L'intégration des technologies d'intelligence artificielle dans la recherche pharmaceutique donne des résultats prometteurs en termes d'efficacité et d'efficience. Le développement d'une compréhension précoce des paramètres d'absorption, de distribution, de métabolisme, d'excrétion et de toxicité (ADMET) est crucial pour la réussite des projets de désignations de médicaments. Dans cette étude, nous présentons une plateforme innovante d'apprentissage automatique, appelée ArtemisAI. La plateforme proposée offre un pipeline de bout en bout entièrement automatisé, comprenant le prétraitement des caractéristiques, l'entraînement et la validation, la mise au point du modèle et la sélection éventuelle du modèle, le tout sans intervention humaine. Nous utilisons la plateforme proposée pour la prédiction in silico des effets ADMET et la comparons à quatre modèles/plateformes de référence de pointe sur les ensembles de données ADMET du Therapeutic Data Commons (TDC). Dans 17 des 22 ensembles de données ADMET examinés, ArtemisAI se distingue comme l'approche la plus performante, démontrant une performance supérieure sur ces instances. Pour les autres cas, ArtemisAI se classe systématiquement parmi les deux meilleures performances. Les résultats expérimentaux démontrent l'efficacité et la robustesse de l'ArtemisAI sur diverses tâches de prédiction des effets ADMET.