Abstract:
L'une des caractéristiques fondamentales des médicaments est leur solubilité. Elle joue
un rôle fondamental dans leur biodisponibilité. La synthèse organique d'un principe actif
implique souvent de nombreuses étapes, et il faut en plus à postériori consacrer beaucoup
de temps pour trouver les solvants appropriés pour la solubilité optimale. L’utilisation
d’une méthode prédictive pour la solubilité constitue donc un défi majeur. Dans ce travail,
un modèle hybride combinant les réseaux de neurones artificiels (RNA) et une méthode de
contribution de groupe a été utilisé pour créer un algorithme permettant de prédire les
coefficients d’activité. L’apprentissage du réseau de neurones a été réalisé en utilisant une
base, de données expérimentales de solubilité, recensées dans la littérature. Les systèmes
étudiés sont constitués essentiellement de principes actifs pharmaceutiques. Les résultats
obtenus ont été comparés au modèle prédictif UNIFAC.
