Ia explicable pour la conception accélérée de mofs bio-inspirés à visée anticancéreuse: de la prédiction des structures à l'optimisation de la synthèse // explainable artificial intelligence for the accelerated design of bio-inspired anticancer mofs: fro

Topic description

Le projet de thèse s'inscrit dans le cadre du consortium MAIA et vise à accélérer la découverte de Metal-Organic Frameworks (MOFs) bio-inspirés à visée anticancéreuse grâce à l'intelligence artificielle explicable. Ces matériaux poreux, constitués de nœuds métalliques et de ligands organiques, présentent un fort potentiel pour la vectorisation ciblée et la libération contrôlée de médicaments. L'objectif est de développer une approche intégrée combinant des réseaux neuronaux sur graphes 3D et des modèles génératifs pré-entraînés (MOFGPT, MOFormer, MOFTransformer) afin de concevoir automatiquement des structures optimisées selon des critères de porosité, biocompatibilité et fonctionnalisation. En parallèle, des modèles prédictifs seront développés pour relier les propriétés structurales aux performances biologiques (cytotoxicité, relargage, ciblage tumoral), avec un accent particulier sur l'explicabilité des résultats. En s'appuyant sur les expertises complémentaires du LG2A (UPJV) en chimie verte et matériaux bio-inspirés et du CRIL (ULCO) en intelligence artificielle explicable, ce projet vise à établir une plateforme interprétable pour la conception accélérée de MOFs thérapeutiques durables, contribuant à la médecine de précision et aux objectifs de carboneutralité.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The project is part of the MAIA consortium and aims to harness the power of explainable and generative artificial intelligence to accelerate the discovery of bio-inspired Metal-Organic Frameworks (MOFs) for anticancer applications. These porous materials, composed of metal nodes and organic ligands, offer strong potential for targeted drug delivery and controlled release. The proposed approach relies on the integration of 3D graph neural networks and pre-trained models such as MOFGPT, MOFormer, and MOFTransformer to automatically generate MOF structures optimized according to criteria such as porosity, biocompatibility, and functionalization. AI will also be used to predict biological properties (cytotoxicity, drug release, tumor targeting) from experimental data and to develop an explainable model linking structure to performance. By combining the expertise of LG2A (UPJV) in green chemistry and bio-inspired materials with the CRIL (ULCO)'s strengths in explainable AI and symbolic learning, this project aims to develop an integrated and interpretable platform for the accelerated design of sustainable therapeutic MOFs, contributing to precision medicine and the carbon neutrality goals of the MAIA consortium.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/

Funding category

Funding further details

Plan Investissement d'Avenir (Idex, Labex)