Exploiter la modélisation du Deep Learning et les informations sur le profilage phénotypique pour la prévision de la bioactivité des composés
Le processus long et coûteux de criblage expérimental de composés entrave la découverte de médicaments. Ce projet vise à développer des modèles d’apprentissage profond qui exploitent les données existantes de profilage de l’expression génique pour prédire avec précision la bioactivité des composés (avec des analyses physiques rares). La plateforme LINCS L1000 fournit des données de perturbation cellulaire économiques et évolutives pour des milliers de composés. Des architectures de réseaux neuronaux profonds appropriées seront évaluées pour la prédiction de la bioactivité. Les modèles hautement performants seront rigoureusement évalués pour démontrer la viabilité de cette approche de criblage in silico alimentée par l’apprentissage profond et l’apprentissage par transfert.