Molecular design by multitask AI and chemographic exploration

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.