L'apprentissage ponctuel en profondeur appliqué à la découverte de médicaments

Souaker, Fathi (2021). « L'apprentissage ponctuel en profondeur appliqué à la découverte de médicaments » Mémoire. Montréal (Québec), Université du Québec à Montréal, Maîtrise en génie électrique.

Fichier(s) associé(s) à ce document :

Prévisualisation	PDF Télécharger (2MB)

Résumé

Nous présentons une architecture neuronale qui exploite l’apprentissage ponctuel pour la découverte des médicaments. Elle peut prédire si une molécule candidate se qualifie pour une investigation plus approfondie en laboratoire pour devenir un médicament. Ceci est accompli en évaluant la similitude entre sa structure moléculaire et celle d’une molécule éprouvée qui sert de mémoire de référence, sans avoir besoin de nouvel entraînement pour de nouvelles classes. Le modèle utilise deux modules de traitement identiques configurés en réseau siamois pour créer des représentations internes des deux molécules, et une distance métrique évalue la proximité des sorties des deux modules avant la classification, conduisant à une architecture d'apprentissage légère et avec peu de paramètres à régler. Les expériences de validation en utilisant trois molécules de référence aux propriétés thérapeutiques différentes montrent une précision moyenne de 95,6% pour prédire si une molécule candidate est similaire à la référence. L’entrainement pour chacune des trois molécules a été accompli avec deux ensembles de 25 paires de molécules composés respectivement d’échantillons positifs et négatifs tirés au hasard de la base de données ChemPub. Chaque simulation a pris 43 minutes à compléter sur une station PC de performances moyenne, en l’absence d’une carte de GPU pour accélérer les calculs. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : découverte des médicaments, apprentissage ponctuel, Réseau Siamois, Inception, CNN, distance Euclidienne, perte contrastive, fonction de perte croisée

Type:	Mémoire accepté
Informations complémentaires:	Fichier numérique reçu et enrichi en format PDF/A.
Directeur de thèse:	Boukadoum, Mounir
Mots-clés ou Sujets:	Développement de médicaments / Apprentissage profond / Réseaux neuronaux artificiels / Intelligence artificielle en médecine
Unité d'appartenance:	Faculté des sciences
Déposé par:	Service des bibliothèques
Date de dépôt:	11 nov. 2022 11:28
Dernière modification:	11 nov. 2022 11:28
Adresse URL :	http://archipel.uqam.ca/id/eprint/16124

Modifier les métadonnées (propriétaire du document)

Statistiques