Modélisation et prédiction de l’activité anticancéreuse des dérivés de benzofuranes à l’aide de l’intelligence artificielle

Abstract

Face à la nécessité de découvrir de nouvelles molécules anticancéreuses efficaces, les dérivés de benzofurane suscitent un intérêt croissant en raison de leurs propriétés pharmacologiques prometteuses. Toutefois, leur activité anticancéreuse reste encore peu étudiée de manière systématique. La problématique principale de ce travail réside dans le besoin de prédire, à partir de leur structure chimique, l’activité biologique de ces dérivés contre la lignée cellulaire MCF-7 du cancer du sein. L’objectif principal de cette étude est de développer un modèle prédictif performant capable d’estimer l’activité anticancéreuse )logIC50( des dérivés de benzofurane à l’aide de techniques d’intelligence artificielle. Pour ce faire, une base de données de 198 composés a été constituée à partir de 13 sources bibliographiques. Les descripteurs et empreintes moléculaires ont été calculés à l’aide de PaDEL-Descriptor. Après prétraitement des données, la sélection des variables a été effectuée par l’algorithme Boruta, et la modélisation a été réalisée à l’aide du modèle Random Forest, dont les hyperparamètres ont été optimisés par l’algorithme Ant Lion Optimizer )ALO(. Les performances du modèle final, évaluées par validation croisée, ont révélé une excellente précision avec un R2 = 0.92 sur l’ensemble de test, un RMSE = 0.64, une MAE = 0.36 et une MAPE = 31.26%, indiquant une très bonne capacité prédictive du modèle