Modélisation de l'affinité Protéine–Ligand par GNN
Un outil pour prédire l'affinité entre poches protéiques et ligands : chaque poche est représentée comme un graphe, dont sont extraits des descripteurs topologiques et géométriques ainsi que des embeddings GNN issus d'un autoencodeur de graphe. Ces informations, combinées aux descripteurs du ligand, entraînent des modèles de machine learning (Random Forest, XGBoost...) prédisant l'interaction.
Résultats
- Intégration facile de nouveaux types de données (GNN, géométrie, chimie)
- Structure modulaire facilitant l'expérimentation et l'optimisation
- Cross-validation rigoureuse pour évaluer la robustesse des prédictions