Conception moléculaire par IA multitâche et exploration chémographique
Langue Anglais
Accéder au document

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

Modalités de diffusion de la thèse :
  • Thèse consultable sur internet, en texte intégral.
  • Thèse avec 2 versions : seule la version intégrale est proposée ; sur authentification (communication intranet).
 
Auteur : Llompart, Pierre
Date de soutenance : 05-06-2025

Directeur(s) de thèse : Marcou, Gilles - Minoletti-Hochepied, Claire

Président : Kellenberger, Esther
Rapporteur(s) : Lagarde, Nathalie - Kirchmair, Johannes
Membre(s) du jury : Varnek, Alexandre - Camproux, Anne-Claude - Taboureau, Olivier

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

Mots-clés libres : ADMET, IA, Médicament, Chimie, Décision
Mots-clés :
  • Chimie -- Informatique
  • Médicaments
  • Chimie
  • Intelligence artificielle
Résumé : Cette thèse vise à faire progresser le rôle de la modélisation in silico dans la recherche pharmaceutique, en abordant les défis persistants liés aux échecs tardifs et aux inefficacités du développement de médicaments. L’évaluation ADMET (Absorption, Distribution, Métabolisme, Élimination et Toxicité) intervient souvent trop tard dans le processus, augmentant ainsi les coûts et ralentissant la progression. Pour remédier à ces problèmes, la modélisation in silico, en particulier la prédiction précoce des propriétés ADMET (eADMET), est devenue essentielle pour rationaliser la prise de décision dès les premières étapes de la découverte de médicaments. Cependant, la complexité de la biologie humaine, l’évolution des modèles expérimentaux et les incohérences des données exigent des modèles prédictifs à la fois précis, adaptables et interprétables. Cette thèse propose une approche systématique pour l’amélioration de la modélisation eADMET, en s’appuyant sur le nettoyage des données, l’apprentissage multi-tâches, l’application à grande échelle et la collaboration humain-machine.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2025STRAF045
Type de ressource : Thèse