Développement d’une approche pour la prédiction de l'activité biologique des composés chimiques et l'amélioration des performances du processus de recherche dans les bases de données chimiques, à la base de l’intelligence artificielle / Nada Safsaf  

Public ISBD Titre : Développement d’une approche pour la prédiction de l'activité biologique des composés chimiques et l'amélioration des performances du processus de recherche dans les bases de données chimiques, à la base de l’intelligence artificielle Type de document : texte imprimé Auteurs : Nada Safsaf, Auteur ; Ismahan Mellaz ; Fouaz Berrhail, Directeur de thèse Editeur : Sétif:UFS Année de publication : 2023 Importance : 1 vol (f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Prédiction de l’activité biologique Recherche de bases de données chimiques LBVS, Intelligence artificielle Apprentissage profond Fingerprints 2D Découverte de médicaments. Index. décimale : 004 - Informatique Résumé : Prédire l'activité biologique des molécules et accélérer le processus de découverte de médicaments sont des défis majeurs dans la recherche pharmaceutique, dans cette étude, nous avons abordé ces enjeux en développant et en évaluant plusieurs modèles de classification. Notre contribution dans ce travail consiste à évaluer l’utilisation de modèles de machine Learning tels que : SVM, NB, et des modèles Deep Learning tels que : CNN, RNN. Nous nous concentrons sur les réseaux neuronaux convolutionnels (CNN) et de machines à vecteurs de support (SVM) pour prédire l'activité biologiques des molécules étudiées, Les CNN, qui exploitent l'apprentissage profond, se sont révélés efficaces pour analyser les données structurées, telles que les représentations moléculaires, ils ont permis de détecter des motifs complexes et d'apprendre les relations entre les caractéristiques des composés et leur activité biologique. Parallèlement, les SVM, en tant qu'algorithmes d'apprentissage automatique adaptés à la classification binaire, ont contribué à séparer les composés actifs des inactifs. Dans le cadre de notre étude, nous avons également exploré les performances des classificateurs naïfs bayésiens (NB) et réseau de neurones récurrents (RNN), afin d'évaluer leur pertinence dans la prédiction de l'activité biologique des molécules. Afin de tester et évaluer notre approche, nous avons effectué la partie expérimentation sur les ensembles de données MDDR (MDL Drug Data Report), trois data sets sont utilisées exemples Alog_P, CDK, et Graph_Only. Les résultats obtenus ont été extrêmement prometteurs, démontrant l'efficacité remarquable de nos modèles de CNN et de SVM dans la prédiction de l'activité biologique des molécules, les performances en termes de précision, de rappel et d'exactitude ont été remarquables, ouvrant ainsi de nouvelles perspectives pour améliorer la sélection des candidats médicamenteux = Predicting the biological activity of molecules and accelerating the Drug Discovery process are major challenges in pharmaceutical research; in this study, we addressed these issues by developing and evaluating several classification models. Our contribution in this work consists in evaluating the use of Machine Learning models such as: SVM, NB, and Deep Learning models such as : CNN, RNN. Focusing on Convolutional Neural Networks (CNN) and Support Vector Machines (SVM) to predict the activity of the molecules. The CNNs, which exploit deep learning, proved effective in analyzing structured data, such as molecular representations, detecting complex patterns and learning relationships between compound features and their biological activity. At the same time, SVMs, as machine learning algorithms adapted to binary classification, have helped separate active from inactive compounds. As part of our study, we also explored the performance of naive Bayesian (NB) and recurrent neural network (RNN) classifiers, to assess their relevance in predicting the biological activity of molecules. In order to test and evaluate our approach, we performed the experimentation part on the MDDR datasets (MDL Drug Data Report), three datasets have used as examples Alog_P, CDK, and Graph_Only The obtained results were extremely promising, demonstrating the remarkable effectiveness of our CNN and SVM models in predicting the biological activity of molecules. Performance in terms of precision, recall and accuracy was remarkable, opening up new prospects for improving the selection of drug candidates. Côte titre : MAI/0778 En ligne : https://drive.google.com/file/d/1Py4WchKQkliAokEHNMQFKiN_NfzaZtUl/view?usp=drive [...] Format de la ressource électronique : pdf Développement d’une approche pour la prédiction de l'activité biologique des composés chimiques et l'amélioration des performances du processus de recherche dans les bases de données chimiques, à la base de l’intelligence artificielle [texte imprimé] / Nada Safsaf, Auteur ; Ismahan Mellaz ; Fouaz Berrhail, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (f.) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Prédiction de l’activité biologique Recherche de bases de données chimiques LBVS, Intelligence artificielle Apprentissage profond Fingerprints 2D Découverte de médicaments. Index. décimale : 004 - Informatique Résumé : Prédire l'activité biologique des molécules et accélérer le processus de découverte de médicaments sont des défis majeurs dans la recherche pharmaceutique, dans cette étude, nous avons abordé ces enjeux en développant et en évaluant plusieurs modèles de classification. Notre contribution dans ce travail consiste à évaluer l’utilisation de modèles de machine Learning tels que : SVM, NB, et des modèles Deep Learning tels que : CNN, RNN. Nous nous concentrons sur les réseaux neuronaux convolutionnels (CNN) et de machines à vecteurs de support (SVM) pour prédire l'activité biologiques des molécules étudiées, Les CNN, qui exploitent l'apprentissage profond, se sont révélés efficaces pour analyser les données structurées, telles que les représentations moléculaires, ils ont permis de détecter des motifs complexes et d'apprendre les relations entre les caractéristiques des composés et leur activité biologique. Parallèlement, les SVM, en tant qu'algorithmes d'apprentissage automatique adaptés à la classification binaire, ont contribué à séparer les composés actifs des inactifs. Dans le cadre de notre étude, nous avons également exploré les performances des classificateurs naïfs bayésiens (NB) et réseau de neurones récurrents (RNN), afin d'évaluer leur pertinence dans la prédiction de l'activité biologique des molécules. Afin de tester et évaluer notre approche, nous avons effectué la partie expérimentation sur les ensembles de données MDDR (MDL Drug Data Report), trois data sets sont utilisées exemples Alog_P, CDK, et Graph_Only. Les résultats obtenus ont été extrêmement prometteurs, démontrant l'efficacité remarquable de nos modèles de CNN et de SVM dans la prédiction de l'activité biologique des molécules, les performances en termes de précision, de rappel et d'exactitude ont été remarquables, ouvrant ainsi de nouvelles perspectives pour améliorer la sélection des candidats médicamenteux = Predicting the biological activity of molecules and accelerating the Drug Discovery process are major challenges in pharmaceutical research; in this study, we addressed these issues by developing and evaluating several classification models. Our contribution in this work consists in evaluating the use of Machine Learning models such as: SVM, NB, and Deep Learning models such as : CNN, RNN. Focusing on Convolutional Neural Networks (CNN) and Support Vector Machines (SVM) to predict the activity of the molecules. The CNNs, which exploit deep learning, proved effective in analyzing structured data, such as molecular representations, detecting complex patterns and learning relationships between compound features and their biological activity. At the same time, SVMs, as machine learning algorithms adapted to binary classification, have helped separate active from inactive compounds. As part of our study, we also explored the performance of naive Bayesian (NB) and recurrent neural network (RNN) classifiers, to assess their relevance in predicting the biological activity of molecules. In order to test and evaluate our approach, we performed the experimentation part on the MDDR datasets (MDL Drug Data Report), three datasets have used as examples Alog_P, CDK, and Graph_Only The obtained results were extremely promising, demonstrating the remarkable effectiveness of our CNN and SVM models in predicting the biological activity of molecules. Performance in terms of precision, recall and accuracy was remarkable, opening up new prospects for improving the selection of drug candidates. Côte titre : MAI/0778 En ligne : https://drive.google.com/file/d/1Py4WchKQkliAokEHNMQFKiN_NfzaZtUl/view?usp=drive [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0778	MAI/0778	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

---

1 (1 - 1 / 1)