Note ABES Réseaux neuronaux à base de graphes pour la génération de structures moléculaires synthétiquement accessibles Graph-based neural networks for generation of synthetically accessible molecular structures Inverse Qsar Rétrosynthèse Apprentissage profond Réseaux de neurones sur graphes Génération moléculaire Inverse Qsar Retrosynthesis Deep learning Graph neural networks Molecular generation 541 004 QSAR (biochimie) Apprentissage profond Cette thèse est dédiée au développement de génératifs par réseaux de neurones artificiels de graphes et d'un outil de planification rétrosynthétique amélioré par des méthodes d’apprentissage automatique profond. Les modèles génératifs s'appuient sur le concept d'autoencodeur, très populaire dans les tâches de conception moléculaire de novo et d'analyse QSAR inverse. L'architecture proposée, HyFactor, basée sur le graphe étiqueté par le nombre d'hydrogènes par atome, se révèle performante et utile pour générer des analogues moléculaires. La seconde architecture proposée, VQGAE, donne des résultats comparables à ceux d'HyFactor dans la tâche de reconstruction, mais la représentation latente se montre plus performante pour la recherche par similarité et pour le QSAR. Ces performances sont illustrées par la génération de ligands très actifs pour les récepteurs A2A. La faisabilité synthétique des structures générées a été vérifiée à l'aide d'un nouvel outil de rétrosynthèse, GSLRetro. Cet outil est conçu sur le concept d'auto-apprentissage qui améliore la stabilité des solutions grâce aux précédentes solutions proposées. Le protocole de curation des données de réaction ainsi que de nouvelles techniques de validation croisée pour les modèles QSPR basés sur les réactions sont également présentés. En somme, la combinaison de ces outils constitue une étape importante vers la conception automatisée de molécules. This thesis is dedicated to the development of graph-based generative neural networks and a retrosynthetic planning tool enhanced by deep learning architectures. The generative networks are based on the autoencoder concept, which has gained popularity in de novo molecular design and inverse QSAR tasks. The proposed architecture, HyFactor, based on the hydrogen number labelled graph, was computationally efficient and helpful in generating molecular analogues. The following architecture, VQGAE, performed as well as HyFactor in the reconstruction task, while its latent vectors showed the best performance in the similarity search and QSAR tasks. As a proof of concept, VQGAE was used to generate highly potent ligands of A2A receptors. The synthetic feasibility of the generated structures was verified using a new retrosynthesis tool, GSLRetro. This tool is based on a self-learning concept by which it can improve the search quality by training on previous searches' results. In addition to the retrosynthetic planning tool, the protocol of reaction data curation and new cross-validation techniques for reaction-based QSPR models were proposed. Finally, the combination of these tools represents a significant step towards automated molecular design. Electronic Thesis or Dissertation Text en PDF 28995021 Université de Strasbourg Strasbourg 2023-12-31 https://theses.hal.science/tel-04208499 application/pdf 28042564 https://publication-theses.unistra.fr/public/theses_doctorat/2023/Akhmetshin_Tagir_2023_ED222.pdf http://www.theses.fr/2023STRAF010/abes https://theses.hal.science/tel-04208499 https://theses.hal.science/tel-04208499 Akhmetshin Tagir 1996-03-31 RU 257782877 0EFB1U03OQ4 21917584 4200003 http://www.theses.fr/2023STRAF010 2023STRAF010 2023-03-17 Chimie informatique et théorique Strasbourg 131056549 Kazanskij gosudarstvennyj universitet im. V. I. Ulʹânova (Kazanʹ) MADS_ETABLISSEMENT_DE_COTUTELLE_1 098205838 Doctorat Docteur es non oui Varnek Alexandre MADS_DIRECTEUR_DE_THESE_1 124416993 Madzhidov Timur MADS_DIRECTEUR_DE_THESE_2 231484666 Kellenberger Esther MADS_PRESIDENT_DU_JURY 16406883X Stoven Véronique MADS_RAPPORTEUR_1 149662025 Lepailleur Alban MADS_RAPPORTEUR_2 109352599 École doctorale des Sciences chimiques (Strasbourg ; 1995-....) MADS_ECOLE_DOCTORALE_1 156504081 Chimie de la matière complexe (Strasbourg) MADS_PARTENAIRE_DE_RECHERCHE_1 403339 157547027 ddc:540 ddc:004 Kazanskij gosudarstvennyj universitet im. V. I. Ulʹânova (Kazanʹ) Varnek Alexandre Madzhidov Timur Kellenberger Esther Stoven Véronique Lepailleur Alban École doctorale Sciences chimiques (Strasbourg ; 1995-....) Chimie de la matière complexe (Strasbourg) PDF 28995021