Intelligence artificielle pour l’optimisation du processus de découverte des médicaments

Abstract

La découverte d’un médicament fait face à des défis importants, puisque seulement 10% des composés utilisés dans les essais cliniques obtiennent l’approbation réglementaire. Cette thèse intègre la prédiction des propriétés moléculaires (MPP) et la génération moléculaire (MG) en utilisant l’apprentissage profond pour transformer le pipeline de découverte de médicaments. Nous développons deux nouveaux frameworks basés sur des graphes : D’abord, le Graph Molecular Property Prediction Neural Network (GMPP-NN) combine les réseaux neuronaux de passage de messages avec des classificateurs perceptron multicouches, démontrant une perfor- mance supérieure sur les ensembles de données de référence MoleculeNet (VIH, BACE, BBBP, ClinTox). Deuxièmement, le cadre ME&PP-MG&RC-DL intègre l’encodage moléculaire, la prédiction des propriétés, la génération et la classification de la réalité, permettant d’obtenir une précision exceptionnelle dans la prévision des propriétés chimiques quantiques tout en générant des structures moléculaires valides, uniques et nouvelles. Nos approches organisent efficacement les représentations spatiales latentes, facilitant l’ex- ploration chimique ciblée de l’espace et fournissant des informations sur les relations structure- propriété. L’intégration du MPP et de la MG représente un changement de paradigme dans la découverte de médicaments par ordinateur, offrant des outils pour naviguer dans l’espace chi- mique et identifier les candidats thérapeutiques avec une efficacité sans précédent, accélérant potentiellement la découverte de médicaments et réduisant les coûts de développement.