Dans le domaine de la chimie et plus particulièrement en chimio-informatique, les modèles QSAR (pour Quantitative Structure Activity Relationship) sont de plus en plus étudiés. Ils permettent d’avoir une estimation in silico des propriétés des composés chimiques notamment des propriétés éco toxicologiques. Ces modèles ne sont théoriquement valables que pour une classe de composés (domaine de validité) et sont sensibles à la présence de valeurs atypiques. La thèse s’est focalisée sur la construction de modèles globaux robustes (intégrant un maximum de composés) permettant de prédire l’écotoxicité des composés chimiques sur une algue P. Subcapitata et de déterminer un domaine de validité dans le but de déduire la capacité de prédiction d’un modèle pour une molécule. Ces modèles statistiques robustes sont basés sur une approche quantile en régression linéaire et en régression Support Vector Machine. / In chemistry and more particularly in chemoinformatics, QSAR models (Quantitative Structure Activity Relationship) are increasingly studied. They provide an in silico estimation of the properties of chemical compounds including ecotoxicological properties. These models are theoretically valid only for a class of compounds (validity domain) and are sensitive to the presence of outliers. This PhD thesis is focused on the construction of robust global models (including a maximum of compounds) to predict ecotoxicity of chemical compounds on algae P. subcapitata and to determine a validity domain in order to deduce the capacity of a model to predict the toxicity of a compound. These robust statistical models are based on quantile approach in linear regression and regression Support Vector Machine.

Désireux de mettre au point de nouvelles substances pouvant présenter une activité biologique potentielle au niveau du Système Nerveux Central, nous avons envisagé d'étudier les Relations Quantitatives Structure-Activité (QSAR) sur plusieurs familles de composés 5-HT1A. L'objectif était de prédire l'activité et la sélectivité biologique de nouveaux ligands 5-HT1A vis-à-vis de certains neurorécepteurs transmembranaires (5-HT1A, alpha1, alpha2, D2). Pour ce faire, 382 composés issus de différentes familles chimiques (indole, tétraline, chromane, thiochromane, pipérazine, etc...) ont été modélisés et superposés aux pharmacophores 5-HT1A. Nous avons ensuite, pour chaque molécule, calculé et comparé différents descripteurs moléculaires représentatifs de l'aspect électrostatique, lipophilique, stérique et topologique. Les différentes tables constituées des composés et des descripteurs ont ensuite été étudiées par des analyses statistiques comme l'analyse en composantes principales, l'analyse discriminante, la régression multiple et l'analyse Partial Least Square. A partir des meilleurs modèles statistiques, l'activité biologique de nouveaux ligands a été prédite. Après la synthèse et les tests pharmacologiques, ces prédictions se sont révélées précises (écart moyen de 1 unité de pIC50). En parallèle, une étude de dynamique moléculaire du récepteur sérotoninergique transmembranaire 5-HT1A a été entreprise afin de rendre compte de l'importance fonctionnelle de ces ligands au niveau des interactions électrostatiques, stériques et lipophiliques mises en jeu au sein du site actif du récepteur. Ces études sur un nombre limité de complexes ligand/récepteur ont aussi été menées afin de comprendre le rôle de certaines parties fonctionnelles de ces ligands, rôle mal défini jusqu'alors par les autres techniques. Nous avons aussi obtenu des informations qualitatives sur les interactions et la mobilité de certaines parties du récepteur, entre autres sur les hélices transmembranaires TMH5, 6 et 7.

Le choix des molécules à tester joue un rôle essentiel dans le succès d'un criblage destiné à identifier de nouveaux composés bioactifs. Les deux étapes importantes dans la préparation des molécules pour le criblage sont le choix de l'espace chimique à considérer et la sélection des molécules pertinentes dans cet espace.<br />Idéalement la préparation des composés destinés au criblage devrait se faire grâce à un logiciel dédié à cette problématique. Il n'existe cependant aucun logiciel qui soit complètement adapté. Nous avons donc entrepris le développement d'un logiciel de ce type : ScreeningAssistant.<br />Ce logiciel s'appuie sur un système de gestion de bases de données et permet de créer et de maintenir à jour des chimiothèques de plusieurs millions de molécules uniques provenant de fournisseurs différents. Il permet également de filtrer les structures, en éliminant les molécules potentiellement problématiques ou avec des probabilités d'activités faibles, et de sélectionner un ensemble de composés divers. <br />Ce logiciel a été utilisé pour l'analyse d'une base de 5 millions de références provenant de 38 fournisseurs de produits chimiques. La proportion de composés uniques, originaux, « drug-like », « lead-like », et divers ont été comparés. La diversité a été étudiée en utilisant des notions différentes, et un score de diversité globale, prenant en compte la diversité suivant les différents critères, a été proposé.<br />Différentes applications de sélection de composés pour le criblage sont présentées. Ces applications utilisent le programme ScreeningAssistant et d'autres algorithmes développés pour résoudre certains problèmes particuliers.

