Aller au contenu
  • English
  • Français
  • Projets et financement

    Opportunités de financement

    Projets financés

  • Actualités

    Nouvelles

    Événements

  • À propos

    Mission

    Plan stratégique

    Équipe

    Patients

    Partenaires

  • Blogue
  • Contact
  • English
  • Français

Utilisation de données chimiogénomiques pour améliorer les prédictions des médicaments basée sur l’apprentissage automatique

Utilisation de données chimiogénomiques pour améliorer les prédictions des médicaments basée sur l’apprentissage automatique

Accueil » Projets financés » Utilisation de données chimiogénomiques pour améliorer les prédictions des médicaments basée sur l’apprentissage automatique

Le projet avait pour objectif d’identifier de nouveaux composés présentant un potentiel thérapeutique contre un sous type à haut risque de leucémie myéloïde aiguë, en s’appuyant sur des approches computationnelles avancées et des validations expérimentales. À la suite d’un ajustement de partenariat, les travaux ont été réorientés vers l’utilisation d’outils académiques spécialisés en modélisation moléculaire, permettant de maintenir l’intégrité scientifique et opérationnelle du programme

La démarche a reposé sur l’application d’un logiciel de docking moléculaire à haut débit intégrant des composantes d’apprentissage automatique. Cette plateforme a permis de réaliser un criblage virtuel systématique de composés connus, puis d’étendre l’analyse à une vaste base de données regroupant plus de 35 millions de molécules commercialement disponibles. Les candidats identifiés ont été classés selon leur affinité prédite pour des protéines cibles associées à la progression de la leucémie

Les prédictions générées ont ensuite fait l’objet de validations expérimentales rigoureuses, notamment par thermophorèse à micro échelle et spectroscopie RMN, confirmant la pertinence de plusieurs interactions moléculaires. Ces validations ont permis d’établir une mesure objective de la performance des outils prédictifs utilisés et de renforcer la fiabilité des approches computationnelles intégrées au projet

Les travaux réalisés ont conduit à des retombées significatives, notamment la constitution d’un ensemble de données empiriques permettant d’évaluer la robustesse des outils de criblage virtuel, l’amélioration de la compréhension biologique des interactions entre composés candidats et protéines cibles, ainsi que l’établissement de bases méthodologiques solides pour soutenir les étapes ultérieures de découverte de nouvelles molécules thérapeutiques

Dans l’ensemble, le projet a permis de valider une stratégie intégrée combinant intelligence artificielle, modélisation moléculaire et validation expérimentale, renforçant ainsi les capacités de découverte précoce de composés actifs contre la leucémie

Chercheur principal

Brian Wilhelm
Université de Montréal

Cochercheurs et cochercheuses

Safia Safa
Université de Montréal
Sébastien Giguère
Valence Discovery
Maria Inès Zylber
Université de Montréal
Rafael Najmanovich
Université de Montréal
Thomas DesCôteaux
Université de Montréal

En résumé

Chercheur principal

Brian Wilhelm

Concours

IGVS-Intégration de la génomique

Statut

Terminé

Début

07 2021

Fin prévue

06 2023

Budget

200 000$
Infolettre
Réseaux sociaux
Linkedin-in

Projets et financement

Opportunités de financement

Projets financés

Actualités

Nouvelles

Événements

À propos

Mission

Plan stratégique

Équipe

Patients

Partenaires

Blogue

Contact

  • English
  • Français