Modélisation structure-propriété avec des techniques avancées d'apprentissage automatique

Structure-property modeling with advanced machine learning techniques

• Auteur / Autrice : Dmitry Zankov
• Direction : Alexandre Varnek
• Type : Thèse de doctorat
• Discipline(s) : Chimie informatique et théorique
• Date : Soutenance le 13/01/2023
• Etablissement(s) : Strasbourg
• Ecole(s) doctorale(s) : École doctorale des Sciences chimiques (Strasbourg ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Chimie de la matière complexe (Strasbourg)
• Jury : Président / Présidente : Didier Rognan
• Jury : Examinateurs / Examinatrices : Timur Madzhidov
• Jury : Rapporteurs / Rapporteuses : Anne-Claude Camproux, Sébastien Fiorucci

Mots clés

Mots clés contrôlés

Modèles mathématiques

Apprentissage automatique

Mots clés libres

Apprentissage multi-instances

Modèles conjugués

Multi-instance learning

Conjugated machine learning

Résumé

Cette thèse est consacrée au développement de techniques avancées d'apprentissage automa-tique pour la modélisation des propriétés des molécules et des réactions. Le couplage de la méthode d'apprentissage automatique multi-instances (MIL) avec les descripteurs 3D phar-macophoriques a permis de construire des modèles prédictifs prenant en compte l'ensemble des conformations moléculaires. Cette approche 3D ne nécessite pas de sélection et d'alignement de conformères et a été validée dans les études de (i) la bioactivité des compo-sés et (ii) l'énantiosélectivité des catalyseurs organiques chiraux. Dans de nombreux cas, les modèles MIL multi-conformationnelles 3D ont surpassé les approches classiques impliquant des descripteurs 2D populaires. Dans la deuxième partie, un concept d'apprentissage automa-tique conjugué a été introduit et appliqué à la modélisation des caractéristiques thermody-namiques et cinétiques des réactions chimiques. L'apprentissage automatique conjugué intègre des équations fondamentales avec des algorithmes d'apprentissage automatique, ce qui le distingue de l'apprentissage multitâche traditionnel ne capturant que la relation statis-tique entre les tâches.

This Ph.D. thesis is devoted to the development of advanced machine learning techniques for the modeling of properties of molecules and reactions. Coupling the Multi-Instance machine Learning (MIL) method with the pharmacophoric 3D descriptors enabled the construction of predictive models accounting for an ensemble of molecular conformations. This 3D approach does not require the selection and alignment of conformers and was validated in the case studies of (i) the bioactivity of compounds and (ii) the enantioselectivity of chiral organic catalysts. In many cases, 3D multi-conformation MIL models overperformed classical ap-proaches involving popular 2D descriptors. In the second part, a concept of conjugated ma-chine learning was introduced and applied to the modeling of thermodynamic and kinetic characteristics of reactions. Conjugated machine learning integrates fundamental equations with machine learning algorithms, which distinguishes it from traditional multi-task learning capturing only the statistical relationship between the tasks.