Application de réseaux de neurones profonds à des stratégies de drug design basées sur la structure de protéines cibles
Auteur / Autrice : | Mikhail Volkov |
Direction : | Didier Rognan |
Type : | Thèse de doctorat |
Discipline(s) : | Chimie informatique et théorique |
Date : | Soutenance le 05/06/2023 |
Etablissement(s) : | Strasbourg |
Ecole(s) doctorale(s) : | École doctorale Sciences chimiques (Strasbourg ; 1995-....) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire d'innovation thérapeutique (Strasbourg ; 2009-....) |
Jury : | Président / Présidente : Alexandre Varnek |
Examinateurs / Examinatrices : Jana de Oliveira Santos, Yann Gaston-Mathe | |
Rapporteurs / Rapporteuses : Pascal Bonnet, Matthieu Montes |
Mots clés
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.