Génération de nouvelles molécules et réactions par intelligence artificielle guidée par la chemographie
Langue Anglais
Accéder au document

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

 
Auteur : Bort, William
Date de soutenance : 22-11-2023

Directeur(s) de thèse : Varnek, Alexandre - Marcou, Gilles

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

Mots-clés libres : Deep learning, Autoencodeurs, Attention, Espace chimique, Cartographie topographique générative, SMILES, Inverse-QSAR, Génération conditionnelle, Molécules drug-like
Mots-clés :
  • Apprentissage profond
  • QSAR (biochimie)
Résumé : Cette thèse est dédiée à l’exploration et à la compréhension des espaces latents des réseaux de neurones, dans le but de créer un lien entre ces derniers et des descripteurs structuraux classiques afin de réaliser du QSAR inverse. Le potentiel génératif des architectures seq2seq est souvent accompagné d’une compréhension partielle des règles qui définissent leurs espaces latents. Une étude de la construction l’espace chimique d’un Autoencodeur a montré son habilité à recréer les propriétés et caractéristiques structurelles de molécules existantes avec différents niveaux de réussite selon la complexité des structures et leur densité dans l’espace. Le modèle a même été modifié pour générer des nouvelles réactions atteignables chimiquement. Cependant, l’interprétation séquentielle des structures chimiques à travers les chaînes SMILES ont tendance à créer des faiblesses dans les espaces chimiques résultants. De ce fait, les descripteurs ISIDA, qui sont plus robustes, sont généralement préférés lors de la cartographie et l’identification de zones d’intérêt lors de la recherche d’actifs. Plusieurs méthodes pour combiner l’efficacité des vecteurs ISIDA avec le pouvoir génératif d’un espace latent d’Autoencodeur ont abouti au développement d’une nouvelle architecture basée sur les Autoencodeurs Variationnels Conditionnels et le mécanisme d’Attention qui a permis la génération ciblée de nouvelles molécules potentiellement actives contre une cible biologique.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2023STRAF047
Type de ressource : Thèse