Calcul quantique pour la prédiction des interactions médicament–cible à l’aide de réseaux de neurones graphiques

L’identification des interactions médicament–protéine (DTI) constitue une étape essentielle de la découverte et du repositionnement de médicaments. Les approches d’apprentissage profond telles que les CNN, RNN et GNN ont démontré leur efficacité, mais demeurent limitées par la complexité combinatoire et la non-linéarité élevée des données chimiques et protéiques.
Ce projet propose d’intégrer le calcul quantique dans un pipeline basé sur les Graph Neural Networks (GNN) afin de tirer parti des propriétés uniques du quantum computing pour explorer plus efficacement l’espace chimico-biologique. Les circuits quantiques offrent la possibilité de représenter les données dans des espaces de Hilbert de très grande dimension, favorisant une représentation plus riche et expressive des graphes moléculaires et protéiques.
L’objectif est de concevoir un modèle hybride quantique-classique capable d’améliorer la prédiction des DTI en précision et en efficacité computationnelle. L’utilisation de simulateurs et, lorsque possible, de matériel quantique réel (IBM Q, PennyLane, Qiskit) permettra d’évaluer la faisabilité et les gains potentiels de ces approches émergentes. Ce travail ambitionne ainsi de démontrer le rôle prometteur du calcul quantique dans la bioinformatique, en ouvrant la voie à des outils d’analyse plus puissants pour la recherche pharmaceutique.

Faculty Supervisor:

Khadidja Henni

Student:

Partner:

École Supérieure en Informatique Sidi Bel Abbès

Discipline:

Computer science

Sector:

Education

University:

Université TÉLUQ

Program: