.
Filtres (les règles de Liminski et autres).
Docking d’un ligand dans une protéine. Fonctions de score. Chimiothèques et cibliothèques.
Utilisation de modèles QSAR pour un criblage virtuel. Optimisation d’un « lead ».
Travaux pratiques avec les logiciels ISIDA, DRAGON et CODESSA-PRO (QSAR/QSPR)

Objectifs en termes de compétences

Etre capable de sélectionner des descripteurs pertinents, d’obtenir de modèles QSAR et d’utiliser ces modèles pour un criblage virtuel


Diversité Chimique In Silico

Responsable de l’UE : Alexandre Varnek

Objectif en termes connaissances
Bases de données en chimie.
Modèle relationnel. Langage SQL. Architecture (Oracle/ISIS/Accord). Relations, attributs, molécules. Système de gestion de bases de données.
Bases de données bibliographiques (Chemical Abstracts, Science Citation Index, Pascal), physico-chimiques (Gmelin, Beilstein), spectroscopiques (SPECINFO), cristallographiques (Cambridge et Karlsruhe) et autres.
Création de bases de données chimiques en utilisant les logiciels ChemAxon, ChemFinder et ISISBase.
Similarité et diversité de molécules.
Molécule comme objet dans l’espace chimique. Critères de similarité de Tanimoto, de Dice et de Tvetsky ; métriques Euclidienne et de Manhattan.
Recherche par similarité.
Méthodes d’analyse de groupement des objets chimique : clustering hiérarchique et non-hiérarchique.
Préparation de jeux de donnés diverses.
Chimie combinatoire théorique.
Génération de bibliothèques combinatoires : les approches « monomer-based » et « product-based ». Bibliothèques "ciblées" et "diversifiées". Logiciel ISIDA/CombiLib.

Objectifs en termes de compétences

Etre capable de créer et gérer une base de données chimique et de trouver une information dans cette base.
Etre capable d’analyser qualitativement le contenu d’une base de données à l’aide de méthodes non-supervisées.
Etre capable de proposer de "nouveaux" composés compte tenu d’une base de données chimique.


Méthodes de fouilles de données

Responsable de l’UE : Gilles Marcou

Objectif en termes connaissances

- Apprentissage automatique et extraction de connaissances à partir de bases de données (ECBD).
- Prétraitement des données : complètement ; intégration ; représentations.
- Motifs fréquents et règles d’association .
- Agrégation : k moyen ; maximisation d’espérance.
- Classification : k plus proches voisins ; Bayesien naïf.
- Arbres de décision : principe, classification, régression, instabilité, élagage, forêt.
- Réseaux neuronaux : Réseaux mono- et multi-niveaux ; rétropropagation ; avantages et limites ; exemples (classification de réactions par carte de Kohonen).
- Séparateurs à Vaste Marge : principe, classification, régression.
- Algorithmes génétiques : concepts ; fonction d’adéquation ; opérateurs de croisement et de mutation.
- Mise en oeuvre avec les logiciels WEKA et KNIME.
- Exemple détaillé d’EBCD utilisant des techniques d’apprentissage inductif par la découverte : étude de l’excrétion rénale de molécules organiques ou du contenu d’une base de données de molécules odorantes.

Objectifs en termes de compétences

- Compréhension de l’apprentissage automatique
- Connaissance des algorithmes pour agréger, classer, découvrir des règles d’association et modéliser les données
- Mise en œuvre des méthodes au travers des logiciels WEKA et KNIME


Drug Design

Responsables de l’UE : Annick Dejaegere-Stote, Esther Kellenberger

Cet enseignement regroupe deux matières :

a) Chimie thérapeutique 1

Objectif en termes connaissances

Cette unité d’enseignement propose un socle commun à tous les parcours de la spécialité. Elle décrit les connaissances et les objectifs que partagent chimistes, phytochimistes et biologistes lorsqu’ils s’intéressent à la genèse des substances actives. Cette UE permet à l’étudiant de se positionner au sein de la spécialité et de la mention. Ainsi est-elle volontairement proposée en M1S1. Elle est aussi ouverte à la mutualisation (optionnelle) pour des étudiants d’autres mentions (chimie et biologie, in silico drug design…) qui voudraient avoir un aperçu du monde du médicament.

Contenu de l’enseignement :

1/ Nature chimique des substances actives : petites molécules synthétiques, produits naturels, produits issus des biotechnologies. Nature chimique des interactions avec la cible : liaisons Hydrogène, ionique, hydrophobe, covalente…

2/ Genèse des Substances Actives :
Drug Discovery : ressources naturelles, découvertes fortuites, criblage, chimiogénomique…
Hit to Lead / Optimisation des touches : extension, simplification, substitution, vinylogie, benzylogie, rigidification, isostérie, prodrug, antimétabolites…
Prise en compte précoce des propriétés physico-chimiques et de la métabolisation des substances actives : solubilité et son amélioration, Log P, PSA, Règle des Cinq, métabolisation…
Production : Synthèses à grande échelle, synthèse totale, hémisynthèse, biotechnologies, sous-traitance ; Extractions : grands principes de phytochimie et de biotechnologie
Contrôle des Substances Actives : analyse des principes actifs, monographies…

3/ Le monde du médicament : Politique de découverte et développement des médicaments, Gestion du cycle de vie du médicament : chiral switch, polymorphes, hydrates, solvates… Les mondes pharmaceutiques : Big Pharma, start up, recherche publique...
Objectifs en termes de compétences
A la suite de cet enseignement, l’étudiant connaîtra de manière générale les stratégies et les méthodes d’identification et d’optimisation des substances actives ; il aura une connaissance de l’industrie pharmaceutique et du secteur R&D ; Il saura identifier les différentes phases du processus de recherche en intégrant les exigences d’entrée et les objectifs et il saura se positionner au sein de ce processus (socle commun à tous les parcours de la spécialité).

b) Structure based computer-aided drug design

Objectif en termes connaissances

L’étudiant doit comprendre l’utilité des structures tridimensionnelles à l’échelle atomique pour la conception rationnelle de molécules bioactives ( Computer-aided drug design).

