Modélisation structure-propriété avec des techniques avancées d'apprentissage automatique
Langue Anglais
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

 
Auteur : Zankov, Dmitry
Date de soutenance : 13-01-2023

Directeur(s) de thèse : Varnek, Alexandre

Établissement de soutenance : Strasbourg
Laboratoire : Chimie de la matière complexe (Strasbourg)
École doctorale : École doctorale Sciences chimiques (Strasbourg ; 1995-....)
 
Discipline : Chimie informatique et théorique
Classification : Chimie, minéralogie, cristallographie

Mots-clés libres : Apprentissage multi-instances, Modèles conjugués
Mots-clés :
  • Apprentissage automatique
  • Modèles mathématiques
Résumé : Cette thèse est consacrée au développement de techniques avancées d'apprentissage automa-tique pour la modélisation des propriétés des molécules et des réactions. Le couplage de la méthode d'apprentissage automatique multi-instances (MIL) avec les descripteurs 3D phar-macophoriques a permis de construire des modèles prédictifs prenant en compte l'ensemble des conformations moléculaires. Cette approche 3D ne nécessite pas de sélection et d'alignement de conformères et a été validée dans les études de (i) la bioactivité des compo-sés et (ii) l'énantiosélectivité des catalyseurs organiques chiraux. Dans de nombreux cas, les modèles MIL multi-conformationnelles 3D ont surpassé les approches classiques impliquant des descripteurs 2D populaires. Dans la deuxième partie, un concept d'apprentissage automa-tique conjugué a été introduit et appliqué à la modélisation des caractéristiques thermody-namiques et cinétiques des réactions chimiques. L'apprentissage automatique conjugué intègre des équations fondamentales avec des algorithmes d'apprentissage automatique, ce qui le distingue de l'apprentissage multitâche traditionnel ne capturant que la relation statis-tique entre les tâches.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2023STRAF001
Type de ressource : Thèse