Des peptides fluorés comme support d’information à haute densité

Aperçu

Optimiser la capacité de stockage de l’information et l’efficacité de décodage par des approches bio-inspirées.

Bruno KIEFFER, professeur

Le projet propose de développer une approche bio-inspirée  de stockage de l’information basée sur l’utilisation d’acides aminés naturels et modifiés pour former des segments peptidiques. La densité de l’information sera optimisée en adoptant un alphabet étendu comprenant des acides aminés non-canoniques. L’assemblage de segments distincts à l’aide de méthodes de ligation peptidique permettra d’obtenir des densités d’information importantes.

Un second axe d’innovation consiste à développer des méthodes de lecture rapides et robustes de l’information stockée sur ces polymères par Résonance Magnétique Nucléaire (RMN). Ces méthodes exploiteront les propriétés spectroscopiques très favorables de l’atome de fluor ainsi que les expériences permettant d’établir des corrélations entre des atomes voisins sur la séquence du peptide. L’utilisation de la RMN pour la lecture des informations offre de nombreuses possibilités pour renforcer la fiabilité et la vitesse de lecture.

Mots clés : RMN du fluor, liaison chimique native, codage moléculaire, synthèse combinatoire, spectroscopie multidimensionnelle, DOSY

Les missions

Nos recherches

Améliorer la densité de l’information

En utilisant un alphabet élargi d’acides aminés (naturels et non-canoniques) ainsi que des techniques de ligation peptidique efficaces, il est possible de repousser les limites actuelles de densité d’information stockée dans un polymère bio-inspiré.

Exploiter les propriétés de la RMN du Fluor pour décoder l’information

L’atome de fluor présente des propriétés spectroscopiques particulières (sensibilité et dispersion spectrale) qui peuvent être mis à profit pour développer des méthodes de lecture de l’information fiables et rapide.

Automatiser l’analyse spectrale pour une lecture plus rapide de l’information

L’utilisation des dernières avancées algorithmiques en traitement du signal, comme les méthodes d’apprentissage machine, permettent d’automatiser l’étape de décodage de l’information stockée dans le polypeptide.