Cours magistraux :

(1) Les bases de la reconnaissance moléculaire : aspects thermodynamiques et structuraux.

(2) La structure 3D des protéines : définition et description, modélisation par homologie, analyse géométrique et énergétique

(3) Prédiction de l’interaction protéine-ligand : pharmacophore, docking, scoring.

Enseignements pratiques :

(1) Caractérisation de l’interaction ligand/protéine : analyse de documents, exercices de réflexion

(2) Recherche et analyse de structure 3D de protéines (recherche dans la ProteinDataBank, modélisation par homologie, détection et caractérisation de sites de liaison pour des ligands) : travail en salle de ressources informatiques

(3) Drug design (création de pharmacophore, re-docking, cross-docking, criblage virtuel) : travail en salle de ressources informatiques
Objectifs en termes de compétences
L’étudiant devra maîtriser l’exécution de tâches simples en biologie structurale en utilisant des outils informatiques spécialisés (visualisation et interprétation de structure tridimentionnelle de protéine, prédiction de l’interaction cible thérapeutique / médicament). Ces compétences pratiques sont directement applicables dans des projets de recherche/développement de chimie médicinale. Dans une perspective professionnelle élargie, l’étudiant comprendra l’importance des aspects théoriques dans les phases de recherche dans l’industrie pharmaceutique (criblage virtuel, optimisation de touches

Objectifs en termes de compétences

L’étudiant doit comprendre la place des approches chémoinformatiques dans la découverte de molécules biologiquement actives. Il abordera en particulier l’utilisation en chémoinformatique des structures tridimensionnelles à l’échelle atomique de protéines. L’étudiant devra également maîtriser l’utilisation d’outils informatiques spécialisés pour la visualisation et interprétation de structure tridimentionnelles, le docking, et le criblage virtuel.


biologie structurale et modélisation (anglais disciplinaire)

Responsable de l’UE : Marco Cecchini

Objectif en termes connaissances

Introduction aux structures des protéines et des acides nucléiques ; relation entre structure, dynamique et fonction ; Interactions macromoléculaires ; Modelisation moléculaire des systemes biologique complexes, multi-echelle : simulations a gros grain. Savoir appliquer ces concepts au modélisations des biomolécules par mécanique moléculaire avec introduction aux logiciels de modélisation et leur utilisation.

Objectifs en termes de compétences

L’objectif de l’enseignement sera de présenter des concepts et applications avancées de la chimie théorique en science du vivant. Les étudiants acquéront des compétences théoriques et pratiques approfondies en chimie physique et informatique à l’interface avec la biologie.


simulations moléculaires

Responsable de l’UE : Rachel Schurhammer

Objectif en termes connaissances

Comprendre et simuler comment les structures (supra)moléculaires dépendent du temps (dynamique) et de l’environnement (en particulier en solutions aqueuses / non aqueuses). Bases de la reconnaissance moléculaire en chimie. Solvatation hydrophile / hydrophobe. Représentation empirique de l’analyse conformationnelle et des interactions intermoléculaires.

Objectifs en termes de compétences

Mécanique moléculaire et Simulations de Dynamique moléculaire classique et Monte Carlo en phases condensées. Champs de force et représentarion empirique de l’énergie potentielle d’un système. Analyses de résultats. Relation avec les observations experimentales.


chimie quantique

Responsable de l’UE : Vincent Robert

Objectif en termes connaissances

Dans cette UE, la structure électronique des systèmes sera abordée à partir des notions de mécanique quantique. L’objectif est de montrer comment par approximations successives, il est d’abord possible de construire une fonction d’onde permettant de reproduire qualitativement des propriétés (description orbitalaire dans l’approximation Hartree-Fock). Dans un second temps, nous montrerons sur des exemples simples pourquoi cette approximation doit être dépassée si l’on souhaite être quantitatifs et rendre compte des données d’expériences (propriétés magnétiques, dissociation de molécules, calculs spectroscopiques). Un effort particulier sera porté sur l’interprétation et l’outil analytique que représentent les calculs de chimie quantique. La notion de corrélation électronique qui joue un rôle essentiel dans la mise en place des propriétés sera détaillée à cette occasion.

Objectifs en termes de compétences

approfondissement des méthodes de chimie quantique, corrélation électronique


Technologie Internet

Responsable de l’UE : Eric Christoffel

Objectif en termes connaissances

Le langage XHTML (langage HTML écrit avec la rigueur du langage XML), et les feuilles de styles CSS. Le langage HTML5 et les feuilles de styles CSS3 pour un développement multi-plateforme.
Le langage PHP : codage et instructions de contrôle, variables, fonctions et algorithmique.
Apprentissage du langage XML, langage de description des données (par opposition au langage HTML qui est un langage de représentation des données). Apprentissage des langages XSL et XPath, le premier permet de transformer des données XML pour un affichage HTML, par ex., le second permettant de naviguer dans l’arborescence des nœuds XML.

Objectifs en termes de compétences

Savoir développer un site statique avec le langage XHTML et les feuilles de styles CSS, conforme aux normes du W3C et en tenant compte des contraintes liées à l’accessibilité. Développement en HTML5 et CSS3.
Savoir développer un site web dynamique en langage PHP, en relation avec une base de données MySQL.