Prédiction des interactions médicament–cible dans le paludisme à l’aide de réseaux de neurones sur graphes et d’apprentissage profond

Le paludisme, aussi appelé la malaria, est l’une des maladies infectieuses les plus meurtrières au monde. Elle est causée par le parasite protozoaire Plasmodium. Malgré les avancées significatives dans la compréhension de ce parasite, plusieurs enjeux persistent, notamment le développement de résistances aux traitements antipaludiques actuels. Cette problématique renforce l’urgence de découvrir de nouveaux composés capables de cibler des mécanismes biologiques encore peu exploités chez Plasmodium.

Dans ce contexte, les approches de Drug–Target Interaction (DTI) constituent une alternative complémentaire et pertinente aux approches phénotypiques traditionnelles. Elles visent à prédire explicitement l’interaction entre une molécule candidate et une protéine cible spécifique, permettant ainsi d’associer l’activité d’un composé à un mécanisme biologique précis. Cependant, la prédiction des interactions médicament–cible demeure un défi complexe. Les diversités et complexités des structures des molécules et des protéines parasitaires rendent la modélisation de leurs interactions délicate.

Les récents progrès de l’intelligence artificielle, notamment l’émergence des Graph Neural Networks (GNN), offrent de nouvelles perspectives dans le cas du paludisme avec une modélisation explicite des interactions médicaments-cible.

L’objectif principal de ce projet est de développer un modèle de DTI sur les GNN pour prédire efficacement les interactions entre des antipaludiques candidats et des protéines cibles de Plasmodium falciparum.

Faculty Supervisor:

Thomas Tremblay;Khadidja Henni

Student:

Partner:

École nationale supérieure d'informatique

Discipline:

Computer science

Sector:

Artificial Intelligence; Pharmaceuticals

University:

Université TÉLUQ

Program: