Titre :	Apport des métaheuristiques à la chémogénomique structurale dans l’étude des réponses génomiques aux composés chimiques.
Type de document :	texte imprimé
Auteurs :	ABBOU Sarra Itidal, Auteur
Année de publication :	2023-2024
Accompagnement :	CD
Langues :	Français (fre)
Catégories :	Informatique:informatique
Mots-clés :	Réaffectation de médicaments, Chémogénomique, Interaction médicament-cible, Sites de liaison, Factorisation matricielle Logistique, Réseau antagoniste génératif, Réseau d’association des paires, Deep Learning. Drug Repurposing, Chemogenomics, Drug-Target Interaction (DTI), Binding Pockets, Logistic Matrix Factorization (LMF), Generative Adversarial Network (GAN), Pair Association Network (PAN), Deep Learning.
Résumé :	La thèse porte sur le développement de nouvelles approches computationnelles (in-silico) pour la prédiction d'interactions médicament-cible (protéine), dans le but de faciliter la découverte et la conception rationnelle de nouveaux médicaments. Les objectifs spécifiques sont de (1) modéliser efficacement les interactions connues entre médicaments et cibles pour en extraire des représentations latentes encodant les informations d'interaction, (2) intégrer ces représentations dans un modèle d'apprentissage profond pour prédire quantitativement de nouvelles interactions potentielles, (3) obtenir des performances prédictives supérieures aux méthodes existantes de l'état de l'art, (4) interpréter les déterminants fonctionnels et structuraux clés des interactions prédites. Pour atteindre ces objectifs, une approche est proposée exploitant la matrice d'interactions connues entre médicaments et cibles. Cette matrice est décomposée par la technique de factorisation matricielle, inspirée du domaine des systèmes de recommandation permettant d'encoder les informations d'interaction sous la forme de vecteurs latents denses pour chaque médicament et chaque cible. Ces représentations vectorielles sont ensuite fournies comme descripteurs d'entrée à un modèle d'apprentissage profond entraîné à prédire les scores d'interaction. Contrairement aux méthodes conventionnelles ne considérant que les informations chimiques et structurales, l’approche proposée permet d'incorporer implicitement les connaissances sur les profils d'interactions dans la prédiction. Les résultats sur des jeux de données établis montrent des performances nettement supérieures aux techniques récentes de l'état de l'art. L'approche fournit une précision de prédiction élevée, capturant efficacement la complexité des mécanismes moléculaires régissant les interactions. This thesis focuses on the development of new computational (in silico) approaches for the prediction of drug-target (protein) interactions, with the aim to facilitate the discovery and rational design of new medications. The specific objectives are to (1) effectively model known interactions between drugs and targets to extract latent representations encoding the interaction information, (2) integrate these representations into a deep learning model to quantitatively predict potential new interactions, (3) achieve predictive performances superior to state-of-the-art existing methods, (4) interpret the key functional and structural determinants of predicted interactions. To achieve these goals, an approach is proposed leveraging the known interaction matrix between drugs and targets. This matrix is decomposed using matrix factorization techniques, inspired by recommender systems, which allows encoding the interaction information into dense latent vector representations for each drug and target. These vector representations are then provided as input features to a deep learning model trained to predict interaction scores. In contrast to conventional methods only considering chemical and structural information, the proposed approach allows implicitly incorporating knowledge about interaction profiles into the prediction. Results on established datasets demonstrate significantly improved performances over recent state-of-the-art techniques. The approach provides high prediction accuracy, effectively capturing the complexity of molecular mechanisms governing interactions.
Directeur de thèse :	CHOUARFIA Abdallah

Apport des métaheuristiques à la chémogénomique structurale dans l’étude des réponses génomiques aux composés chimiques. [texte imprimé] / ABBOU Sarra Itidal, Auteur . - 2023-2024 . -  + CD.
Langues : Français (fre)

Catégories :	Informatique:informatique
Mots-clés :	Réaffectation de médicaments, Chémogénomique, Interaction médicament-cible, Sites de liaison, Factorisation matricielle Logistique, Réseau antagoniste génératif, Réseau d’association des paires, Deep Learning. Drug Repurposing, Chemogenomics, Drug-Target Interaction (DTI), Binding Pockets, Logistic Matrix Factorization (LMF), Generative Adversarial Network (GAN), Pair Association Network (PAN), Deep Learning.
Résumé :	La thèse porte sur le développement de nouvelles approches computationnelles (in-silico) pour la prédiction d'interactions médicament-cible (protéine), dans le but de faciliter la découverte et la conception rationnelle de nouveaux médicaments. Les objectifs spécifiques sont de (1) modéliser efficacement les interactions connues entre médicaments et cibles pour en extraire des représentations latentes encodant les informations d'interaction, (2) intégrer ces représentations dans un modèle d'apprentissage profond pour prédire quantitativement de nouvelles interactions potentielles, (3) obtenir des performances prédictives supérieures aux méthodes existantes de l'état de l'art, (4) interpréter les déterminants fonctionnels et structuraux clés des interactions prédites. Pour atteindre ces objectifs, une approche est proposée exploitant la matrice d'interactions connues entre médicaments et cibles. Cette matrice est décomposée par la technique de factorisation matricielle, inspirée du domaine des systèmes de recommandation permettant d'encoder les informations d'interaction sous la forme de vecteurs latents denses pour chaque médicament et chaque cible. Ces représentations vectorielles sont ensuite fournies comme descripteurs d'entrée à un modèle d'apprentissage profond entraîné à prédire les scores d'interaction. Contrairement aux méthodes conventionnelles ne considérant que les informations chimiques et structurales, l’approche proposée permet d'incorporer implicitement les connaissances sur les profils d'interactions dans la prédiction. Les résultats sur des jeux de données établis montrent des performances nettement supérieures aux techniques récentes de l'état de l'art. L'approche fournit une précision de prédiction élevée, capturant efficacement la complexité des mécanismes moléculaires régissant les interactions. This thesis focuses on the development of new computational (in silico) approaches for the prediction of drug-target (protein) interactions, with the aim to facilitate the discovery and rational design of new medications. The specific objectives are to (1) effectively model known interactions between drugs and targets to extract latent representations encoding the interaction information, (2) integrate these representations into a deep learning model to quantitatively predict potential new interactions, (3) achieve predictive performances superior to state-of-the-art existing methods, (4) interpret the key functional and structural determinants of predicted interactions. To achieve these goals, an approach is proposed leveraging the known interaction matrix between drugs and targets. This matrix is decomposed using matrix factorization techniques, inspired by recommender systems, which allows encoding the interaction information into dense latent vector representations for each drug and target. These vector representations are then provided as input features to a deep learning model trained to predict interaction scores. In contrast to conventional methods only considering chemical and structural information, the proposed approach allows implicitly incorporating knowledge about interaction profiles into the prediction. Results on established datasets demonstrate significantly improved performances over recent state-of-the-art techniques. The approach provides high prediction accuracy, effectively capturing the complexity of molecular mechanisms governing interactions.
Directeur de thèse :	CHOUARFIA Abdallah