Les protéines transmembranaires canaux-β (TMBs) se trouvent dans les membranes externes des bactéries à Gram négatif, des mitochondries ainsi que des chloroplastes. Elles traversent entièrement la membrane cellulaire et exercent différentes fonctions importantes. Vu qu'il y a un petit nombre des structures des TMBs déterminées, en raison des difficultés avec les méthodes expérimentales, il est douteux que ces approches puis- sent bien trouver et prédire les TMBs qui ne sont pas homologues avec celles connues. Nous construisons un modèle de graphe pour la classification et la prédiction de structures super-secondaires permutées des TMBs à partir de leur séquence d'acides aminés, en se basant sur la minimisation d'énergie. Le modèle ne dépend essentiellement pas de l'apprentissage. Les algorithmes sont rapides, robustes avec des performances com- parables à celles des meilleures méthodes actuelles qui utilisent l'apprentissage. Cette méthode peut être donc utile pour le screening des génomes. Outre la performance de prédiction et de classification, cette étude donne une vue plus profonde de la structure des TMBs en tenant compte des contraintes physicochimiques des membranes biologiques. Les structures permutées prédites peuvent aussi aider à mieux comprendre le mécanisme du repliement des TMBs.

Les protéines transmembranaires canaux-β (TMBs) se trouvent dans les membranes externes des bactéries à Gram négatif, des mitochondries ainsi que des chloroplastes. Elles traversent entièrement la membrane cellulaire et exercent différentes fonctions importantes. Vu qu'il y a un petit nombre des structures des TMBs déterminées, en raison des difficultés avec les méthodes expérimentales, il est douteux que ces approches puis- sent bien trouver et prédire les TMBs qui ne sont pas homologues avec celles connues. Nous construisons un modèle de graphe pour la classification et la prédiction de structures super-secondaires permutées des TMBs à partir de leur séquence d'acides aminés, en se basant sur la minimisation d'énergie. Le modèle ne dépend essentiellement pas de l'apprentissage. Les algorithmes sont rapides, robustes avec des performances com- parables à celles des meilleures méthodes actuelles qui utilisent l'apprentissage. Cette méthode peut être donc utile pour le screening des génomes. Outre la performance de prédiction et de classification, cette étude donne une vue plus profonde de la structure des TMBs en tenant compte des contraintes physicochimiques des membranes biologiques. Les structures permutées prédites peuvent aussi aider à mieux comprendre le mécanisme du repliement des TMBs.