Réseaux neuronaux à base de graphes pour la génération de structures moléculaires synthétiquement accessibles
Langue Anglais
Accéder au document

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

 
Auteur : Akhmetshin, Tagir
Date de soutenance : 17-03-2023

Directeur(s) de thèse : Varnek, Alexandre - Madzhidov, Timur

Établissement de soutenance : Strasbourg - Kazanskij gosudarstvennyj universitet im. V. I. Ulʹânova (Kazanʹ)
Laboratoire : Chimie de la matière complexe (Strasbourg)
École doctorale : École doctorale Sciences chimiques (Strasbourg ; 1995-....)
 
Discipline : Chimie informatique et théorique
Classification : Chimie, minéralogie, cristallographie, Informatique

Mots-clés libres : Inverse Qsar, Rétrosynthèse, Apprentissage profond, Réseaux de neurones sur graphes, Génération moléculaire
Mots-clés :
  • QSAR (biochimie)
  • Apprentissage profond
Résumé : 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.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2023STRAF010
Type de ressource : Thèse