Protein-ligand binding affinity prediction using combined molecular dynamics simulations and deep learning algorithms
Les interactions des petites molécules avec leurs protéines cibles sont essentielles à la recherche pharmaceutique. L'affinité de liaison des complexes protéine-ligand peut être mesurée par des expériences in-vitro, mais ces tests sont couteux en argent et en temps. Aujourd'hui, les réseau...
Enregistré dans:
| Auteur principal: | |
|---|---|
| Autres auteurs: | , , , , , , |
| Format: | Thèse numérique |
| Langue: | Anglais Français |
| Publié: |
2023.
|
| Sujets: | |
| Accès en ligne: | Accès au texte intégral https://theses.univ-orleans.fr/public/2023ORLE1044_va.pdf http://www.theses.fr/2023ORLE1044/abes https://theses.hal.science/tel-04516350 |
| Note: |
Titre provenant de l'écran-titre Ecole(s) Doctorale(s) : École doctorale Santé, Sciences Biologiques et Chimie du Vivant (Centre-Val de Loire ; 2012-....) Partenaire(s) de recherche : Institut de chimie organique et analytique (Orléans ; 2012-....) (Laboratoire) Autre(s) contribution(s) : Jana de Oliveira Santos (Président du jury) ; Xavier Barril, Gary Tresadern, Samia Aci-Sèche (Membre(s) du jury) ; Olivier Sperandio, Matthieu Montes (Rapporteur(s)) |
| Autres localisations: | Voir dans le Sudoc |
| Variante du titre: | Prédiction de l'affinité de liaison des complexes protéine-ligand en combinant des simulations de dynamique moléculaire avec des algorithmes d'apprentissage profond |