Application de réseaux de neurones profonds à des stratégies de drug design basées sur la structure de protéines cibles
Langue Anglais
Accéder au document

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

 
Auteur : Volkov, Mikhail
Date de soutenance : 05-06-2023

Directeur(s) de thèse : Rognan, Didier

Président : Varnek, Alexandre
Rapporteur(s) : Bonnet, Pascal - Montes, Matthieu
Membre(s) du jury : Oliveira Santos, Jana de - Gaston-Mathe, Yann

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire d'innovation thérapeutique (Strasbourg ; 2009-....)
École doctorale : École doctorale des Sciences chimiques (Strasbourg ; 1995-....)
 
Discipline : Chimie informatique et théorique
Classification : Chimie, minéralogie, cristallographie

Mots-clés libres : Affinité, Fonctions de scores, In silico, Machine d'apprentissage, Réseaux de neurones de graphes, Docking, Biais
Mots-clés :
  • Affinité chimique
  • Réseaux neuronaux graphiques
  • Simulation de docking moléculaire
Résumé : Prédire l'affinité d'un ligand pour sa protéine à partir d'informations structurales est un enjeu majeur pour le développement de médicaments. Malgré les récentes avancées dues à l'utilisation de machines d'apprentissage, de nombreux biais restent à résoudre quant à la capacité de ces modèles à extrapoler à des complexes nouveaux. Dans cette étude, nous avons utilisé une architecture de réseaux de neurones profonds à transmission de message (MPNN) qui lit directement les graphes moléculaires du ligand, de la protéine et des interactions protéine-ligand. Les biais des divers modèles développés ont été évalués, concernant notamment la composition des jeux d'entrainement et de test, la densité des matrices d'apprentissage et la complexité des graphe d'interaction. Nous avons enfin appliqué des modèles non biaisés à la prédiction d'affinité à partir de poses de docking en couplant un modèle binaire de pertinence de pose de docking et un modèle de prédiction d'affinité pour des applications de criblage virtuel.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2023STRAF016
Type de ressource : Thèse