MODELISATION DE QUELQUES PROPRIETES (cteH, S, Pv, Koc(w)) CONTROLANT L’EVOLUTION DANS L’ENVIRONNEMENT D’UNE SERIE D’HERBICIDES
No Thumbnail Available
Date
2016
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Des modèles QSPR ont été développés pour la prédiction de cinq caractéristiques
environnementales importantes d'un ensemble hétérogène de pesticides. Des approches basées
sur la régression linéaire multiple (RLM), les moindres carrés partiels (PLS), les machines à
vecteurs supports (SVM) et les réseaux de neurones artificiels (RNA), chaque fois en
association avec une sélection des variables les plus importantes par algorithme génétique
(GA), conduisent à des modèles de qualités différentes.
L’approche hybride algorithme génétique/ régression multilinéaire a été utilisée pour
modéliser la constante de Henry (logH) de 27 pesticides appartenant à deux classes
chimiques: triazines, et carbamates. Le modèle à 4 variables explicatives sélectionné est
robuste, et présente une bonne qualité de l’ajustement ainsi que de bonnes capacités
prédictives.
Une relation quantitative structure-propriété (QSPR) a été réalisée pour la prédiction
de la solubilité aqueuse des pesticides appartenant aux quatre classes chimiques: acide, urée,
triazine, et carbamate. L'ensemble des 77 pesticides a été divisé en un ensemble de calibrage
de 58 pesticides et un ensemble de test de 19 pesticides selon la technique Snee. Un modèle à
six descripteurs, avec un coefficient de détermination (R2
) de 0,8895 et une erreur standard de
l'estimation (s) de 0,52, a été développé en appliquant une analyse de régression linéaire
multiple baséeles moindres carrés ordinaires et les algorithmes-génétiques pour la sélection
des sous-ensembles de variable. La fiabilité du modèle proposé a été en outre illustrée en
utilisant diverses techniques d'évaluation: validation croiséepar leave- one- out, bootstrap,
tests de randomisation, et validation extene sur l'ensemble de test.
Les études QSPR sont une alternative théorique puissante à la mécanique quantique
pour la description et la prédiction des propriétés des systèmes moléculaires complexes dans
divers environnements.
Le coefficient de partage octanol / eau (Kow) de certains pesticides a été étudié
parapproche QSPR hybride : algorithme génétique / régression linéaire multiple.
La robustesse et la performance prédictive des modèles proposés ont été validéesà
l'aide de statistiques internes et externes. Un point influent qui renforce le modèle et une
valeur aberrante ont été mis en évidence.
Dans notre étude, nous avons également utilisé la méthode des
« supportvectormachines »enexploitant la fonction de RBF, pour les valeurs optimales des
paramètres SVM, C = 10; γ = 0,5; et ε = 0,2 ; le modèle résultant conduit à de bonnes
capacités prédictives internes et externes.
La modélisation de la pression de vapeur par la méthode des moindres carrées partiels
nous a permis d’éliminer les autocorrélations des descripteurs La comparaison de la qualité
des modèles RLM et PLS pour la pression de vapeur, les deux modèles RLM et PLS sont
acceptable tant par la qualité de l’ajustement, la robustesse ou la capacité prédictive.
La modélisation de la pression de vapeur et du coefficient de partage octanol/carbone
organique d’un mélange hétérogène de pesticides montre que les différentes statistiques
établies pour les ensembles de calibrage et de validation (coefficients de détermination
multiple et de prédiction; racines des erreurs quadratiques moyennes) attestent de la
supériorité des modèles non linéaires (RNA), ainsi que de leur pertinence.