Le Deep Learning Et Le Criblage Virtuel Pour Découvrir De Nouveaux Médicaments

Résumé: Le Criblage Virtuel " Virtual Screening en anglais " est une technique CADD qui consiste à appliquer des différentes méthodes de calcul et des algorithmes sur des grandes bibliothèques moléculaires " chimiothèques " afin d'extraire les composés susceptibles de se lier à une cible thérapeutique. Généralement, il existe deux catégories de criblage virtuel, basé ligands et basé structure. La première catégorie est utilisée lorsque la structure de la cible thérapeutique est manquante, tandis que, dans la deuxième catégorie, la structure 3D de la cible est nécessaire pour mesurer le score de l'interaction cible- ligands. Entre ces deux catégories, une hybridation " criblage virtuel hybride " pour exploiter les avantages de chacune est possible. Une des méthodes, la plus utilisée dans le criblage virtuel basé structure c'est l'amarrage moléculaire " docking " qui se base sur la théorie de la serrure-clé, où il compare la cible à une serrure et le ligand à une clé. Le ligand doit avoir une taille et une forme précises pour pouvoir s'adapter la cible " récepteur ". L'apprentissage automatique " Machine Learning en anglais" est une branche de l'intelligence artificielle qui vise à générer un modèle de prédiction. Usuellement, les algorithmes d'apprentissage automatique sont divisés en deux types principaux : l'apprentissage supervisé et l'apprentissage non-supervisé. Dans le premier, la base d'apprentissage contient les vecteurs de données avec les sorties désirées. Alors que, dans le deuxième, les réponses désirées ne sont pas présentes. L'apprentissage automatique représente un des sujets principaux dans la CADD. Son application dans le criblage virtuel a été connu un succès important et notamment dans le criblage virtuel basé sur les ligands, où l'objectif principal consiste à générer des modèles prédictifs pouvant être utilisés pour classer des molécules inconnues en tant qu'actifs " médicament " ou inactifs " non-médicament " dans une chimiothèque donnée. Il a été pendant une longue durée l'outil leader dans le criblage virtuel, mais avec l'augmentation très rapide dans la taille des chimiothèques, une tendance vers la notion "deep" et l'apprentissage profond " Deep Learning " a été engendrée, où se trouve de nouvelles architectures plus puissantes et plus efficaces qui se base notamment sur les réseaux de neurones classiques, mais avec de nombreuses améliorations pour certaines faiblesses qui le rendent inadapté aux problèmes avec des ensembles de données à grande échelle. L'objectif de ce travail consiste à proposer un workflow hybride, dans la première phase de ce workflow, nous allons implémenter un criblage virtuel basé ligand en utilisant le deep learning.

Publié dans la revue: