Prédiction de propriétés pharmacologiques à partir de profils transcriptomiques et de simulations d’amarrage moléculaire par apprentissage automatique

Lena Herbold, co-direction avec Olivier Mailhot

Le développement de thérapies anticancéreuses exige des stratégies précises et riches en données afin d’identifier des composés à la fois efficaces et sûrs. Ce projet intègre des profils transcriptomiques issus de lignées cellulaires cancéreuses traitées par des médicaments avec des approches de docking moléculaire computationnel et d’apprentissage automatique, afin de mieux prédire l’activité et la sécurité des composés.

En combinant des données RNA-seq à des simulations de docking moléculaire à grande échelle, l’objectif est de mieux comprendre comment les petites molécules modulent l’expression génique et de construire des modèles prédictifs de l’efficacité des médicaments, de leurs cibles moléculaires et de leurs propriétés ADMET (absorption, distribution, métabolisme, excrétion et toxicité).

Ce travail vise à établir une plateforme computationnelle unifiée permettant de prioriser plus efficacement les candidats thérapeutiques prometteurs en recherche oncologique.