| Titre : |
Une approche QSAR basée sur Deep Learning pour la sélection des descripteurs Explicatifs. |
| Type de document : |
texte imprimé |
| Auteurs : |
Mohamed Guendouz, Auteur ; Roumeissa Miri, Auteur ; Abdelbasset Boukelia, Directeur de thèse |
| Editeur : |
CONSTANTINE [ALGERIE] : Université Frères Mentouri Constantine |
| Année de publication : |
2021 |
| Importance : |
78 f. |
| Format : |
30 cm. |
| Note générale : |
Une copie electronique PDF disponible au BUC |
| Langues : |
Français (fre) |
| Catégories : |
Biologie:Biologie Appliquée
|
| Tags : |
QSAR, Descripteur moléculaire, Deep Learning, Optimisation coopérative,Biochimie Appliquée |
| Index. décimale : |
710 Biologie Appliquée |
| Résumé : |
Depuis les découvertes et les progrès de techniques de séquençages haut débit (NGS) et la
chromatographie en phase liquide à haute performance (HPLC), les chercheurs se focalisent sur le traitement
des cellules tumorales, en utilisant de nouvelles techniques thérapeutiques basées sur les tendances de la
découverte des médicaments. Cette dernière peut être décrite comme le processus d'identification des entités
chimiques. Les chercheurs se focalisent sur le traitement des cellules tumorales, en utilisant nouvelles
techniques thérapeutiques. La relation quantitative structure-activité (QSAR) est un domaine important dans la
conception et de la découverte de médicaments, la recherche des renseignements sur la structure chimique des
activités biologiques et pharmaceutiques. Cette approche exige de bons descripteurs moléculaires
représentatifs des caractéristiques moléculaires responsables de l’activité moléculaire pertinente.
Dans ce travail, nous allons proposer une technique de l’apprentissage approfondi (Deep Learning)
basée sur les réseaux de neurones à convolution (CNN) pour construire un modèle de régression QSAR
comme une première partie de travail. Ensuite, nous allons intégrer un modèle des ilots généralisés qui est un
modèle d’optimisation et de recherche coopérative, afin de trouver un pattern de descripteurs pertinents pour
les molécules de NSCLC.
Les résultats expérimentaux obtenus à partir le modèle de régression basé sur CNN sont très
prometteuse, avec un coefficient de détermination supérieur à 80,51%. Ainsi, nous avons obtenu plusieurs
patterns de descripteurs de l’activité biologique ciblée. |
| Diplome : |
Master 2 |
| Permalink : |
https://bu.umc.edu.dz/master/index.php?lvl=notice_display&id=15318 |
Une approche QSAR basée sur Deep Learning pour la sélection des descripteurs Explicatifs. [texte imprimé] / Mohamed Guendouz, Auteur ; Roumeissa Miri, Auteur ; Abdelbasset Boukelia, Directeur de thèse . - CONSTANTINE [ALGERIE] : Université Frères Mentouri Constantine, 2021 . - 78 f. ; 30 cm. Une copie electronique PDF disponible au BUC Langues : Français ( fre)
| Catégories : |
Biologie:Biologie Appliquée
|
| Tags : |
QSAR, Descripteur moléculaire, Deep Learning, Optimisation coopérative,Biochimie Appliquée |
| Index. décimale : |
710 Biologie Appliquée |
| Résumé : |
Depuis les découvertes et les progrès de techniques de séquençages haut débit (NGS) et la
chromatographie en phase liquide à haute performance (HPLC), les chercheurs se focalisent sur le traitement
des cellules tumorales, en utilisant de nouvelles techniques thérapeutiques basées sur les tendances de la
découverte des médicaments. Cette dernière peut être décrite comme le processus d'identification des entités
chimiques. Les chercheurs se focalisent sur le traitement des cellules tumorales, en utilisant nouvelles
techniques thérapeutiques. La relation quantitative structure-activité (QSAR) est un domaine important dans la
conception et de la découverte de médicaments, la recherche des renseignements sur la structure chimique des
activités biologiques et pharmaceutiques. Cette approche exige de bons descripteurs moléculaires
représentatifs des caractéristiques moléculaires responsables de l’activité moléculaire pertinente.
Dans ce travail, nous allons proposer une technique de l’apprentissage approfondi (Deep Learning)
basée sur les réseaux de neurones à convolution (CNN) pour construire un modèle de régression QSAR
comme une première partie de travail. Ensuite, nous allons intégrer un modèle des ilots généralisés qui est un
modèle d’optimisation et de recherche coopérative, afin de trouver un pattern de descripteurs pertinents pour
les molécules de NSCLC.
Les résultats expérimentaux obtenus à partir le modèle de régression basé sur CNN sont très
prometteuse, avec un coefficient de détermination supérieur à 80,51%. Ainsi, nous avons obtenu plusieurs
patterns de descripteurs de l’activité biologique ciblée. |
| Diplome : |
Master 2 |
| Permalink : |
https://bu.umc.edu.dz/master/index.php?lvl=notice_display&id=15318 |
|
Affiner la rechercheUne approche QSAR basée sur Deep Learning pour la sélection des descripteurs Explicatifs. / Mohamed Guendouz
