Generation of novel molecules and reactions by chemography-guided artificial intelligence - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2023

Generation of novel molecules and reactions by chemography-guided artificial intelligence

Génération de nouvelles molécules et réactions par intelligence artificielle guidée par la chemographie

William Bort
  • Fonction : Auteur
  • PersonId : 1338441
  • IdRef : 257782710

Résumé

This thesis is dedicated to the exploration and understanding of neural network latent spaces, to allow the creation of a link between the latter and classical structural descriptors to perform inverse QSAR. The generative potential of seq2seq architectures often comes with a blurry understanding of the rules governing its chemical spaces. A study of an Autoencoder’s chemical space construction showed its ability to recreate existing property distributions and molecular structures with varying degrees of success depending on complexity and density factors. The model was even successfully modified to generate feasible and novel reactions.However, the sequential interpretation of chemical structures through SMILES strings tend to create weaknesses in the resulting chemical spaces. As such, structural descriptors like ISIDA, which are more robust, are usually preferred to map and identify zones of interest when searching for active compounds. Several methods to harness the efficiency of ISIDA descriptors and combine it with the generative power of an Autoencoder latent space resulted in the development of a new architecture based on Conditional Variational Autoencoders and the Attention Mechanism to generate potent molecules against biological targets.
Cette thèse est dédiée à l’exploration et à la compréhension des espaces latents des réseaux de neurones, dans le but de créer un lien entre ces derniers et des descripteurs structuraux classiques afin de réaliser du QSAR inverse. Le potentiel génératif des architectures seq2seq est souvent accompagné d’une compréhension partielle des règles qui définissent leurs espaces latents. Une étude de la construction l’espace chimique d’un Autoencodeur a montré son habilité à recréer les propriétés et caractéristiques structurelles de molécules existantes avec différents niveaux de réussite selon la complexité des structures et leur densité dans l’espace. Le modèle a même été modifié pour générer des nouvelles réactions atteignables chimiquement. Cependant, l’interprétation séquentielle des structures chimiques à travers les chaînes SMILES ont tendance à créer des faiblesses dans les espaces chimiques résultants. De ce fait, les descripteurs ISIDA, qui sont plus robustes, sont généralement préférés lors de la cartographie et l’identification de zones d’intérêt lors de la recherche d’actifs. Plusieurs méthodes pour combiner l’efficacité des vecteurs ISIDA avec le pouvoir génératif d’un espace latent d’Autoencodeur ont abouti au développement d’une nouvelle architecture basée sur les Autoencodeurs Variationnels Conditionnels et le mécanisme d’Attention qui a permis la génération ciblée de nouvelles molécules potentiellement actives contre une cible biologique.
Fichier principal
Vignette du fichier
BORT_William_2023_ED222.pdf (13.48 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04405740 , version 1 (19-01-2024)

Identifiants

  • HAL Id : tel-04405740 , version 1

Citer

William Bort. Generation of novel molecules and reactions by chemography-guided artificial intelligence. Other. Université de Strasbourg, 2023. English. ⟨NNT : 2023STRAF047⟩. ⟨tel-04405740⟩
62 Consultations
26 Téléchargements

Partager

Gmail Facebook X LinkedIn More