Note ABES Chémoinformatique des chimiothèques à codage ADN : design, génération in silico, gestion, analyse, et comparaison Chemoinformatics of DNA-encoded libraries : design, in silico generation, management, analysis, and comparison Chimiothèques à codage ADN Chimiothèques combinatoires Comparaison de chimiothèques GTM Visualisation de l'espace chimique Énumération des composés Apprentissage profond DNA-encoded libraries Combinatorial libraries Library comparison GTM Chemical space visualization Compound enumeration Deep learning 542.8 Chimie -- Informatique Apprentissage profond Cette thèse est dédiée à la génération de l'espace virtuel de 2.5K chimiothèques codées par ADN et à leur analyse chémoinformatique détaillée par structures et propriétés. Des méthodologies basées sur GTM permettant de comparer rapidement et de sélectionner les chimiothèques DEL optimales parmi des milliers de possibilités en fonction de la similarité structurelle ou par propriétés par rapport à une base de données de référence ont été développées. Le problème de l'énumération combinatoire des composés a été abordé en développant un modèle d’apprentissage profond capable de prédire la position d'un composé sur la GTM en se basant uniquement sur les réactifs associés et les réactions, en évitant l'énumération. Des modèles permettant de prédire la réactivité des réactifs et l'activité biologique des composés DEL ont été créés. Ces derniers couplés à la visualisation GTM, ont permis de rationaliser et de faciliter la sélection des réactifs pour la synthèse DEL et la priorisation des hits. This thesis is dedicated to the generation of the virtual space of 2.5K DNA-encoded libraries and its detailed structural and property chemoinformatic analysis. GTM-based methodologies allowing to quickly compare and select optimal DELs out of thousands of possible ones based on the structural or property similarity to a reference database were developed. The problem of combinatorial compound enumeration was addressed by developing a highly performant deep learning model capable of predicting the position of a compound on the GTM based solely on its building blocks and reactions, skipping compound enumeration. Machine learning models allowing to predict the reactivity of building blocks and activity of DEL compounds were created. The latter coupled with GTM visualization, allowed to rationalize and facilitate the reagent selection for DEL synthesis and hit prioritization. Electronic Thesis or Dissertation Text en PDF 54926539 https://theses.hal.science/tel-04816243 application/pdf 53617745 https://publication-theses.unistra.fr/public/theses_doctorat/2024/Pikalyova_Regina_2024_ED222.pdf http://www.theses.fr/2024STRAF032/abes https://theses.hal.science/tel-04816243 https://theses.hal.science/tel-04816243 Pikalyova Regina 1998-12-11 FR 274004704 0EFB1R037C0 21615541 4200003 https://theses.fr/2024STRAF032 2024STRAF032 https://doi.org/10.70675/8ae7e554z2a33z44d2z85a9zdc2a183ec23a 2024-09-12 Chimie informatique et théorique Strasbourg 131056549 Doctorat Docteur es non oui Horvath Dragos MADS_DIRECTEUR_DE_THESE_1 108942368 Varnek Alexandre MADS_DIRECTEUR_DE_THESE_2 124416993 Morelli Xavier MADS_PRESIDENT_DU_JURY 155010239 Morelli Xavier MADS_RAPPORTEUR_1 155010239 Douguet Dominique MADS_RAPPORTEUR_2 100541305 École doctorale des Sciences chimiques (Strasbourg ; 1995-....) MADS_ECOLE_DOCTORALE_1 222 156504081 Chimie de la matière complexe (Strasbourg) MADS_PARTENAIRE_DE_RECHERCHE_1 403339 157547027 ddc:540 Horvath Dragos Varnek Alexandre Morelli Xavier Morelli Xavier Douguet Dominique École doctorale des Sciences chimiques (Strasbourg ; 1995-....) Chimie de la matière complexe (Strasbourg) PDF 54926539