Je vais utiliser le machine learning pour rechercher des composés pour l'interaction protéique

Préparation du récepteur cible : récupération, nettoyage et optimisation des structures cristallines de protéines directement à partir de la Protein Data Bank (PDB) (par exemple, gestion des résidus manquants, chargement et cartographie de la grille).

Curations et filtrage de la bibliothèque de ligands : récupération de bibliothèques de composés à partir de bases de données comme ChEMBL ou PubChem, suivie d’un filtrage strict basé sur les propriétés physico-chimiques à l’aide de Python (RDKit) pour garantir la similarité aux médicaments (Règle des cinq de Lipinski et critères de Veber).

Criblage virtuel à haut débit (HTVS) : configuration précise des coordonnées du site de liaison et exécution du criblage à haut débit.

Simulations de docking moléculaire : docking structural complet avec AutoDock Vina pour générer des données conformationnelles multi-pose et extraire des affinités de liaison précises en énergie libre de Gibbs ($\Delta G$ en kcal/mol).

Analyse de données et rapport : une synthèse statistique claire et prête à publication (affinités minimum/maximum/moyenne, suivi de l’écart type) identifiant vos candidats principaux de haut niveau.