Une méthode d’apprentissage de graphe adaptatif pour les prédictions automatisées des interactions et propriétés moléculaires

Améliorer l’efficacité de la découverte de médicaments constitue un défi central et persistant dans ce domaine. À cet effet, de nombreuses méthodes d’apprentissage sur graphes ont été développées afin de rechercher rapidement et à faible coût des candidats potentiels à des médicaments. En réalité, la quête de performances prédictives élevées sur un nombre limité de jeux de données a abouti à une cristallisation des architectures et des hyperparamètres de ces méthodes, réduisant ainsi leur avantage lorsqu’elles sont réutilisées sur de nouvelles données générées dans le cadre de la découverte de médicaments. Dans cet article, nous proposons une méthode flexible capable de s’adapter à tout jeu de données et de produire des prédictions précises. La méthode proposée utilise un pipeline adaptable pour apprendre à partir d’un jeu de données et générer un prédicteur. Sans intervention manuelle, elle atteint des performances prédictives nettement supérieures à celles des méthodes traditionnelles, fondées sur des architectures neuronales conçues à la main et d’autres éléments fixes, sur tous les jeux de données testés. En outre, nous avons constaté que la méthode proposée est plus robuste que les approches classiques et offre une interprétabilité significative. Étant donné ces avantages, la méthode proposée peut servir de méthode fiable pour prédire les interactions et les propriétés moléculaires, offrant une grande adaptabilité, une haute performance, une robustesse accrue et une interprétabilité pertinente. Ce travail représente une avancée solide vers l’objectif d’aider les chercheurs à concevoir des médicaments plus efficaces.