Conception moléculaire par IA multitâche et exploration chémographique
Molecular design by multitask AI and chemographic exploration
ADMET
IA
Médicament
Chimie
Décision
ADMET
AI
Drug
Chemistry
Decision
542.8
Chimie -- Informatique
Médicaments
Chimie
Intelligence artificielle
Cette thèse vise à faire progresser le rôle de la modélisation in silico dans la recherche pharmaceutique, en abordant les défis persistants liés aux échecs tardifs et aux inefficacités du développement de médicaments. L’évaluation ADMET (Absorption, Distribution, Métabolisme, Élimination et Toxicité) intervient souvent trop tard dans le processus, augmentant ainsi les coûts et ralentissant la progression. Pour remédier à ces problèmes, la modélisation in silico, en particulier la prédiction précoce des propriétés ADMET (eADMET), est devenue essentielle pour rationaliser la prise de décision dès les premières étapes de la découverte de médicaments. Cependant, la complexité de la biologie humaine, l’évolution des modèles expérimentaux et les incohérences des données exigent des modèles prédictifs à la fois précis, adaptables et interprétables. Cette thèse propose une approche systématique pour l’amélioration de la modélisation eADMET, en s’appuyant sur le nettoyage des données, l’apprentissage multi-tâches, l’application à grande échelle et la collaboration humain-machine.
This thesis is dedicated to advancing the role of in silico modeling in pharmaceutical research, addressing the persistent challenges of late-stage failures and inefficiencies in drug development. ADMET (Absorption, Distribution, Metabolism, Elimination, and Toxicity) testing often occurs too late in the pipeline, driving up costs and delaying progress. To mitigate these issues, in silico modeling, particularly early ADMET (eADMET) prediction, has become essential for streamlining decision-making in early drug discovery. However, the complexity of human biology, evolving assays, and data inconsistencies necessitate predictive models that are not only accurate but also adaptable and interpretable. This thesis presents a systematic approach to refining eADMET modeling through data curation, multi-task learning, large-scale applicability, and human–machine collaboration.
Electronic Thesis or Dissertation
Text
en
PDF
54012188
https://publication-theses.unistra.fr/public/theses_doctorat/2025/Llompart_Pierre_2025_ED222.pdf
http://www.theses.fr/2025STRAF045/abes
https://theses.hal.science/tel-05455986
https://theses.hal.science/tel-05455986
https://theses.hal.science/tel-05455986
https://theses.hal.science/tel-05455986
https://theses.hal.science/tel-05455986
Llompart
Pierre
1997-12-29
FR
292837097
0708022392G
22127261
4200003
https://theses.fr/2025STRAF045
2025STRAF045
https://doi.org/10.70675/fb85a5d8z15e0z4698z9997zbd0013c9d9e5
2025-06-05
Chimie informatique et théorique
Strasbourg
131056549
Doctorat
Docteur es
non
oui
Marcou
Gilles
MADS_DIRECTEUR_DE_THESE_1
3100
076019276
Minoletti-Hochepied
Claire
MADS_DIRECTEUR_DE_THESE_2
242679013
Kellenberger
Esther
MADS_PRESIDENT_DU_JURY
16406883X
Varnek
Alexandre
MADS_MEMBRE_DU_JURY_1
124416993
Camproux
Anne-Claude
MADS_MEMBRE_DU_JURY_2
129585041
Taboureau
Olivier
MADS_MEMBRE_DU_JURY_3
069546185
Lagarde
Nathalie
MADS_RAPPORTEUR_1
137257937
Kirchmair
Johannes
MADS_RAPPORTEUR_2
180927450
École doctorale des Sciences chimiques (Strasbourg ; 1995-....)
MADS_ECOLE_DOCTORALE_1
222
156504081
Chimie de la matière complexe (Strasbourg)
MADS_PARTENAIRE_DE_RECHERCHE_1
403339
157547027
ddc:540
Marcou
Gilles
Minoletti-Hochepied
Claire
Kellenberger
Esther
Varnek
Alexandre
Camproux
Anne-Claude
Taboureau
Olivier
Lagarde
Nathalie
Kirchmair
Johannes
École doctorale des Sciences chimiques (Strasbourg ; 1995-....)
Chimie de la matière complexe (Strasbourg)
PDF
54012188