Proteochemometrics (PCM) est une bioactivité prophétique la méthode posante de simultanément modeler la bioactivité de ligands multiple contre des objectifs multiples... / Proteochemometrics (PCM) is a predictive bioactivity modelling method to simultaneously model the bioactivity of multiple ligands against multiple targets. Therefore, PCM permits to explore the selectivity and promiscuity of ligands on biomolecular systems of different complexity, such proteins or even cell-line models. In practice, each ligand-target interaction is encoded by the concatenation of ligand and target descriptors. These descriptors are then used to train a single machine learning model. This simultaneous inclusion of both chemical and target information enables the extra- and interpolation to predict the bioactivity of compounds on targets, which can be not present in the training set. In this thesis, a methodological advance in the field is firstly introduced, namely how Bayesian inference (Gaussian Processes) can be successfully applied in the context of PCM for (i) the prediction of compounds bioactivity along with the error estimation of the prediction; (ii) the determination of the applicability domain of a PCM model; and (iii) the inclusion of experimental uncertainty of the bioactivity measurements. Additionally, the influence of noise in bioactivity models is benchmarked across a panel of 12 machine learning algorithms, showing that the noise in the input data has a marked and different influence on the predictive power of the considered algorithms. Subsequently, two R packages are presented. The first one, Chemically Aware Model Builder (camb), constitues an open source platform for the generation of predictive bioactivity models. The functionalities of camb include : (i) normalized chemical structure representation, (ii) calculation of 905 one- and two-dimensional physicochemical descriptors, and of 14 fingerprints for small molecules, (iii) 8 types of amino acid descriptors, (iv) 13 whole protein sequence descriptors, and (iv) training, validation and visualization of predictive models. The second package, conformal, permits the calculation of confidence intervals for individual predictions in the case of regression, and P values for classification settings. The usefulness of PCM to concomitantly optimize compounds selectivity and potency is subsequently illustrated in the context of two application scenarios, which are: (a) modelling isoform-selective cyclooxygenase inhibition; and (b) large-scale cancer cell-line drug sensitivity prediction, where the predictive signal of several cell-line profiling data is benchmarked (among others): basal gene expression, gene copy-number variation, exome sequencing, and protein abundance data. Overall, the application of PCM in these two case scenarios let us conclude that PCM is a suitable technique to model the activity of ligands exhibiting uncorrelated bioactivity profiles across a panel of targets, which can range from protein binding sites (a), to cancer cell-lines (b).

Prédire, modéliser et analyser le métabolisme de xénobiotiques, substances étrangères à un organisme, à l'aide de méthodes informatiques est un challenge majeur mobilisant la communauté scientifique depuis de nombreuses années. Cette thèse vise à implémenter des méthodes informatiques multi-échelles pour prédire et analyser le métabolisme des xénobiotiques. Un premier axe de cette étude portait sur la construction et l'annotation automatique de novo de graphes métaboliques combinant fortes sensibilités et précisions. Ces graphes fournissent ainsi la prédiction du métabolisme de xénobiotiques chez l'homme, ainsi que la génotoxicité des molécules et atomes qui le composent. Puis, le travail s'est orienté sur l'implémentation d'un modèle mathématique dynamique modélisant des effets de compétition enzymatique à travers le développement d'une méthodologie permettant l'exploitation de données biologiques restreintes tout en limitant les biais inhérents. / Predicting, modelling and analysing the metabolism of xenobiotics, substances foreign to an organism, using computer methods, has been a major challenge for the scientific community for many years. This thesis aims to implement multiscale computing methods for predicting and analyzing the metabolism of xenobiotics. A first focus of this study was on the construction and automatic de novo annotation of metabolic graphs combining high sensitivity and precision. These graphs thus provide the prediction of the metabolism of xenobiotics in humans, as well as the genotoxicity of the molecules and atoms that make up xenobiotics. Then, the work focused on the implementation of a dynamic mathematical model modelling enzymatic competition effects through the development of a methodology allowing the exploitation of limited biological data while limiting inherent biases.