Qui sommes-nous ?
Espace utilisateur
Formation continue
Credit : L. Godart/CEA
D’un jour à plusieurs semaines, nos formations permettent une montée en compétence dans votre emploi ou accompagnent vers le retour à l’emploi. 
Conseil et accompagnement
Crédit : vgajic
Fort de plus de 60 ans d’expériences, l’INSTN accompagne les entreprises et organismes à différents stades de leurs projets de développement du capital humain.
Thèses
Accueil   /   Thèses   /   Découverte de nouvelles sondes chromogéniques pour les toxiques par Chemistry-Trained Machine Learning

Découverte de nouvelles sondes chromogéniques pour les toxiques par Chemistry-Trained Machine Learning

Informatique et logiciels Matériaux et applications Sciences pour l’ingénieur

Résumé du sujet

L’actualité nationale et internationale justifie l’intérêt croissant porté à la détection des toxiques et des polluants (nommés analytes dans ce qui suit) par virage chromogénique. Pour les analytes déjà connus et étudiés, il est nécessaire d’améliorer les capacités de détection, notamment par augmentation des contrastes et de la sélectivité. Pour de potentiels nouveaux analytes, il est également pertinent de se préparer à une sélection rapide de sondes chromogéniques spécifiques. Les objectifs de la thèse seront de découvrir de nouvelles sondes chromogéniques en utilisant la chimie computationnelle.
Première étape de la thèse : Entraînement du modèle (ML/AI) sur les données disponibles. Le début du travail de thèse se focalisera sur l’établissement d’un modèle performant, précis et robuste de classification des nombreuses données expérimentales disponibles, issues des précédents travaux de notre laboratoire. Il s’agit de croiser les résultats colorimétriques de cette base avec les structures des molécules et leurs propriétés chimiques décrites par des méthodes de l’état de l’art (e.g., https://pubs.acs.org/doi/10.1021/acs.chemrev.1c00107). À la fin de cet apprentissage, nous devrions disposer d’un prédicteur validé sur nos données.
Seconde étape : Utilisation du prédicteur pour cribler in-silico plusieurs centaines de milliers de molécules sondes candidates issues de chimiothèques commerciales (et autres…), elles aussi croisées avec leurs structures et propriétés chimiques, décrites comme dans la première étape. À la suite d’un premier tri, la prédiction des virages chromogéniques par DFT pourra être utilisée pour affiner l’évaluation du potentiel virage colorimétrique des meilleures molécules candidates.
Troisième étape : Définition et réalisation d’une campagne de tests chimiques expérimentaux. Une plateforme de synthèse organique HTE (Expérimentation à Haut Débit), basée sur la miniaturisation et la parallélisation de réactions chimiques pour optimiser la mise en œuvre des réactions de synthèse et les tests, permettra un gain de temps considérable, tout en augmentant significativement le nombre de combinaisons possibles. Le HTE permet également la synthèse de librairies de composés analogues. À la suite de ces tests massifs, une seconde version de l’IA pourra être entraînée, permettant la découverte d’une nouvelle génération de molécules chromogéniques.

Laboratoire

Département des Technologies des NanoMatériaux (LITEN)
Service des Technologies Durables pour le Cycle des matières (DRT)
Laboratoire Mesure Sécurisation Environnement
Top envelopegraduation-hatlicensebookuserusersmap-markercalendar-fullbubblecrossmenuarrow-down