Modelisation En Vue De Prédiction Ou De La Correlation De L'activité Toxicologique A Partir De La Structure Moléculcire

Résumé: Le terme pesticide englobe des milliers de molecules organiques. la plupart d'entre elles sont classees toxiques : les herbicides, les fongicides et les insecticides et d' autres a moindre niveau d'importance : les acaricides, les nárnanticides, les rodonticides, les taupicides, les molluscicides et les corvicides. L'utilisation mondiale des produits chimiques et en particulier les pesticides s'estime a plus de 120000 molecules. A vec un si grand nombre de pesticides, qui potentiellement peuvent etre degages dans les eLosystemes aquatiques et terrestres. En outre la plu part des erudes scientifiques menees sur la toxicologie sont basees sur des éxpériences anirnales ou sur des sujets humains contamines accidentellement par ces pesticides. En cas de contamination majeur de l'environnement, les pesticides sont preoccupants sur le plan sanitaire. En effet, en raison de leur moyenne persistance dans l'environnement, leur dispersion et leur solub ilite dans les milieux naturels, ils sont retrouves dans tous les maillons de la chaine vegetale et par consequent dans la chaine alimentaire. A noter que certains d'entre eux sont metabolisables dans le corps humain et par voie de consequences leur eliminatión est lente ce qui les rendent potentiellement dangereux. Ces pesticides une fois dans l'atmosphere sont disperses dans les milieux environnant entre autres la vegetation et les sols Oll ils sont plus au moins retenus en fonction de la composition de ces derniers par divers mecanismes teIs que I' adsorption, I' absorptíon. .... La toxicite des pesticides varie selon leur nature physicochimique, leur transfert á travers la chaine vegetale et alimentaire et la facon dont ils sont assimiles pa r l' organisme, c'est-à-d.ire leur metabolisme. L'incapacite de tester exhaustivement leurs effets a court et el long terme sur les especes vivantes; cela est due á des contraintes Iínanciere et de temps, mais aussi parce que les tests de toxicite au laboratoire sur les animaux so nt de plus en plus soumises a des legislatives de protection des animaux. Pour surmonter ces problemes, des tentatives ont ete faites pour proposer des approches de modelisation permettant la simu lation du devenir des pesticides et leurs toxicites vís-a-vis de l'environnement. Dans ce contexte sinscrit ce travail qui consiste d'une part a l'elaboration d'une base de donnees basee sur la structure chimique des pesticides et d' autre part a la modelisation de la prediction de I' effet toxicologique á partir de la structure moleculaire de la base de donnees elaborees en utilisant les sciences cognitives de neurones. Pour chaque molecule on calcule les dix (10) premiers parametres en adoptant la notation SMILE5 (Simplified Molecular Input Line Gentry Specification) : 1. le nombre d' atomes de : carbone (Ae), 2. le nombre d'atomes de: l'azote (AN), 3. le nombre d'atomes de: 1'0xygene (AO), 4. le nombre d' atomes de : le soufre (AS), 5. le nombre d'atomes de: le fluor (AF), 6. le nombre datomes de : le chlore (ACl), 7. le nombre d' atomes de : le brome (ABr) 8. le nombre des liaisons simples (Bl), 9. le nombre des liaisons doubles (B2) 10. le nombre des liaisons triples (B3). Cahier des charges : il comporte les points suivants : • Introduction generale • Un t« chapitre consacre a la revue critique: l'etat de l'art sur la prediction de 1'effet toxicologique. • Un 2eme chapitre qui traite des generalítes sur les activites toxicologiques; les differents types de representation des molecules par une decomposition en utiIisant le code SMILES et le modele QSAR. • Un 3eme chapitre sur les reseaux de neurones • Un 4eme chapitre concernant la modelisation de la prediction de I' effet toxicologique a partir de la structure moleculaire • Une conclusion generale et des perspectives • Des references bibliographiques References 1. Li, B., Y. He, and C. Xu, Simultaneous determination of three organophosphorus pesticides residues in vegetllbles using continuous-floui chemiluminescence toith artificial neural network calibration. Talanta, 2007.72(1): p. 223-230. 2. Meng, Y. and B.-L. Lin, A feed-forward artificial neural network for prediction of the aquatic ecotoxicitq of alcoliol ethoxvlate. Ecotoxicology and Environmental Safety, 2008.71(1): p. 172-186. 3. Relyea, R., A eocktail of contaminants: how mixtures of pesticides at low concentraiions affect aquatic cotnntunitics. Oecologia, 2009. 159(2): p. 363-376. 4. Stenemo, F., et al., Meta-modeling of the pesticide fate model MACRO for groundwater exposure assessmeuts using' artifieial neural networks. Journal of Contaminant Hydrology, 2007. 93(1-4): p. 270¬283. 5. Stojic, N., S. Eric, and 1. Kuzmanovski, Prediction of toxicity and data exploratoru analysis of estrogen¬actiuc endocrine disruptors using counter-propagation artificial neural networks. Journal of Molecular Graphics and Modelling.2010, 29(3): p. 450

Publié dans la revue: