Vendredi 2 mai 2025
Prédire les interactions médicamenteuses en contexte de polypharmacie : une approche par apprentissage profond
Sewagnouin Rogia Kpanou
Étudiante au doctorat, Corbeil Laboratory
Heure: 13h30
Local: PLT-3775
Résumé: La polypharmacie, pratique courante en médecine moderne, accroît significativement le risque d’interactions médicamenteuses et d’effets secondaires indésirables. Tester systématiquement toutes les combinaisons médicamenteuses étant irréaliste, beaucoup d’interactions nocives ne sont découvertes qu’après l’approbation, imposant ainsi une lourde charge aux agences de sécurité sanitaire. Il est donc crucial de développer des outils prédictifs in silico permettant d’identifier et de prioriser les médicaments prometteurs dès les premières étapes du développement, tout en surveillant ceux déjà commercialisés.
Dans cette présentation, nous démontrerons comment l’apprentissage profond permet de prédire efficacement les effets secondaires des interactions médicamenteuses à partir de leurs structures moléculaires. En focalisant exclusivement sur ces structures, ces modèles offrent une prédiction fiable des effets dès les premiers stades de la découverte de médicaments. Nous renforçons également leur robustesse en les entraînant et en les testant dans des conditions proches de celles du déploiement réel, ce qui améliore leur capacité de généralisation dans des contextes où de nouveaux médicaments sont constamment introduits. Nous avons également développé des méthodes pour extraire des représentations moléculaires pertinentes et robustes, améliorant ainsi la puissance prédictive et l’applicabilité de nos modèles.
