Molecular property prediction is a computational method using graph neural networks and AI to estimate material characteristics without laboratory experiments.La prédiction des propriétés moléculaires est un domaine interdisciplinaire à l'interface de la chimie, de la physique et de l'informatique, où des modèles informatiques sont entraînés sur des données expérimentales pour évaluer les caractéristiques des molécules sans synthèse en laboratoire. Les modèles peuvent être basés sur des lois physiques (mécanique quantique) ou sur l'analyse statistique de grands ensembles de données (apprentissage automatique). Ils prévoient des paramètres tels que la toxicité, l'activité biologique, la solubilité, le point de fusion et même la couleur de la substance.
Les racines remontent aux années 1960, lorsque Corwin Hansch formula les relations quantitatives structure-activité (QSAR), en proposant des équations linéaires reliant l'hydrophobicité des substituants à l'activité biologique. Dans les années 1970-80, le développement de l'informatique permit d'inclure des indices de chimie quantique et des descripteurs tridimensionnels. Un tournant s'est produit dans les années 2010 avec l'émergence de l'apprentissage profond et la disponibilité des GPU : les modèles ont appris à « lire » les molécules directement à partir de la structure du graphe, atteignant une grande précision dans la prédiction de la solubilité, de la toxicité et des énergies des états excités. Aujourd'hui, la prédiction des propriétés est une partie intégrante du criblage virtuel en pharmacie et de la conception de nouveaux matériaux.
Toute prédiction repose sur la représentation de la molécule dans l'espace des descripteurs ou sous forme de vecteur. Les descripteurs les plus simples sont le nombre d'atomes d'un type donné, la masse moléculaire, la surface. Des descripteurs plus complexes codent l'information sur les cycles, les donneurs/accepteurs de liaisons hydrogène, les charges partielles (calculées, par exemple, par la méthode de Gasteiger). Dans les réseaux de neurones sur graphes, chaque atome reçoit un vecteur de caractéristiques qui est mis à jour itérativement par des messages provenant des atomes voisins ; le vecteur final de la molécule est agrégé et transmis à une couche entièrement connectée qui produit la prédiction. L'entraînement minimise une fonction de perte, par exemple l'erreur quadratique moyenne pour les propriétés continues, ou l'entropie croisée pour la classification. Les lois physiques les plus importantes sur lesquelles s'appuient les méthodes quantiques sont : l'équation de Schrödinger (stationnaire et non stationnaire) et le principe de Pauli (interdiction pour deux fermions d'occuper le même état quantique). Pour les modèles statistiques, la physique n'est pas nécessaire de manière explicite, mais le choix des caractéristiques est souvent motivé par le principe « le semblable attire le semblable » : des molécules similaires ont des propriétés proches. La qualité du modèle est vérifiée sur un échantillon de test à l'aide de métriques (R², RMSE, AUC).
Accélère le développement de nouveaux matériaux et médicaments, du plastique biodégradable aux médicaments anticancéreux ciblés.
Les algorithmes modernes peuvent vérifier en quelques secondes des millions de variantes moléculaires pour un nouveau médicament, alors que la synthèse et le test d'une seule molécule en laboratoire prennent des semaines et coûtent des milliers de dollars.
















