Des scientifiques de Russie, L'Estonie et le Royaume-Uni ont créé une nouvelle méthode pour prédire le facteur de bioconcentration (FBC) des molécules organiques. Tirer parti des modèles classiques d'interactions physico-chimiques entre le solvant et le soluté et des méthodes avancées d'apprentissage automatique, la nouvelle approche permet de prédire les propriétés complexes d'une substance sur la base d'un minimum de données d'entrée. Les résultats de l'étude ont été publiés dans Journal of Physics :matière condensée .

L'une des caractéristiques les plus importantes des substances organiques, Le FBC représente la quantité d'une substance concentrée dans un tissu par rapport à la quantité de cette substance présente dans l'environnement dans des conditions d'équilibre. Le FBC est largement utilisé pour évaluer la sécurité de divers composés chimiques et peut être mesuré dans la pratique. Par exemple, vous pouvez placer un produit chimique de test dans l'aquarium, attendre que l'équilibre soit atteint, puis mesurer sa concentration à la fois dans le poisson et dans l'eau. Mais que se passe-t-il si vous souhaitez estimer le FBC en vous basant uniquement sur des calculs ?

Une façon de le faire est de générer un ensemble de paramètres moléculaires (descripteurs) et de construire un modèle mathématique basé sur ces entrées. Le modèle peut s'avérer assez précis, mais il peut être difficile à interpréter en raison d'un grand nombre de paramètres. Et pire encore, le modèle peut ne pas fonctionner correctement pour des composés très différents de ceux de l'ensemble d'apprentissage.

La deuxième méthode est basée sur la théorie moléculaire des liquides qui décrit le comportement des substances en solution. Cependant, la bioconcentration est un paramètre complexe qui dépend de divers facteurs, elle peut donc difficilement être prédite en appliquant directement la théorie physico-chimique.

Les scientifiques de Skoltech, l'Université de Tartu (Estonie) et l'Université de Strathclyde (Royaume-Uni), dirigé par le professeur Skoltech Maxim Fedorov, a développé une méthode de prédiction hybride du FBC qui se compose de deux étapes :d'abord les chercheurs effectuent des calculs physico-chimiques pour obtenir des densités 3-D d'hydrogène et d'oxygène autour de la molécule à l'étude, puis appliquent des réseaux de neurones convolutifs 3-D ‒ une technologie utilisée avec succès dans reconnaissance d'images. Cette approche démontre que les propriétés complexes des substances organiques peuvent être décrites même avec une petite quantité de données d'entrée.

"Notre méthode permettra de prédire beaucoup plus facilement l'impact environnemental d'une substance donnée. Mais le plus important est que nous avons développé une méthode universelle de description d'une molécule de telle sorte que son image 3D puisse être transférée à un Réseau de neurones convolutifs 3D. À long terme, notre méthode aidera à prédire les propriétés de diverses molécules « exotiques » et de nouveaux composés pour lesquels les méthodes existantes de relation structure-propriété ne fonctionnent pas, " a déclaré le premier auteur et doctorant de Skoltech, Sergey Sosnin.