Estimation de l'écotoxicité de substances chimiques par des méthodes à noyaux

Estimation of ecotoxicity of chemicals by nucleus methods

• Auteur / Autrice : Jonathan Villain
• Direction : Gilles Durrieu, Ronan Bureau
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques
• Date : Soutenance le 24/06/2016
• Etablissement(s) : Lorient
• Ecole(s) doctorale(s) : École doctorale Santé, information-communication et mathématiques, matière (Brest, Finistère)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Mathématiques de Bretagne Atlantique
• Jury : Examinateurs / Examinatrices : Bertrand Cuissart, Ernest Fokoué, Jean-François Petiot
• Jury : Rapporteurs / Rapporteuses : Avner Bar-Hen, Anne-Claude Camproux

Mots clés

Mots clés contrôlés

Machines à vecteurs de support

QSAR (biochimie)

Modèles mathématiques

Écotoxicologie

Mots clés libres

Chemoinformatique

Quantiles

Chemoinformatics

Quantile

Résumé

Dans le domaine de la chimie et plus particulièrement en chimio-informatique, les modèles QSAR (pour Quantitative Structure Activity Relationship) sont de plus en plus étudiés. Ils permettent d’avoir une estimation in silico des propriétés des composés chimiques notamment des propriétés éco toxicologiques. Ces modèles ne sont théoriquement valables que pour une classe de composés (domaine de validité) et sont sensibles à la présence de valeurs atypiques. La thèse s’est focalisée sur la construction de modèles globaux robustes (intégrant un maximum de composés) permettant de prédire l’écotoxicité des composés chimiques sur une algue P. Subcapitata et de déterminer un domaine de validité dans le but de déduire la capacité de prédiction d’un modèle pour une molécule. Ces modèles statistiques robustes sont basés sur une approche quantile en régression linéaire et en régression Support Vector Machine.

In chemistry and more particularly in chemoinformatics, QSAR models (Quantitative Structure Activity Relationship) are increasingly studied. They provide an in silico estimation of the properties of chemical compounds including ecotoxicological properties. These models are theoretically valid only for a class of compounds (validity domain) and are sensitive to the presence of outliers. This PhD thesis is focused on the construction of robust global models (including a maximum of compounds) to predict ecotoxicity of chemical compounds on algae P. subcapitata and to determine a validity domain in order to deduce the capacity of a model to predict the toxicity of a compound. These robust statistical models are based on quantile approach in linear regression and regression Support Vector Machine.