Cartographie topographique générative : un outil puissant pour la visualisation, l'analyse et la modélisation de données chimiques volumineuses

Generative topographic mapping : a powerful tool for big chemical data visualization, analysis and modeling

• Auteur / Autrice : Arkadii Lin
• Direction : Alexandre Varnek
• Type : Thèse de doctorat
• Discipline(s) : Chemoinformatique
• Date : Soutenance le 16/09/2019
• Etablissement(s) : Strasbourg
• Ecole(s) doctorale(s) : École doctorale Sciences chimiques (Strasbourg ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Chimie de la matière complexe (Strasbourg)
• Jury : Président / Présidente : Matthieu Montes
• Jury : Examinateurs / Examinatrices : Alexandre Varnek, Matthieu Montes, Jürgen Bajorath, Bernd Beck, Didier Rognan
• Jury : Rapporteurs / Rapporteuses : Matthieu Montes, Jürgen Bajorath

Mots clés

Mots clés contrôlés

QSAR (biochimie)

Criblage pharmacologique

Chimie -- Informatique

Data visualisation

Données massives

Mots clés libres

GTM

Grand volumes de données en chimie

Comparaison de grandes chimiothèques

Visualisation de données

QSAR

Criblage virtuel

GTM

Big Data in chemistry

Libraries comparison

Data visualization

QSAR

Virtual screening version

Résumé

Cette thèse concerne l'utilisation de Cartographie Topographique Générative (Generative Topographie Mapping - GTM) pour l'analyse, la visualisation et la modélisation de grands volumes de données chimiques. Les principaux sujets traités dans ces travaux sont le criblage virtuel multi-cibles dans la conception de médicaments et la visualisation, l'analyse et la comparaison de grandes chimiothèques. Plusieurs développements méthodologiques ont été proposés : (1) un algorithme de zoom hiérarchique automatisé pour la GTM afin d'aider à résoudre le problème de la résolution des cartes ; (i1) un protocole d'extraction automatisé des Sous-structures Maximum Communes (MCS) pour améliorer l'efficacité de l'analyse de données ; (iit) un criblage contraint basé sur la GTM permettant de détecter les molécules avec un profil pharmacologique souhaité, et (iv) une technique de GTM parallèle, qui réduit significativement le temps nécessaire pour construire une carte. Les méthodologies développées ont été implémentées sous forme de logiciel, utilisé à la fois dans des projets académiques (Université de Strasbourg, France) et industriels (Compagnie Boehringer lngelheim Pharma, Allemagne)

This thesis concerns the application of the Generative Topographic Mapping (GTM) approach to the analysis, visualization, and modeling of Big Data in chemistry. The main topics covered in this work are multi-target virtual screening in drug design and large chemical libraries visualization, analysis, and comparison. Several methodological developments were suggested: (i) an automatized hierarchical GTM zooming algorithm helping to resolve the map resolution problem; (ii) an automatized Maximum Common Substructure (MCS) extraction protocol improving efficiency of data analysis; (iii) constrained GTM-based screening allowing to detect molecules with a desired pharmacological profile, and (iv) a parallel GTM technique, which significantly increases the speed of GTM training. Developed methodologies were implemented in a software package used in both academic (University of Strasbourg, France) and industrial (Boehringer Ingelheim Pharma company, Germany) projects.