Thomas Papastergiou – LIPN, Paris 13
Generative Reinforcement Learning for NDM-1 inhibitors

Fondateur de Fabula.org, il a été l’un des pionniers des Humanités Numériques en France. Il a découvert les usages de l’IA pour la recherche (vecteurs de mots, topic modelling) au Literary Lab de Stanford dans le cadre du projet « Pour une histoire empirique de la littérature », Transatlantic program for collaborative work in the field of digital humanities, dont il a été co-porteur avec Franco Moretti (FMSH Paris-Fondation Mellon).

Par ailleurs, Directeur Adjoint Scientifique de l’Institut des Sciences Humaines et Sociales du CNRS depuis 2017, il a en charge les priorités « Humanités Numériques » et « Intelligence Artificielle ». Il a notamment représenté les SHS dans le Forum mondial sur l’IA pour l’humanité organisé en 2019 et a coordonné avec Jérôme Lang l’appel à financement de la MITI du CNRS « Enjeux scientifiques et sociaux de l’intelligence artificielle » (2020).

Après un programme de recherche consacrées aux fictions de de l’Intelligence Artificielle (ia-fictions.net) il est porteur principal (PI) du projet ANR « CulturIA », pour une histoire culturelle de l’IA.

Ce problème a motivé le développement de modèles statistiques visant à inférer les mécanismes relationnels susceptibles d’expliquer l’état observé d’un réseau, dont les plus connus sont ERGM (Exponential Random-Graph Model) et SAOM (Stochastic Actor-Oriented Model). Je me concentre dans cette présentation sur le second, qui se base sur l’observation d’un ou plusieurs réseaux complets à plusieurs points dans le temps. La particularité de ce modèle est de simuler un processus d’évolution du réseau en temps continu qui coïncide avec ces observations discrètes, en estimant des effets statistiques qui représentent les “décision” prises par les noeuds pour former ou dissoudre des relations.

Je proposerai une introduction générale et non-technique à la logique et aux postulats de ces modèles, avant de présenter un exemple de recherche en sociologie de l’éducation qui les utilise pour comprendre les déterminants de la ségrégation socioéconomique des amitiés entre des élèves de collège.

Empirical evidence reveals critical limitations. Random walks demonstrate short fitness autocorrelation lengths, where minor structural changes erase initial molecular characteristics. Adaptive walks confirm these observations, showing success depends heavily on starting positions with poor initial molecules rarely reaching global optima.

Fundamental questions remain: How do we sample effective starting points? And what representations could yield smoother, more tractable fitness landscapes?

Pour lever ce verrou, une méthodologie en deux étapes a été développée: une énumération physiquement guidée, suivie d’un filtre topologique intelligent.

Dans un premier temps, l’espace de recherche est drastiquement réduit grâce aux connaissances chimiques fondamentales. En se concentrant sur les molécules π-conjuguées (naturellement planes), l’algorithme limite l’exploration aux conformations pertinentes.

Cette seule hypothèse physique fait chuter la complexité combinatoire de 6N à 2N (où N est le nombre de rotors).

Dans un second temps, ce paysage restreint est cartographié via un pipeline de clustering automatisé avant toute optimisation coûteuse :

• Matrice de distance hybride : Les structures sont évaluées selon une métrique combinant déviation géométrique (RMSD torsionnelle) et proximité thermodynamique.
• Tournoi de Clustering : La topologie de l’espace est analysée par une compétition d’algorithmes non supervisés (HDBSCAN, OPTICS, K-Medoids). Le meilleur modèle est sélectionné dynamiquement selon des contraintes physiques (plafonnement des clusters lié au nombre de rotors) et mathématiques (score DBCV).
• Échantillonnage Ciblé : Les représentants optimaux de chaque vallée sont extraits à l’aide d’une règle dérivant de la distribution de Boltzmann.

Ainsi, seuls les représentants sont soumis à l’optimisation géométrique (xTB). Cette synergie entre intuition chimique et apprentissage non supervisé garantit une couverture exhaustive de l’espace pertinent, ouvrant la voie à la création massive de bases de données de haute qualité pour l’IA.

Approach: We develop an alternative approach that jointly performs processing and annotation to leverage analytical redundancy. We first segment all data triplets into ion traces by using a Watershed-based algorithm. Then, ion traces putatively related to the same molecule are grouped into a graph component, based on chemical rules and on the similarity of the elution profiles. Finally, each component is processed by a graph attention network (GAT; [3]) to validate the nodes (ion traces), the edges (chemical relationships) and the component itself (as containing ion signals from a metabolite vs. consisting of noise only). The massive presence of noise within the initial ion traces is addressed in the architecture using gated message passing [4], and the coherence of predictions from the different heads is ensured through a consistency loss. To train the MassGAT model, a strategy combining both real spectra and simulated components was developed.