Skip to Main content Skip to Navigation
Theses

Machine learning approaches for drug virtual screening

Résumé : Le processus de découverte de médicaments a un succès limité malgré tous les progrès réalisés. En effet, on estime actuellement que le développement d'un médicament nécessite environ 1,8 milliard de dollars américains sur environ 13 ans. Nous nous concentrons dans cette thèse sur des approches statistiques qui criblent virtuellement un grand ensemble de composés chimique contre un grand nombre de protéines. Leurs applications sont polyvalentes : elles permettent d’identifier des candidats médicaments pour des cibles thérapeutiques connues, d’anticiper des effets secondaires potentiels, ou de proposer de nouvelles indications thérapeutiques pour des médicaments connus. Cette thèse est conçue selon deux cadres d'approches de criblage virtuel : les approches dans lesquelles les données sont décrites numériquement sur la base des connaissances des experts, et les approches basées sur l'apprentissage automatique de la représentation numérique à partir du graphe moléculaire et de la séquence protéique. Nous discutons ces approches et les appliquons pour guider la découverte de médicaments.
Document type :
Theses
Complete list of metadatas

Cited literature [503 references]  Display  Hide  Download

https://pastel.archives-ouvertes.fr/tel-02186833
Contributor : Abes Star :  Contact
Submitted on : Wednesday, July 17, 2019 - 2:43:08 PM
Last modification on : Thursday, April 9, 2020 - 5:08:12 PM

File

2019PSLEM010_archivage.pdf
Version validated by the jury (STAR)

Identifiers

  • HAL Id : tel-02186833, version 1

Citation

Benoit Playe. Machine learning approaches for drug virtual screening. Bioinformatics [q-bio.QM]. PSL Research University, 2019. English. ⟨NNT : 2019PSLEM010⟩. ⟨tel-02186833⟩

Share

Metrics

Record views

784

Files downloads

1894