Intelligence Artificielle explicable pour la découverte et la validation de cibles thérapeutiques

Explainable Artificial Intelligence for therapeutic target selection and validation

• Auteur / Autrice : Zineb Outemzabet
• Direction : Aurélie Bertaux, Nicolas Gaud
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 04/10/2021
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : SPIM - Sciences Physiques pour l'Ingénieur et Microtechniques
• Partenaire(s) de recherche : Laboratoire : Connaissance et Intelligence Artificielle Distribuées
• Partenaire(s) de recherche : établissement de préparation : Université de Bourgogne (1970-....)

Mots clés

Mots clés libres

Intelligence artificielle

Cible thérapeutique

Machine learning

Médecine de précision

Théorie des graphes

Oncologie

Artificial Intelligence

Therapeutic target

Machine Learning

Precision Medicine

Graph mining

Oncology

Résumé

Le défi de la thèse est d'exploiter les big data (plus en termes de dimensionnalité et d'hétéromodalité que de quantité) pour la recherche clinique et le développement de médicaments, afin de mieux comprendre les pathologies, de formuler des hypothèses sur de nouveaux mécanismes d'action et d'identifier les cibles thérapeutiques innovantes correspondantes. Pour relever ce défi, de nombreux travaux émergents proposent la conception d'IA explicables, permettant l'identification de cibles thérapeutiques innovantes par l'instillation de connaissances d'experts en découverte de médicaments. Ces IA explicables combinent des approches d'IA connexionnistes telles que l'apprentissage profond, les réseaux neuronaux, etc. et des IA causales basées sur la modélisation de graphes causaux de connaissances dérivées des connaissances des experts du domaine. Cette instillation de connaissances humaines dans les approches de modélisation permet d'améliorer l'explicabilité de l'IA par la contrainte.

The thesis challenge is to exploit big data (more in terms of dimensionality and heteromodality rather than quantity) for clinical research and drug development, to advance better understanding of pathologies and formulate hypothesis on new mechanism of actions and identify corresponding innovative therapeutic targets. To meet this challenge, many emerging works propose the design of explainable AIs, allowing the identification of innovative therapeutic targets by drug discovery expert knowledge instillation. These explainable AIs combine connectionist AI approaches such as deep learning, neural networks, etc. and causal AIs based on modelling causal graphs of knowledge derived from the knowledge of domain experts. Such human knowledge instillation to modelling approaches lead to enhance AI explainability by constraint.