• Annonces
  • Agenda partagé
  • Actualité partagée
• Espace ADUM
• Votre compte personnel
  • Compte
• Affiches réseau ADUM
  • Annonces Adum
• Inscription/Réinscription
• Retirer votre diplôme
• Catalogue de formation
• Soutenance de thèse
  • Soutenance en visio intégrale
• International
  • Aide à la mobilité internationale
  • Collège doctoral franco-allemand
• Après la thèse
  • Emploi
  • Mise à jour de la situation professionnelle
• Thèses en ligne
• Textes officiels
• Doctorat Site Institutionnel
  • Doctorat Site Institutionnel

Agenda partagé

Le 2 juillet 2019

Soutenance de thèse de Benoit PLAYE

Méthodes d'apprentissage statistique pour le criblage virtuel de médicament

Résumé de la thèse en français

Le processus de découverte de médicaments a un succès limité malgré tous les progrès réalisés dans la compréhension des maladies et les avancées technologiques. En effet, on estime actuellement que le développement d'un médicament nécessite environ 1,8 milliard de dollars américains sur environ 13 ans. Nous nous concentrons dans cette thèse sur des approches statistiques qui criblent virtuellement un grand ensemble de composés chimique contre un grand nombre de protéines, dans le but de faciliter et guider la découverte de médicaments. Leurs applications sont versatiles: elles permettent d'identifier des candidats médicaments pour des cibles thérapeutiques connues, d'identifier la cible et le mécanisme d'action de médicaments découverts par des tests phénotypiques, ou d'anticiper des effets secondaires potentiels en identifiant les cibles secondaires potentielles, ou de repositionner des médicaments connues dans de nouvelles indications thérapeutiques. Cette thèse est conçue selon deux cadres d'approches de criblage virtuel de molécules: les approches dans lesquelles les données sont décrites numériquement sur la base des connaissances des experts, et les approches basées sur l'apprentissage automatique de la représentation numérique à partir du graphe moléculaire et de la séquence protéique. Nous discutons ces approches et les appliquons dans le contexte du criblage virtuel pour guider la découverte de médicaments.

Résumé de la thèse en anglais

The rational drug discovery process has limited success despite all the advances in understanding diseases, and technological breakthroughs. Indeed, the process of drug development is currently estimated to require about 1.8 billion US dollars over about 13 years on average. Computational approaches appear as promising ways to facilitate the tedious task of drug discovery. We focus in this thesis on statistical approaches which virtually screen a large set of compounds against a large set of proteins, which can help to identify active molecules.Their applications are versatile: they can identify drug candidates for known therapeutic targets, identify the target and the mechanism of action of drugs discovered by phenotypic tests, anticipate potential side effects by identifying secondary protein targets or to suggest repositioning of known drugs in new therapeutic indications. This thesis is conceived following two lines of approaches to perform drug virtual screening: data-blinded feature-based approaches (in which molecules and proteins are numerically described based on experts' knowledge), and data-driven feature-based approaches (in which compounds and proteins numerical descriptors are learned automatically from the chemical graph and the protein sequence). We discuss these approaches, and also propose a couple of applications of virtual screening to guide the drug discovery process.

Titre anglais : Machine learning methods for drug virtual screening
Date de soutenance : mardi 2 juillet 2019 à h00
Adresse de soutenance : 60 Boulevard Saint-Michel, 75006 Paris - L109
Directeur de thèse : Véronique STOVEN

Voir tous les événements