Numerical modeling of 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.Humans have ~400 genes encoding odorant receptors (ORs) that get differentially activated by a virtually infinite space of small organic molecules. The combinatorial code resulting from this activation could allow the human nose to discriminate more than one trillion different olfactory stimuli. But how is the percept encoded in the structure of a molecule? To understand how our nose decrypts the structure of molecules, numerical models were used to study the main protagonists of olfaction: ORs and odorants. These approaches included machine-learning methods to explore and exploit existing data on ORs, and molecular modeling to understand the mechanisms behind molecular recognition. In this thesis I first review the structure-odor relationships from a chemist's point of view. Then, I explain how I developed a machine learning protocol which was validated by predicting new ligands for four ORs. In addition, molecular modeling was used to understand how molecular recognition takes place in ORs. In particular, a conserved vestibular binding site in a class of human ORs was discovered, and the role of the orthosteric binding cavity was studied. The application of these techniques allows upgrading computer aided deorphanization of ORs. My thesis also establishes the basis for testing computationally the combinatorial code of smell perception. Finally, it lays the groundwork for predicting the physiological response triggered upon odorant stimulation. Altogether, this work anchors the structure-odor relationship in the post-genomic era, and highlights the possibility to combine different computational approaches to study smell