Développement d’un modèle prédictif d’apprentissage automatique pour les applications de conception de médicaments

Abstract

Ce travail vise à développer un modèle prédictif basé sur des techniques d'intelligence artificielle pour estimer l'activité biologique des composés chimiques vis-à-vis de l'enzyme CYP3A4, l'une des principales enzymes dans le métabolisme des médicaments dans le corps. Les données biologiques ont été extraites de la base ChEMBL, où elles ont été purifiées et converties des valeurs IC50 en pIC50, avant de classer les molécules selon leurs niveaux d'activité. Ensuite, l'outil PaDEL-Descriptor a été utilisé pour extraire les descripteurs moléculaires, suivi de la phase de construction des modèles prédictifs en utilisant plusieurs algorithmes d'apprentissage automatique, les plus importants étant Gradient Boosting, Random Forest et SVR. Après évaluation, le modèle Gradient Boosting a montré une performance exceptionnelle avec un coefficient de détermination R² de 0,896, surpassant les autres modèles en termes de précision et de réduction des valeurs RMSE et MAE, ce qui indique son efficacité élevée dans la prédiction de l'efficacité des composés. Ces résultats reflètent la valeur ajoutée des techniques d'apprentissage automatique dans le domaine de la conception de médicaments, en particulier en ce qui concerne l'accélération du criblage virtuel et la réduction des coûts associés aux essais biologiques traditionnels, tout en mettant en évidence la capacité de ces modèles à soutenir la prise de décision lors des phases de découverte de nouvelles composés pharmaceutiques