Passer au contenu principal

Criblage à
haut débit

Deep learning pour les laboratoires Servier
Criblage à haut débit par Agence Web Kernix

Client

Laboratoires Servier

Expertises

Data Science
Deep learning

Technos

PyTorch
Python
AWS (S3 et EC2)

Année

2019
Le Data Lab Kernix a conçu pour les laboratoires Servier un algorithme d'analyse d'images. Il permet de sélectionner les molécules les plus prometteuses pour l'élaboration de médicaments.

Contexte

Le département R&D Screening des laboratoires Servier cherche à identifier des molécules aux propriétés nouvelles, biologiquement actives. Le criblage consiste à réaliser des tests cellulaires biochimiques pour identifier de telles molécules, cependant le nombre de molécules à tester est trop important pour réaliser ces tests dans un budget et un temps raisonnable. En effet, quelques centaines de milliers de molécules sont répertoriées dans les bases de données du laboratoire.

Le projet consistait donc à optimiser le choix des molécules à tester par un moyen beaucoup moins coûteux : le deep learning sur des caractéristiques phénotypiques de l’activité des molécules (exemple : photos prises au microscope après une réaction).

Réalisation

Nous avons évalué le potentiel d’exploitation des données du laboratoire (qualité, volume, caractéristiques) ainsi que les pistes de recherches explorées par la communauté scientifique.

Nous avons ensuite entraîné plusieurs modèles de deep learning, avec des architectures différentes et images variées de l’activité des molécules pour prédire lesquelles avaient le plus fort potentiel et qu’il valait mieux prioriser pour les tests biochimiques.

Ce travail s’est accompagné d’une analyse de la reproductibilité de certains articles de recherches. En effet, une grande partie des résultats de recherche dans le domaine sont difficilement reproductibles, et posent donc la question de la validité des résultats et leur généralisation à d’autres données.

Résultat

Des estimations de coûts et de vitesse de prédiction nous ont permis d’émettre des recommandations sur l’exploitation en production. La mise en production nécessite des changements organisationnels importants mais la réduction potentielle des coûts est très importante.

La reproduction des articles scientifiques a permis de détecter certaines particularités passées sous silence par les auteurs. Des travaux complémentaires d’analyse des résultats ont nourri la réflexion pour de nouvelles perspectives.

Prochaine réalisation

Saint-Louis
de Gonzague

Site institutionnel

Saint-Louis
de Gonzague

Site institutionnel
Haut de page
Haut de page